
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autores: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Resumo A estimativa rápida e precisa do estado de saúde (SOH) de baterias aposentadas é um pré-tratamento crucial para reutilização e reciclagem. No entanto, métodos orientados por dados exigem curadoria exaustiva de dados sob condições aleatórias de aposentadoria de SOH e estado de carga (SOC). Aqui, mostramos que a estimativa de SOH assistida por aprendizado generativo é promissora em aliviar os desafios de escassez e heterogeneidade de dados, validada através de um conjunto de dados de injeção de pulso de 2700 amostras de baterias de íon-lítio aposentadas, cobrindo 3 tipos de material catódico, 3 formatos físicos, 4 projetos de capacidade e 4 usos históricos com 10 níveis de SOC. Usando dados gerados, um regressor realiza estimativas precisas de SOH, com erros percentuais absolutos médios abaixo de 6% sob SOC não visto. Prevemos que, assumindo a implantação uniforme da técnica proposta, isso economizaria US$ 4,9 bilhões em custos de eletricidade e 35,8 bilhões de kg de emissões de CO2 ao mitigar os custos de curadoria de dados para um cenário global de aposentadoria de baterias em 2030. Este artigo destaca a exploração de dados limitados para explorar o espaço de dados estendido usando métodos generativos, dado que os dados podem ser demorados, caros e poluentes para recuperar para muitas tarefas de estimativa e preditivas. Introdução A eletrificação de transportes, um setor crítico na transição energética de baixo carbono , remodelou o paradigma de transporte baseado em combustíveis fósseis de forma sem precedentes. Baterias de íon-lítio são vitais para essa transição, fornecendo suprimento de energia acessível, durável e seguro para veículos elétricos (VEs) , . A capacidade total de baterias de VEs em uso e no fim de vida ultrapassará 32–62 terawatts-hora até 2050, consideravelmente maior do que a estimativa nos cenários da Agência Internacional de Energia Renovável e do Storage Lab . No entanto, baterias de VEs aposentadas são fortemente reguladas com um enorme valor de capacidade restante subutilizado, tipicamente superior a 80% da capacidade nominal , . Se não forem tratadas adequadamente, isso leva a encargos econômicos  para fabricantes e usuários, bem como questões ambientais e sociais subsequentes , incluindo desperdício de recursos, riscos na cadeia de suprimentos e emissões de carbono , , . 1 2 3 4 5 6 7 8 9 10 11 Estratégias promissoras para abordar as preocupações sobre o aumento intermitente da aposentadoria de baterias são a reutilização , ,  e reciclagem . Na reutilização, baterias aposentadas são recondicionadas para aplicações como sistemas de armazenamento de energia conectados à rede , suprimentos de energia residencial e veículos de baixa velocidade. No entanto, a reutilização requer pré-tratamentos preliminares, incluindo triagem de consistência , classificação de capacidade e reagrupamento ,  para atender aos requisitos de aplicação . Apesar da iniciação de programas piloto , , , a ausência de padrões rigorosos para cenários de uso e vias de aposentadoria dificulta o uso racional da capacidade residual . A reciclagem utiliza alternativamente valores residuais de baterias aposentadas por extração de materiais ou reparo estrutural , , adequada para baterias aposentadas irreversivelmente degradadas. Comparada à pirometalurgia e hidrometalurgia , , a reciclagem direta se destaca pela lucratividade superior, menor consumo de energia e redução de emissões de carbono , , . Utilizando reposição de lítio e pós-processamento de materiais catódicos, a reciclagem direta alcança reparo eficiente da estrutura do material e restauração de desempenho . No entanto, o estado de saúde (SOH) determina o reagente químico necessário e as dosagens antecipadas de suplementação de lítio na formulação da estratégia de reciclagem direta , , . Dose insuficiente pode resultar em reparo incompleto, enquanto dose excessiva pode levar à geração de álcali residual na superfície do cátodo, deteriorando o desempenho da restauração , . Infelizmente, a recuperação de SOH requer caracterização invasiva de materiais ,  e testes de calibração de capacidade demorados; a aquisição de SOH não invasiva, rápida e sustentável permanece um desafio pendente. 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Para garantir informações consistentes de SOH, as baterias de VEs são monitoradas e os dados operacionais são registrados por plataformas em nuvem e passaportes de bateria . O Parlamento Europeu adotou a Diretiva de Baterias em 14 de junho de 2023, para garantir que as baterias aposentadas possam ser reutilizadas, recondicionadas ou recicladas ao final de sua vida útil . No entanto, o procedimento de monitoramento e registro exigido é meramente acessível na fase de serviço do VE; as baterias aposentadas não estão mais conectadas à unidade de monitoramento do veículo. Assim, é desafiador recuperar dados de SOH disponíveis em campo. A integridade dos dados de vida útil continua sendo um grande desafio, exigindo a estimativa de SOH usando apenas dados de campo, em oposição a dados históricos ou sob condições controláveis , , . Uma solução é realizar um teste de calibração de capacidade no campo de coleta de baterias aposentadas, ou seja, condicionamento de estado de carga (SOC), que é simples, mas requer tempo de teste inestimável e custos extras de eletricidade. O teste de caracterização de pulso de potência híbrida é uma alternativa para estimativa de SOH por injeção de pulso dinâmico, mas a sequência completa do teste leva mais de 12 horas. Tao et al. utilizaram pulsos curtos para estimativa de SOH de baterias aposentadas, assumindo que um condicionamento de SOC para 5% de SOC foi realizado, o que era mal compatível com condições aleatórias de SOC de aposentadoria . Avanços recentes em medições baseadas em sensores incluem imagem de raio-X , impedância eletroquímica , , sensoriamento por fibra óptica , , sensoriamento acústico , , carga parcial , e injeção de pulso , . Técnicas baseadas em sensoriamento estão em fase laboratorial devido à invasividade, enquanto a injeção de pulso apresenta a vantagem de determinar a degradação da bateria sem danos físicos, sendo simultaneamente mais rápida do que métodos de carga parcial e de impedância eletroquímica , , , , , . No entanto, a injeção de pulso é um método centrado em dados que só é viável sob a suposição ideal de que os dados medidos fisicamente englobam as condições de aposentadoria da fase de implantação do modelo, conhecida como o desafio comum de desvio de domínio na comunidade de aprendizado de máquina. Apesar dos avanços em métodos de aprendizado de transferência e adaptação de domínio , , , desafios persistem, pois o domínio alvo a ser alinhado ainda requer informações prévias sobre a implantação, e os métodos de aprendizado existentes dificilmente podem ser atualizados para condições aleatórias de aposentadoria . Uma alternativa é expandir a escala de teste de dados sob condições de aposentadoria inexploradas para mitigar a escassez e heterogeneidade de dados, embora isso possa levar a custos aumentados. Wang et al. propuseram um método de escavação de temperatura para interpolar preferências cinéticas de reação em diferentes estados intermediários durante um processo termoquímico, permitindo a construção de extensos bancos de dados de treinamento em escala e custo experimental termoquímico mínimos como aumento de dados para treinamento de modelos de aprendizado de máquina . Além disso, o aprendizado generativo também demonstra as possibilidades de estimar SOH com dados aumentados de perfis parcialmente ciclocados, economizando dados fisicamente testados necessários , . No entanto, a escassez e heterogeneidade de dados no contexto de reutilização e reciclagem de baterias são ainda mais complexas devido a uma mistura de tipos de materiais catódicos, formatos físicos, projetos de capacidade e usos históricos, restringindo a integração potencial de conhecimento específico de condições de degradação em modelos de aprendizado de máquina. Assim, é razoável considerar a relação de dependência entre as condições de aposentadoria e as respostas de tensão de pulso para geração de dados, sem impor longas calibrações de capacidade em séries temporais e experimentos físicos extras simultaneamente, para impulsionar o desempenho da estimativa de SOH. 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 Neste estudo, realizamos pré-tratamento de baterias aposentadas, ou seja, estimativa de SOH, usando dados de resposta de tensão de pulso gerados por um autoencoder variacional atencional em tempo e custo de medição física salvos. O processo de alto nível das etapas gerais de pré-tratamento, treinamento do modelo generativo e etapas práticas de implantação do modelo são ilustrados na Figura  . A ideia da pesquisa é usar aprendizado generativo para explorar dados já medidos para a exploração de respostas de tensão de pulso em condições contínuas de aposentadoria, ou seja, distribuição de SOC no estágio de coleta de baterias aposentadas. A estimativa de SOH downstream é implementada sem dados de resposta de pulso medidos fisicamente, economizando custos de eletricidade de pré-tratamento e emissões de carbono que seriam exigidos pelo condicionamento do SOC para o nível antecipado. Comparado com o método de integração ampère-hora e a injeção de pulso de aprendizado de máquina, o aprendizado generativo enfatiza uma velocidade de geração mais rápida e estimativa precisa. Com dados gerados, um regressor simples estima com sucesso o SOH com baixo erro sob condições de aposentadoria de SOC não vistas ou inacessíveis no banco de dados, um problema desafiador de distribuição fora de distribuição (OOD). O problema de OOD é resolvido aprendendo o padrão físico herdado entre a condição de SOC e a resposta de tensão induzida pelo pulso rápido. Demonstramos a generalidade do nosso método verificando através de 2700 amostras medidas fisicamente, abrangendo 3 tipos de materiais catódicos, 3 formatos físicos, 4 projetos de capacidade e 4 usos históricos (1 envelhecimento acelerado em laboratório, 1 condução pura de VE de bateria e 2 modos de condução de VE híbrido). O aprendizado generativo se adapta à interpolação e extrapolação ao integrar conhecimento prévio de condições de aposentadoria no dimensionamento do espaço latente dos parâmetros do modelo, economizando tempo de medição, custos de eletricidade e emissões de carbono subsequentes sem comprometer a precisão da estimativa de SOH. Um estudo de caso global conservador de aposentadoria de baterias em 2030 destaca a importância da estimativa de SOH rápida e sustentável nas circunstâncias de reciclagem pirometalúrgica, hidrometalúrgica e direta. Através de análise técnico-econômica, a estimativa de SOH assistida por aprendizado generativo poderia economizar US$ 4,9 bilhões em custos de eletricidade e 35,8 bilhões de kg de emissões de CO2 até 2030 globalmente. Discutimos a interpretabilidade do modelo, as implicações do pré-tratamento de reciclagem e aspectos mais amplos das futuras direções de pré-tratamento de reciclagem inteligente integradas com aprendizado de máquina. 1    As etapas de pré-tratamento de baterias aposentadas incluem condicionamento de SOC, medições físicas, aprendizado de máquina para diagnóstico de SOH e processo de tomada de decisão de segunda vida antes da reutilização ou reciclagem. O condicionamento de SOC refere-se ao ajuste dos valores de SOC das baterias aposentadas para níveis desejados usando o método tradicional de corrente constante e tensão constante (CCCV).   O esquema do autoencoder variacional atencional para geração de dados de resposta de tensão de pulso.   O uso prático do modelo de geração de dados para estimativa de SOH não requer condicionamento extra de SOC. O modelo de aprendizado de máquina treinado é supervisionado pelos dados gerados e recebe respostas de tensão de pulso imediatas ao estar na fase de implantação.   Os benefícios econômicos e ambientais e a velocidade de geração rápida de nossa metodologia de aprendizado generativo, economizando custos de condicionamento de SOC no cenário global de aposentadoria de baterias em 2030. a b c d Resultados Aquisição de conjunto de dados A escassez e heterogeneidade de dados são os principais desafios no diagnóstico e prognóstico de baterias orientados por dados, especialmente para baterias aposentadas. Coletamos 2700 amostras de 270 baterias fisicamente aposentadas em amplos níveis de SOC, ou seja, de 5% a 50% com um passo de 5%. Na Figura  , o conjunto de dados abrange 3 tipos de materiais catódicos predominantes, incluindo 119 baterias aposentadas de NMC (óxido de níquel, manganês e cobalto) coletadas fisicamente, 56 de LFP (fosfato de ferro e lítio) e 95 de LMO (óxido de lítio e manganês), cobrindo 3 formatos físicos (cilíndrico, bolsa, prismático) e 4 padrões de uso histórico (1 teste acelerado em laboratório, 3 usos de VE, incluindo 1 modo de trem de força puramente eletrificado e 2 modos de trem de força híbrido). Enfatizamos que a inclusão de amostras de teste altamente heterogêneas torna nosso conjunto de dados o maior conjunto de dados de pulso rápido para estimativa de SOH de baterias aposentadas até o momento, facilitando a generalidade do modelo além dos conjuntos de dados medidos fisicamente. 2a    O gráfico de Sankey para distribuição de baterias aposentadas, compreende tipos de materiais catódicos, formatos físicos, projetos de capacidade e usos históricos.   Corrente de pulso e a resposta de tensão subsequente das baterias aposentadas, onde as características são extraídas dos pontos de inflexão, ou seja, os pontos com segunda derivada zero da curva de resposta de tensão. Os 21 pontos de característica, de U1 a U21, são extraídos. A frequência de gravação para os dados brutos é de 100 Hz. O tempo de repouso é de 25 segundos entre cada pulso em taxa C. Note que o termo C representa a taxa de carga (descarga) quando uma carga (descarga) de 1 hora é realizada. A temperatura ambiente é controlada a 25°C.   A distribuição de estado de saúde (SOH) (ajuste Gaussiano) das baterias aposentadas de 2,1 Ah e 21 Ah para ilustração, respectivamente. Para a distribuição de SOH de outros tipos de baterias, consulte a Figura Suplementar  .   A relação entre a resposta de tensão de pulso medida e o SOH calibrado por teste de calibração de capacidade, com condições de estado de carga (SOC) variadas. A primeira dimensão de característica, U1, é ilustrada.   Ilustração do caso de geração de dados de interpolação e extrapolação sob diferentes distribuições de SOC de aposentadoria de bateria. As configurações detalhadas de teste estão nas  e  , observando que a configuração da taxa C é idêntica entre os tipos de materiais catódicos. Os dados de origem são fornecidos como um arquivo de dados de origem. a b c 1 d e Notas Suplementares 1 2 Em contraste com o teste constante de corrente e tensão (CCCV) regular, o teste de pulso não causa tempo de teste longo e danos extras às baterias aposentadas. Portanto, usamos os resultados de CCCV como valores de capacidade de referência para SOH. Os dados do teste de pulso são usados como dados de treinamento para o modelo de aprendizado generativo. Mesmo que o tipo de material catódico da bateria varie, realizamos uma engenharia de características padronizada e acessível, garantindo compatibilidade no uso prático. A Figura   demonstra a extração de características após a injeção de corrente de pulso. As configurações experimentais de CCCV e injeção de pulso podem ser encontradas na Nota Suplementar  . Para os primeiros cinco pulsos injetados, os pontos de inflexão, ou seja, os pontos com segunda derivada zero das respostas de tensão, são registrados como características, resultando em características de 21 dimensões. Apesar do tempo de pulso em nível de 5 segundos, também realizamos medição de sensibilidade na largura do pulso com o duplo objetivo de verificar a robustez do pulso e encurtar ainda mais o tempo de teste, variando de 30 ms a 5 s. 2b 1 Consideramos o envelhecimento acelerado em testes de laboratório (Nota Suplementar  ) e o envelhecimento real de condução de VE, embora agnóstico aos perfis de condução explícitos devido a restrições de privacidade de dados. Na Figura  , a distribuição de SOH de baterias de envelhecimento acelerado (NMC, 2,1 Ah) e baterias de envelhecimento de condução de VE (NMC, 21 Ah) são ilustradas. Notando que os valores de SOH são complementares em uma ampla região de SOH, de 0,6 a 1, os dados coletados são representativos de cenários de aposentadoria de baterias, também com casos de aposentadoria precoce extrema. As distribuições de SOH de outras baterias coletadas (LMO, 10 Ah e LFP 35 Ah) cobrem uma ampla distribuição de SOH, veja a Figura Suplementar  . Os testes de pulso são repetidos em diferentes níveis de SOC, variando de 5% a 50%, para simular a aleatoriedade da coleta de baterias aposentadas. A região de SOC testada está sob a suposição de que as baterias aposentadas exibem baixo SOC ou estão sujeitas a descarga compulsória para requisitos de armazenamento seguro em armazéns, portanto, o limite superior de SOC é definido em 50%. Na Figura  , a primeira dimensão das características extraídas de baterias de envelhecimento acelerado (NMC, 2,1 Ah) e baterias de envelhecimento de condução de VE (NMC, 21 Ah) são ilustradas. Apesar das diferenças em projetos de capacidade e usos históricos, as respostas de tensão de pulso exibem um padrão de degradação consistente, assim como outras baterias aposentadas para outras dimensões de características 2 2c 1 2d

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Este áudio é produzido no idioma original da história!

IA Generativa Potencializa a Reutilização Sustentável de Baterias de Íons de Lítio Aposentadas

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

State of the Noonion: Green Clock Strikes Noon

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

State of the Noonion: Green Clock Strikes Noon

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps