```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Rýchle a presné odhadovanie stavu zdravia (SOH) vyradených batérií je kľúčovým predbežným ošetrením pre ich opätovné použitie a recykláciu. Metódy založené na dátach však vyžadujú vyčerpávajúcu kuráciu dát za náhodných podmienok vyradenia SOH a stavu nabitia (SOC). Tu ukazujeme, že odhadovanie SOH asistované generatívnym učením je sľubné pri zmierňovaní problémov s nedostatkom a heterogenitou dát, čo je overené cez dátovú sadu vstrekovania impulzov z 2700 vzoriek vyradených lítiovo-iónových batérií, pokrývajúcich 3 typy katódových materiálov, 3 fyzikálne formáty, 4 konštrukcie kapacity a 4 historické použitia s 10 úrovňami SOC. Pomocou generovaných dát regresor realizuje presné odhady SOH, s priemernými absolútnymi percentuálnymi chybami pod 6 % pri neznámom SOC. Predpokladáme, že za predpokladu jednotného nasadenia navrhovanej techniky by to ušetrilo 4,9 miliardy USD na nákladoch na elektrickú energiu a 35,8 miliardy kg emisií CO2 zmiernením nákladov na kuráciu dát pre globálny scenár vyradenia batérií v roku 2030. Tento článok zdôrazňuje využitie obmedzených dát na preskúmanie rozšíreného dátového priestoru pomocou generatívnych metód, vzhľadom na to, že získavanie dát môže byť časovo náročné, nákladné a znečisťujúce pre mnohé odhadovacie a prediktívne úlohy. Úvod Elektrifikácia dopravy, kľúčový sektor v prechode na nízkouhlíkovú energiu , bezprecedentne pretvorila energetický paradigmu dopravy založenú na fosílnych palivách. Lítium-iónové batérie sú pre tento prechod kľúčové tým, že poskytujú cenovo dostupné, odolné a bezpečné dodávky energie pre elektrické vozidlá (EV) , . Celková kapacita používaných a koncoročných batérií EV presiahne do roku 2050 32–62 terawattov, čo je výrazne viac ako odhad v scenároch Medzinárodnej agentúry pre obnoviteľnú energiu a Storage Lab . Vyradené batérie EV sú však prísne regulované s obrovskou nevyužitou hodnotou zostatkovej kapacity, zvyčajne viac ako 80 % menovitej kapacity , . Ak sa s nimi nebude správne zaobchádzať, povedie to k ekonomickým bremenám  pre výrobcov a používateľov, ako aj k následným environmentálnym a spoločenským problémom , vrátane plytvania zdrojmi, rizík v dodávateľskom reťazci a emisií uhlíka , , . 1 2 3 4 5 6 7 8 9 10 11 Sľubné stratégie na riešenie obáv týkajúcich sa prerušovaného nárastu vyraďovania batérií sú opätovné použitie , ,  a recyklácia . Pri opätovnom použití sa vyradené batérie prestavujú na aplikácie ako sú systémy na ukladanie energie pripojené k sieti , rezidenčné napájacie zdroje  a vozidlá s nízkou rýchlosťou. Opätovné použitie si však vyžaduje predbežné ošetrenie, vrátane skríningu konzistencie , triedenia kapacity  a preskupovania ,  na splnenie požiadaviek aplikácie . Napriek začatiu pilotných programov , , , absencia prísnych štandardov pre scenáre použitia a cesty vyraďovania bráni racionálnemu využitiu zostatkovej kapacity . Recyklácia alternatívne využíva zostatkové hodnoty vyradených batérií extrakciou materiálov alebo opravou konštrukcie , , vhodná pre nevratne degradované vyradené batérie. V porovnaní s pyrometalurgiou a hydrometalurgiou , , priame recyklovanie vyniká superiornou ziskovosťou, nižšou spotrebou energie a zníženými emisiami uhlíka , , . Využitím obnovy lítiom a post-procesingu katódových materiálov, priame recyklovanie dosahuje efektívnu opravu štruktúry materiálu a obnovu výkonu . Stav zdravia (SOH) však určuje potrebné chemické činidlo a predpokladané dávky dopĺňania lítiom pri formulácii stratégie priameho recyklovania , , . Nedostatočné dávkovanie môže viesť k nekompletnej oprave, zatiaľ čo nadmerné dávkovanie môže viesť k tvorbe zvyškového alkalického materiálu na povrchu katódy, čím sa zhorší výkon obnovy , . Nanešťastie, získanie SOH vyžaduje invazívnu charakterizáciu materiálu ,  a dlhé testy kalibrácie kapacity, pričom neinvazívne, rýchle a udržateľné získavanie SOH zostáva výzvou. 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 Na zabezpečenie konzistentných informácií o SOH sa batérie EV monitorujú a prevádzkové údaje zaznamenávajú cloudovými platformami  a pasmi batérií . Európsky parlament prijal smernicu o batériách 14. júna 2023, aby sa zabezpečilo, že vyradené batérie budú môcť byť na konci životnosti opätovne použité, repasované alebo recyklované . Požadovaný postup monitorovania a záznamu je však prístupný iba vo fáze servisu EV, vyradené batérie už nie sú pripojené k monitorovaciemu zariadeniu vo vozidle. Preto je náročné získať údaje SOH dostupné v teréne. Integrita údajov počas životnosti zostáva hlavnou výzvou, čo si vyžaduje odhad SOH iba pomocou terénnych údajov, na rozdiel od historických údajov alebo za kontrolovateľných podmienok , , . Jedným z riešení je vykonať test kalibrácie kapacity v teréne zberu vyradených batérií, t.j. kondicionovanie stavu nabitia (SOC), čo je priamočiare, avšak vyžaduje si neúnosný čas testovania a dodatočné náklady na elektrickú energiu. Hybridný pulzný charakterizačný test je alternatívou pre odhad SOH pomocou dynamického vstrekovania impulzov, ale kompletná testovacia sekvencia trvá viac ako 12 hodín. Tao et al. použili krátke impulzy na odhad SOH vyradených batérií za predpokladu, že bolo vykonané kondicionovanie SOC na 5 % SOC, čo bolo sotva kompatibilné s náhodnými podmienkami vyradenia SOC . Nedávne pokroky v senzorových meraniach zahŕňajú röntgenové zobrazovanie , elektrochemickú impedanciu , , optické vlákno , , akustické senzory , , čiastočné nabíjanie ,  a vstrekovanie impulzov , . Senzorové techniky sú v laboratórnej fáze kvôli invazívnosti, zatiaľ čo vstrekovanie impulzov predstavuje rozpletanie degradácie batérie bez fyzického poškodenia, súčasne rýchlejšie ako metódy čiastočného nabíjania a elektrochemickej impedancie , , , , , . Vstrekovanie impulzov je však dátovo orientovaná metóda, ktorá je realizovateľná iba za ideálneho predpokladu, že fyzicky namerané dáta pokrývajú podmienky vyradenia vo fáze nasadenia modelu, známe ako bežná výzva doménového posunu v komunite strojového učenia. Napriek pokrokom v metódach prenosového učenia a adaptácie domén , , , pretrvávajú výzvy, pretože cieľová doména na zarovnanie si stále vyžaduje predchádzajúce informácie pri nasadení a existujúce metódy učenia sa ťažko aktualizujú pre náhodné podmienky vyradenia . Alternatívou je rozšírenie škály testovania dát za nepreskúmaných podmienok vyradenia na zmiernenie nedostatku dát a heterogenity, hoci to môže viesť k zvýšeným nákladom. Wang et al. navrhli metódu teplotnej extrakcie na interpoláciu preferencií kinetiky reakcií pri rôznych medzistavoch počas termochemického procesu, čo umožňuje konštrukciu rozsiahlych tréningových databáz pri minimálnej škále a nákladoch na termochemické experimenty ako augmentáciu dát pre tréning modelu strojového učenia . Okrem toho, generatívne učenie tiež demonštruje možnosti odhadu SOH s augmentovanými dátami z čiastočne cyklovaných profilov, čím šetrí potrebné fyzicky testované údaje , . Avšak, nedostatok dát a heterogenita v kontexte opätovného použitia a recyklácie batérií je ešte zložitejšia kvôli zmesi typov katódových materiálov, fyzikálnych formátov, návrhov kapacity a historických použití, čo obmedzuje potenciálnu integráciu znalostí degradácie špecifických podmienok do modelov strojového učenia. Je preto rozumné zvážiť závislosť medzi podmienkami vyradenia a pulznými napäťovými odozvami pre generovanie dát, bez dlhých časových sérií kalibrácie kapacity a dodatočných fyzikálnych experimentov súčasne, na zvýšenie výkonnosti odhadu 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 V tejto štúdii vykonávame predbežné ošetrenie vyradených batérií, t.j. odhad SOH, pomocou dát pulznej napäťovej odozvy generovaných atentívnym variačným autoenkóderom pri ušetrenom čase a nákladoch na fyzické meranie. Vysokoúrovňový proces všeobecných krokov predbežného ošetrenia, tréningu generatívneho modelu a krokov praktického nasadenia modelu sú znázornené na Obr. 1. Hlavná myšlienka je použiť generatívne učenie na využitie už nameraných dát na preskúmanie pulzných napäťových odoziev v nepretržitých podmienkach vyradenia, t.j. distribúcie SOC v štádiu zberu vyradených batérií. Následný odhad SOH je implementovaný bez fyzicky nameraných dát pulznej odozvy, čím sa šetria náklady na predbežné ošetrenie elektrickou energiou a emisie uhlíka, ktoré by inak boli potrebné na kondicionovanie SOC na predpokladanú úroveň. V porovnaní s metódou ampér-hodinovej integrácie a pulzným vstrekovaním pomocou strojového učenia, generatívne učenie podčiarkuje rýchlejšiu rýchlosť generovania a presný odhad. S generovanými dátami, jednoduchý regresor úspešne odhaduje SOH s nízkou chybou za neznámych alebo nedostupných podmienok vyradenia SOC v databáze, čo je náročný problém mimo distribúcie (OOD). Problém OOD je vyriešený učením sa dedičného fyzikálneho vzoru medzi podmienkou SOC a napäťovou odozvou indukovanou rýchlym impulzom. Demonštrujeme zovšeobecniteľnosť našej metódy overením cez 2700 fyzicky nameraných vzoriek, pokrývajúcich 3 typy katódových materiálov, 3 fyzikálne formáty, 4 konštrukcie kapacity a 4 historické použitia (1 laboratórne akcelerované starnutie, 1 čisto elektrické jazdenie EV a 2 hybridné jazdenia EV). Generatívne učenie je vhodné pre interpoláciu a extrapoláciu integráciou predchádzajúcich znalostí o podmienkach vyradenia do škálovania latentného priestoru parametrov modelu, čím sa šetrí čas merania, náklady na elektrickú energiu a následné emisie uhlíka bez kompromisov v presnosti odhadu SOH. Konzervatívna globálna prípadová štúdia vyradenia batérií v roku 2030 zdôrazňuje význam rýchleho a udržateľného odhadu SOH v pyrometalurgických, hydrometalurgických a priamych recyklačných okolnostiach. Prostredníctvom technicko-ekonomickej analýzy by odhad SOH asistovaný generatívnym učením mohol do roku 2030 celosvetovo ušetriť 4,9 miliardy USD na nákladoch na elektrickú energiu a 35,8 miliárd kg emisií CO2. Diskutujeme o interpretovateľnosti modelu, dôsledkoch predbežného ošetrenia pri recyklácii a širších aspektoch budúcich smerov predbežného ošetrenia inteligentnej recyklácie integrovanej so strojovým učením.    Kroky predbežného ošetrenia vyradených batérií zahŕňajú kondicionovanie SOC, fyzikálne merania, strojové učenie pre diagnózu SOH a proces rozhodovania o druhom živote pred opätovným použitím alebo recykláciou. Kondicionovanie SOC sa vzťahuje na úpravu hodnôt SOC vyradených batérií na požadované úrovne pomocou tradičnej metódy konštantného prúdu a konštantného napätia (CCCV).   Schéma atentívneho variačného autoenkódera pre generovanie dát pulznej napäťovej odozvy.   Praktické použitie modelu generovania dát pre odhad SOH nevyžaduje dodatočné kondicionovanie SOC. Trénovaný model strojového učenia je supervízovaný generovanými dátami a prijíma okamžité pulzné napäťové odozvy, keď je v prevádzkovej fáze.   Ekonomické a environmentálne výhody a rýchla rýchlosť generovania našej metodiky generatívneho učenia úsporou nákladov na kondicionovanie SOC v globálnom scenári vyradenia batérií v roku 2030. a b c d Výsledky Získanie dátovej sady Nedostatok dát a heterogenita sú hlavnými výzvami v dátovo orientovanej diagnostike a prognostike batérií, najmä pre vyradené batérie. Zozbierali sme 2700 vzoriek z 270 fyzicky vyradených batérií v širokých rozsahoch SOC, t.j. od 5 % do 50 % s krokom 5 %. Na Obr. 2a, dátová sada pokrýva 3 prevládajúce typy katódových materiálov, vrátane 119 fyzicky zozbieraných batérií NMC (oxid nikel-mangán-kobaltu), 56 LFP (fosforečnan lítno-železitý) a 95 LMO (oxid lítno-mangánatý), pokrývajúc 3 fyzikálne formáty (valcový, púzdrový, hranolový) a 4 historické vzory použitia (1 laboratórny akcelerovaný test, 3 použitia EV vrátane 1 čisto elektrického pohonu a 2 hybridných pohonov). Zdôrazňujeme, že zahrnutie vysoko heterogénnych testovacích vzoriek robí našu dátovú sadu najväčšou dátovou sadou založenou na rýchlych impulzoch pre odhad SOH vyradených batérií až do súčasnosti, čím uľahčuje zovšeobecniteľnosť modelu mimo fyzicky nameraných dátových sád.    Sankeyho diagram pre distribúciu vyradených batérií, zahŕňa typy katódových materiálov, fyzikálne formáty, návrhy kapacity a historické použitia.   Pulzný prúd a následná napäťová odozva vyradených batérií, kde sa vlastnosti extrahujú z bodov obratu, t.j. bodov s nulovou druhou deriváciou krivky napäťovej odozvy. Extrahovaných je 21 bodov vlastností, od U1 do U21. Frekvencia záznamu surových dát je 100 Hz. Zvyšný čas medzi každým impulzom v C-rate je 25 sekúnd. Upozorňujeme, že C znamená náboj (vybitie), keď sa vykoná 1 h náboja (vybitia). Okolitá teplota je kontrolovaná na 25 .   Distribúcia stavu zdravia (SOH) (Gaussovský fit) vyradených batérií s kapacitou 2,1 Ah a 21 Ah na ilustráciu, resp. Pre distribúciu SOH iných typov batérií, pozri Dodatkový obrázok 1.   Vzťah medzi nameranou pulznou napäťovou odozvou a kalibrovaným SOH z testu kalibrácie kapacity, s meniacimi sa podmienkami stavu nabitia (SOC). Ilustrovaná je prvá dimenzia vlastností, U1.   Ilustrácia prípadu generovania dát pomocou interpolácie a extrapolácie za rôznych distribúcií SOC vyradených batérií. Podrobné nastavenia testovania sú v Poznámkach 1 a 2, pričom nastavenie C-rate je identické naprieč typmi katódových materiálov. Zdrojové dáta sú poskytnuté ako súbor Source Data. a b c d e Na rozdiel od bežného testovania CCCV, pulzný test nezaťažuje vyradené batérie dlhým testovacím časom a dodatočným poškodením. Preto používame výsledky CCCV ako benchmarkové hodnoty kapacity pre SOH. Dáta pulzného testu sa používajú ako tréningové dáta pre generatívny model učenia. Aj keď sa typ katódového materiálu batérie líši, vykonávame štandardizované a prístupné inžinierstvo vlastností, čím zabezpečujeme kompatibilitu v praktickom použití. Obrázok 2b demonštruje extrakciu vlastností po vstreknutí pulzného prúdu. Experimentálne nastavenia CCCV a vstrekovania impulzov nájdete v Dodatočnej poznámke 1. Pre prvých päť vstreknutých impulzov sa body obratu, t.j. body s nulovou druhou deriváciou napäťových odoziev, zaznamenávajú ako vlastnosti, čo vedie k 21-dimenzionálnym vlastnostiam. Napriek pulznému času v rozsahu 5 s, vykonávame aj meranie citlivosti na šírku impulzu s dvoma cieľmi

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

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

Generatívna umelá inteligencia poháňa udržateľné opätovné použitie vyradených lítiovo-iónových batérií

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

Mutmut: a Python mutation testing system

THE CRAB-SPIDER

When Blood Told

112 Stories To Learn About Hackernoon Community

Mutmut: a Python mutation testing system

THE CRAB-SPIDER

When Blood Told

112 Stories To Learn About Hackernoon Community

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps