
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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, os métodos orientados por dados requerem curadoria exaustiva de dados sob condições aleatórias de aposentadoria de SOH e estado de carga (SOC). Aqui, mostramos que a estimativa de SOH auxiliada por aprendizado generativo é promissora em aliviar os desafios de escassez e heterogeneidade de dados, validada por um conjunto de dados de injeção de pulso de 2700 amostras de baterias de íon de lítio aposentadas, cobrindo 3 tipos de materiais catódicos, 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% em 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 mundial 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 serem recuperados para muitas tarefas de estimativa e preditivas. Introdução A eletrificação do transporte, um setor crítico na transição energética de baixo carbono , remodelou sem precedentes o paradigma de transporte baseado em combustíveis fósseis. As baterias de íon de lítio são vitais para essa transição, fornecendo suprimento de energia acessível, durável e seguro para veículos elétricos (VEs) , . A capacidade total de baterias de VE em uso e no fim de vida útil ultrapassará 32–62 terawatts até 2050, consideravelmente maior do que a estimativa em cenários da Agência Internacional de Energia Renovável e do Storage Lab . No entanto, as baterias de VE aposentadas são fortemente regulamentadas com um enorme valor de capacidade restante subutilizado, tipicamente mais de 80% da capacidade nominal , . Se não forem manuseadas adequadamente, levam a encargos econômicos  para fabricantes e usuários, bem como a 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 com o aumento intermitente da aposentadoria de baterias são a reutilização , ,  e a reciclagem . Na reutilização, as baterias aposentadas são recondicionadas para aplicações como sistemas de armazenamento de energia conectados à rede , suprimentos de energia residenciais 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 da aplicação . Apesar do início de programas piloto , , , a ausência de padrões rigorosos para cenários de uso e caminhos de aposentadoria prejudica o uso racional da capacidade residual . A reciclagem, alternativamente, usa valores residuais de baterias aposentadas por meio de 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 das emissões de carbono , , . Aproveitando o reabastecimento de lítio e o pós-processamento de materiais catódicos, a reciclagem direta alcança reparo eficiente da estrutura do material e restauração do 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 , , . Dosagem insuficiente pode resultar em reparo incompleto, enquanto dosagem excessiva pode levar à geração de álcalis residuais na superfície do cátodo, deteriorando o desempenho da restauração , . Infelizmente, a recuperação do SOH requer caracterização invasiva do material ,  e testes longos de calibração de capacidade, a aquisição rápida, sustentável e não invasiva de SOH permanece um desafio notável. 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 VE 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 no final da vida útil . No entanto, o procedimento de monitoramento e registro exigido está 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 permanece um grande desafio, exigindo a estimativa de SOH usando apenas dados de campo, em oposição a dados históricos ou em condições controláveis , , . Uma solução é realizar um teste de calibração de capacidade no campo de coleta de baterias aposentadas, ou seja, condicionamento do estado de carga (SOC), o que é direto, no entanto, requer tempo de teste proibitivo 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 de testes 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% SOC foi realizado, o que era mal compatível com condições aleatórias de SOC de aposentadoria . Avanços recentes em medições baseadas em sensores incluem imagens de raios-X , impedância eletroquímica , , sensoriamento por fibra óptica , , sensoriamento acústico , , carga parcial , e injeção de pulso , . As técnicas baseadas em sensoriamento estão em estágio de laboratório devido à invasividade, enquanto a injeção de pulso apresenta a separação da degradação da bateria sem danos físicos, simultaneamente mais rápida do que métodos baseados em carga parcial e 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 abrangem as condições de aposentadoria da fase de implantação do modelo, conhecido 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 , , , persistem desafios, pois o domínio alvo a ser alinhado ainda requer informações prévias upon deployment, 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 a heterogeneidade de dados, embora isso possa levar a custos aumentados. Wang et al. propuseram um método de escavação de temperatura para interpolar preferências de cinética 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 mínimo 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 ciclilizados, economizando dados fisicamente testados necessários , . No entanto, a escassez e a 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 potencial integração de conhecimento específico da condição de degradações 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 série temporal e experimentos físicos adicionais 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 o pré-tratamento de baterias aposentadas, ou seja, a estimativa de SOH, usando dados de resposta de tensão de pulso gerados por um autoencoder variacional com atenção em um 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 Fig.  . A ideia da pesquisa é usar o 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 de outra forma exigidos pelo condicionamento do SOC para o nível antecipado. Em comparação com o método de integral de ampere-hora e a injeção de pulso de aprendizado de máquina, o aprendizado generativo destaca 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 fora da distribuição (OOD). O problema OOD é resolvido aprendendo o padrão físico herdado entre a condição de SOC e a resposta de tensão induzida pelo pulso rápido. Demonstramos a generalização de 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 direção pura de VE e 2 direções de VE híbridas). O aprendizado generativo se adequa à interpolação e extrapolação, integrando conhecimento prévio de condições de aposentadoria no espaço latente de escalonamento dos parâmetros do modelo, economizando tempo de medição, custos de eletricidade e emissões de carbono resultantes 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 rápida e sustentável de SOH em circunstâncias de reciclagem pirometalúrgica, hidrometalúrgica e direta. Através de análise técnico-econômica, a estimativa de SOH assistida por aprendizado generativo pode economizar US$ 4,9 bilhões em custos de eletricidade e 35,8 bilhões de kg de emissões de CO2 até 2030 em todo o mundo. Discutimos a interpretabilidade do modelo, implicações de 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 o 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 com atenção 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 de SOC adicional. O modelo de aprendizado de máquina treinado é supervisionado pelos dados gerados e recebe respostas de tensão de pulso imediatas quando na fase de implantação.   Os benefícios econômicos e ambientais e a velocidade de geração rápida de nossa metodologia de aprendizado generativo, salvando os custos de condicionamento de SOC no cenário global de aposentadoria de baterias de 2030. a b c d Resultados Aquisição de conjunto de dados A escassez e a heterogeneidade de dados são desafios importantes 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 grão de 5%. Na Fig.  , o conjunto de dados abrange 3 tipos de materiais catódicos predominantes, incluindo 119 baterias aposentadas NMC (óxido de níquel manganês cobalto) coletadas fisicamente, 56 LFP (fosfato de ferro e lítio) e 95 LMO (óxido de manganês e lítio), abrangendo 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 baseado em pulso rápido para estimativa de SOH de baterias aposentadas até o momento, facilitando a generalização do modelo além dos conjuntos de dados medidos fisicamente. 2a    O gráfico 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 virada, 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 descanso 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. .   A distribuição do 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 bateria, consulte a Figura Suplementar.  .   A relação entre a resposta de tensão de pulso medida e o SOH calibrado a partir do teste de calibração de capacidade, com condições de estado de carga (SOC) variáveis. A primeira dimensão da característica, U1, é ilustrada.   A ilustração do caso de geração de dados de interpolação e extrapolação sob diferentes distribuições de SOC de aposentadoria de baterias. Configurações detalhadas de teste estão nas Notas Suplementares.   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 1 2 Em contraste com os testes regulares de corrente constante e tensão constante (CCCV), o teste de pulso não inflige longo tempo de teste e danos extras às baterias aposentadas. Portanto, usamos os resultados do CCCV como valores de capacidade de referência para SOH. Os dados de 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 recursos padronizada e acessível, garantindo a compatibilidade no uso prático. A Figura   demonstra a extração de recursos 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 virada, ou seja, os pontos com segunda derivada zero das respostas de tensão, são registrados como recursos, resultando em recursos de 21 dimensões. Apesar do tempo de pulso no 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 envelhecimento acelerado em testes de laboratório (Nota Suplementar.  ) e envelhecimento real de direção de VE, embora agnóstico aos perfis de direção explícitos devido a restrições de privacidade de dados. Na Fig.  , a distribuição de SOH de baterias envelhecidas aceleradas (NMC, 2,1 Ah) e baterias envelhecidas de direção de VE (NMC, 21 Ah) são ilustradas. Observando 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 extremos de aposentadoria precoce. 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 armazém, portanto, o limite superior de SOC é definido em 50%. Na Fig.  , a primeira dimensão das características extraídas de baterias envelhecidas aceleradas (NMC, 2,1 Ah) e baterias envelhecidas de direção de VE (NMC, 21 Ah) são ilustradas. Apesar das diferenças nos projetos de capacidade e usos históricos, as respostas de tensão de pulso exibem um padrão de degradação consistente, e o mesmo ocorre com 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 Íon-Lítio Desativadas

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Navegando pelas águas: desenvolvendo aplicações RAG de nível de produção com data lakes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

De fóruns a feeds: como os algoritmos de mídia social moldam a interação digital

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps