
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstract Estimarea rapidă și precisă a stării de sănătate (SOH) a bateriilor scoase din uz este un pretratament crucial pentru reutilizare și reciclare. Cu toate acestea, metodele bazate pe date necesită o curatare exhaustivă a datelor în condiții aleatorii de pensionare SOH și stare de încărcare (SOC). Aici, arătăm că estimarea SOH asistată de învățarea generativă este promițătoare în ameliorarea provocărilor legate de lipsa datelor și eterogenitatea acestora, validată printr-un set de date de injecție de impulsuri de 2700 de mostre de baterii litiu-ion scoase din uz, acoperind 3 tipuri de materiale catodice, 3 formate fizice, 4 proiectări de capacitate și 4 utilizări istorice cu 10 niveluri SOC. Folosind date generate, un regresor realizează estimări precise ale SOH, cu erori procentuale absolute medii sub 6% în condiții SOC nevăzute. Predicționaam că, presupunând implementarea uniformă a tehnicii propuse, aceasta ar economisi 4,9 miliarde USD în costurile de electricitate și 35,8 miliarde kg de emisii de CO2 prin atenuarea costurilor de curatare a datelor pentru un scenariu global de pensionare a bateriilor din 2030. Acest articol subliniază valorificarea datelor limitate pentru explorarea spațiului extins de date utilizând metode generative, având în vedere că datele pot fi consumatoare de timp, costisitoare și poluante de obținut pentru multe sarcini de estimare și predictive. Introducere Electrificarea transporturilor, un sector critic în tranziția energetică cu emisii scăzute de carbon , a remodelat fără precedent paradigma transporturilor bazată pe combustibili fosili. Bateriile litiu-ion sunt vitale pentru această tranziție, oferind surse de energie accesibile, durabile și sigure pentru vehiculele electrice (VE) , . Capacitatea totală a bateriilor VE în uz și la sfârșitul ciclului de viață va depăși 32–62 terawați până în 2050, considerabil mai mare decât estimările din scenariile Agenției Internaționale pentru Energie Regenerabilă și Storage Lab . Cu toate acestea, bateriile VE scoase din uz sunt puternic reglementate, cu o valoare reziduală a capacității neexploatată, în mod obișnuit peste 80% din capacitatea nominală , . Dacă nu sunt gestionate corespunzător, aceasta duce la poveri economice  pentru producători și utilizatori, precum și la probleme sociale și de mediu ulterioare , inclusiv risipă de resurse, riscuri în lanțul de aprovizionare și emisii de carbon , , . 1 2 3 4 5 6 7 8 9 10 11 Strategiile promițătoare pentru a aborda preocupările legate de creșterea intermitentă a pensionării bateriilor sunt reutilizarea , ,  și reciclarea . În reutilizare, bateriile scoase din uz sunt refolosite pentru aplicații precum sistemele de stocare a energiei conectate la rețea , surse de alimentare rezidențiale și vehicule cu viteză redusă. Cu toate acestea, reutilizarea necesită pretratare preliminară, inclusiv screening de consistență , sortare a capacității și regrupare ,  pentru a îndeplini cerințele aplicației . În ciuda inițierii programelor pilot , , , absența unor standarde stricte pentru scenariile de utilizare și căile de pensionare împiedică utilizarea rațională a capacității reziduale . Reciclarea utilizează alternativ valorile reziduale ale bateriilor scoase din uz prin extragerea materialelor sau repararea structurală , , potrivită pentru bateriile degradate ireversibil scoase din uz. Comparativ cu pirometalurgia și hidrometalurgia , , reciclarea directă se remarcă prin profitabilitate superioară, consum redus de energie și emisii reduse de carbon , , . Valorificând replenish-ul de litiu și post-procesarea materialelor catodice, reciclarea directă realizează repararea eficientă a structurii materialelor și restaurarea performanței . Cu toate acestea, starea de sănătate (SOH) determină dozajul necesar de reactivi chimici și dozajele anticipate de suplimentare cu litiu în formulările strategiei de reciclare directă , , . Dozajul insuficient poate duce la o reparare incompletă, în timp ce dozajul excesiv poate duce la generarea de alcaline reziduale pe suprafața catodului, deteriorând performanța de restaurare , . Din păcate, recuperarea SOH necesită caracterizare invazivă a materialelor ,  și teste lungi de calibrare a capacității, achiziția SOH non-invazivă, rapidă și sustenabilă rămâne o provocare deosebită. 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 Pentru a asigura informații consistente despre SOH, bateriile VE sunt monitorizate, iar datele operaționale sunt înregistrate de platformele cloud și pașapoartele de baterii . Parlamentul European a adoptat Directiva privind Bateriile la 14 iunie 2023, pentru a se asigura că bateriile scoase din uz pot fi reutilizate, recondiționate sau reciclate la sfârșitul duratei de viață . Cu toate acestea, procedura necesară de monitorizare și înregistrare este accesibilă doar în faza de service a VE, bateriile scoase din uz nu mai sunt conectate la unitatea de monitorizare din vehicul. Astfel, este dificil de recuperat date SOH disponibile pe teren. Integritatea datelor de viață rămâne o provocare majoră, solicitând estimarea SOH doar folosind date de teren, opus datelor istorice sau în condiții controlabile , , . O soluție este efectuarea unui test de calibrare a capacității la locul de colectare a bateriilor scoase din uz, adică condiționarea SOC, care este simplă, dar necesită timp de testare neaccesibil și costuri suplimentare de electricitate. Testul de caracterizare a puterii pulsate hibride este o alternativă pentru estimarea SOH prin injecție dinamică de impulsuri, dar secvența completă de testare durează peste 12 ore. Tao și colab. au utilizat impulsuri scurte pentru estimarea SOH a bateriilor scoase din uz, presupunând că a fost efectuată o condiționare SOC la 5% SOC, ceea ce era greu compatibil cu condițiile aleatorii de pensionare SOC . Progresele recente în măsurătorile bazate pe senzori includ imagistica cu raze X , impedanța electrochimică , , senzori cu fibră optică , , senzori acustici , , încărcare parțială , și injecție de impulsuri , . Tehnicile bazate pe senzori sunt în stadiul de laborator datorită invaziei, în timp ce injecția de impulsuri prezintă posibilitatea de a descurca degradarea bateriei fără deteriorare fizică, simultan mai rapid decât metodele de încărcare parțială și cele bazate pe impedanță electrochimică , , , , , . Cu toate acestea, injecția de impulsuri este o metodă centrată pe date, fezabilă doar în ipoteza ideală că datele măsurate fizic cuprind condițiile de pensionare ale fazei de implementare a modelului, cunoscută sub denumirea de provocarea comună a deplasării domeniului în comunitatea de învățare automată. În ciuda avansurilor în metodele de transfer learning și adaptare de domeniu , , , provocările persistă, deoarece domeniul țintă de aliniere necesită în continuare informații prealabile la implementare, iar metodele de învățare existente pot fi greu actualizate pentru condițiile aleatorii de pensionare . O alternativă este extinderea scalei de testare a datelor în condiții de pensionare neexplorate pentru a atenua lipsa datelor și eterogenitatea, deși acest lucru poate duce la costuri crescute. Wang și colab. au propus o metodă de excavare a temperaturii pentru a interpola preferințele cinetice de reacție la diferite stări intermediare în timpul unui proces termochimic, permițând construirea unor baze de date extinse de antrenament la o scară experimentală și un cost minim de termochimie ca o augmentare a datelor pentru antrenarea modelelor de învățare automată . În plus, învățarea generativă demonstrează, de asemenea, posibilitățile de a estima SOH cu date augmentate din profiluri parțial ciclate, economisind datele fizice testate necesare , . Cu toate acestea, lipsa datelor și eterogenitatea în contextul reutilizării și reciclării bateriilor sunt și mai complexe datorită unui amestec de tipuri de materiale catodice, formate fizice, proiectări de capacitate și utilizări istorice, restrângând integrarea potențială a cunoștințelor specifice condițiilor de degradare în modelele de învățare automată. Astfel, este rezonabil să se ia în considerare dependența dintre condițiile de pensionare și răspunsurile la tensiunea pulsatorie pentru generarea datelor, fără a impune calibrare lungă a capacității pe serii temporale și experimente fizice suplimentare simultan, pentru a îmbunătăți performanța estimării 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 În acest studiu, efectuăm pretratarea bateriilor scoase din uz, adică estimarea SOH, utilizând datele de răspuns la tensiunea pulsatorie generate de un autoencoder variațional cu atenție, la un timp și cost de măsurare fizică economisit. Procesul de nivel înalt al etapelor generale de pretratare, antrenarea modelului generativ și etapele practice de implementare a modelului sunt ilustrate în Fig.  . Ideea de cercetare este de a utiliza învățarea generativă pentru a valorifica datele deja măsurate pentru explorarea răspunsurilor la tensiunea pulsatorie în condiții continue de pensionare, adică distribuția SOC în etapa de colectare a bateriilor scoase din uz. Estimarea SOH în aval este implementată fără date fizice de răspuns la puls, economisind costurile de electricitate de pretratare și emisiile de carbon necesare altfel pentru condiționarea SOC la nivelul anticipat. Comparativ cu metoda integrală amper-ora și injecția de impulsuri prin învățare automată, învățarea generativă subliniază o viteză de generare mai rapidă și o estimare precisă. Cu date generate, un regresor simplu estimează cu succes SOH cu eroare scăzută în condiții SOC nevăzute sau inaccesibile în baza de date, o problemă provocatoare de distribuție în afara domeniului (OOD). Problema OOD este rezolvată prin învățarea modelului fizic moștenit între condiția SOC și răspunsul la tensiune indus de impulsul rapid. Demonstrăm generalizabilitatea metodei noastre prin verificarea cu 2700 de mostre măsurate fizic, acoperind 3 tipuri de materiale catodice, 3 formate fizice, 4 proiectări de capacitate și 4 utilizări istorice (1 test de îmbătrânire accelerată în laborator, 3 utilizări VE, inclusiv 1 mod pur de condus electric și 2 moduri de condus hibrid). Învățarea generativă se potrivește interpolării și extrapolării prin integrarea cunoștințelor prealabile despre condițiile de pensionare în scalarea spațiului latent al parametrilor modelului, economisind timp de măsurare, costuri de electricitate și emisiile de carbon rezultate, fără a compromite acuratețea estimării SOH. Un studiu de caz global conservator al pensionării bateriilor în 2030 evidențiază semnificația estimării rapide și sustenabile a SOH în circumstanțele de reciclare pirometalurgică, hidrometalurgică și directă. Printr-o analiză tehnică-economică, estimarea SOH asistată de învățarea generativă ar putea economisi 4,9 miliarde USD în costurile de electricitate și 35,8 miliarde kg de emisii de CO2 până în 2030 la nivel mondial. Discutăm interpretabilitatea modelului, implicațiile pretratării pentru reciclare și aspecte mai largi ale direcțiilor viitoare de pretratare inteligentă pentru reciclare, integrate cu învățarea automată. 1    Etapele de pretratare a bateriilor scoase din uz includ condiționarea SOC, măsurători fizice, învățare automată pentru diagnosticul SOH și procesul de decizie pentru a doua viață înainte de reutilizare sau reciclare. Condiționarea SOC se referă la ajustarea valorilor SOC ale bateriilor scoase din uz la niveluri dorite utilizând metoda tradițională curent constant tensiune constantă (CCCV).   Schema autoencoderului variațional cu atenție pentru generarea datelor de răspuns la tensiunea pulsatorie.   Utilizarea practică a modelului de generare a datelor pentru estimarea SOH nu necesită condiționare SOC suplimentară. Modelul de învățare automată antrenat este supravegheat de datele generate și primește răspunsuri imediate la tensiunea pulsatorie atunci când este în faza de implementare.   Beneficiile economice și de mediu și viteza rapidă de generare a metodologiei noastre de învățare generativă prin economisirea costurilor de condiționare SOC în scenariul global de pensionare a bateriilor din 2030. a b c d Rezultate Achiziția setului de date Lipsa datelor și eterogenitatea sunt provocări majore în diagnosticul și prognosticul bateriilor bazate pe date, în special pentru bateriile scoase din uz. Am colectat 2700 de mostre de la 270 de baterii fizice scoase din uz, la niveluri largi de SOC, adică de la 5% la 50% cu un pas de 5%. În Fig.  , setul de date acoperă 3 tipuri predominante de materiale catodice, inclusiv 119 baterii fizic colectate NMC (oxid de nichel, mangan și cobalt), 56 LFP (fosfat de fier și litiu) și 95 LMO (oxid de mangan și litiu) scoase din uz, acoperind 3 formate fizice (cilindric, pungă, prismatic) și 4 modele de utilizare istorică (1 test accelerat în laborator, 3 utilizări VE, inclusiv 1 mod de propulsie pur electric și 2 moduri de propulsie hibridă). Subliniem că includerea de mostre de testare foarte heterogene face din setul nostru de date cel mai mare set de date bazat pe impulsuri rapide pentru estimarea SOH a bateriilor scoase din uz de până acum, facilitând generalizarea modelului dincolo de seturile de date măsurate fizic. 2a    Graficul Sankey pentru distribuția bateriilor scoase din uz, cuprinzând tipuri de materiale catodice, formate fizice, proiectări de capacitate și utilizări istorice.   Curentul pulsatoriu și răspunsul ulterior la tensiune al bateriilor scoase din uz, unde caracteristicile sunt extrase din punctele de inflexiune, adică punctele cu derivată de ordinul doi egală cu zero a curbei de răspuns la tensiune. Cele 21 de puncte caracteristice, de la U1 la U21, sunt extrase. Frecvența de înregistrare pentru datele brute este de 100 Hz. Timpul de repaus este de 25 secunde între fiecare impuls în rata C. Rețineți că termenul C denotă rata de încărcare (descărcare) atunci când se efectuează o încărcare (descărcare) de 1 oră. Temperatura ambientală este controlată la 25°C.   Distribuția stării de sănătate (SOH) (fit Gaussian) a bateriilor scoase din uz de 2,1 Ah și 21 Ah pentru ilustrare, respectiv. Pentru distribuția SOH a altor tipuri de baterii, se poate consulta Fig.   din Supliment.   Relația dintre răspunsul la tensiunea pulsatorie măsurat și SOH calibrat din testul de calibrare a capacității, cu condiții variate de stare de încărcare (SOC). Prima dimensiune a caracteristicii, U1, este ilustrată.   Ilustrarea cazului de generare de date de interpolare și extrapolere în diferite distribuții SOC ale bateriilor scoase din uz. Setările detaliate de testare se găsesc în Notele suplimentare   și  , notând că setarea ratei C este identică pentru toate tipurile de materiale catodice. Datele sursă sunt furnizate ca fișier Source Data. a b c 1 d e 1 2 Spre deosebire de testarea obișnuită curent constant tensiune constantă (CCCV), testul cu impulsuri nu impune un timp de testare lung și daune suplimentare bateriilor scoase din uz. Prin urmare, utilizăm rezultatele CCCV ca valori de referință ale capacității pentru SOH. Datele testului cu impulsuri sunt utilizate ca date de antrenament pentru modelul de învățare generativă. Chiar dacă tipul materialului catodic al bateriei variază, efectuăm o inginerie standardizată și accesibilă a caracteristicilor, asigurând compatibilitatea în utilizarea practică. Figura   demonstrează extragerea caracteristicilor după injecția de curent pulsatoriu. Setările experimentale CCCV și de injecție de impulsuri pot fi găsite în Nota suplimentară  . Pentru primele cinci impulsuri injectate, punctele de inflexiune, adică punctele cu derivată de ordinul doi egală cu zero a răspunsurilor la tensiune, sunt înregistrate ca caracteristici, rezultând caracteristici de 21 dimensiuni. Deși timpul de impuls este la nivel de 5 secunde, am efectuat și o măsurătoare de sensibilitate la lățimea impulsului cu scopul dual de a verifica robustețea impulsului și de a scurta în continuare timpul de testare, variind de la 30 ms la 5 s. 2b 1

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

Acest audio este produs în limba originală a poveștii!

Inteligența Artificială Generativă Facilitează Reutilizarea Durabilă a Bateriilor Litiu-Ion Retrase

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

The World is Finally Ready for a New Internet

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 2 Results 🎉

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

The World is Finally Ready for a New Internet

The Spacecoin Writing Contest by Spacecoin and HackerNoon: Round 2 Results 🎉

The TechBeat: Apple Customers Return Vision Pro By The Droves (2/26/2024)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps