```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Šengju Tao Ruifej Ma Ziksi Zhao Guangjuan Ma Lin Su Heng Čang Juou Čen Hajdžou Liu Dženg Liang Tingvej Kao Haočeng Dži Džijuan Han Minjan Lu Huiksiong Jang Zongguo Ven Džijanhua Jao Rong Ju Guodan Vej Jang Li Sjuan Džang Tingjang Xu Guangmin Džou Sažetak Brza i tačna procena stanja zdravlja (SOH) penzionisanih baterija je ključna pretretman za ponovnu upotrebu i reciklažu. Međutim, metode zasnovane na podacima zahtevaju iscrpno prikupljanje podataka pod nasumičnim uslovima penzionisanja SOH i stanja napunjenosti (SOC). Ovde pokazujemo da je procena SOH potpomognuta generativnim učenjem obećavajuća u ublažavanju problema nestašice podataka i heterogenosti, potvrđena kroz skup podataka o ubrizgavanju impulsa od 2700 penzionisanih uzoraka litijum-jonskih baterija, koji pokrivaju 3 tipa katodnog materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 istorijska korišćenja sa 10 nivoa SOC. Koristeći generisane podatke, regresor ostvaruje tačne procene SOH, sa prosečnim apsolutnim procentualnim greškama ispod 6% pod neviđenim SOC-om. Predviđamo da bi, uz pretpostavku uniformnog usvajanja predloženog pristupa, ovo uštedelo 4,9 milijardi USD u troškovima električne energije i 35,8 milijardi kg CO2 emisija ublažavanjem troškova prikupljanja podataka za svetski scenario penzionisanja baterija 2030. godine. Ovaj članak ističe korišćenje ograničenih podataka za istraživanje proširenog prostora podataka korišćenjem generativnih metoda, s obzirom da prikupljanje podataka može biti dugotrajno, skupo i zagađujuće za mnoge zadatke procene i predviđanja. Uvod Elektrifikacija transporta, ključni sektor u energetskoj tranziciji sa niskim sadržajem ugljenika , bez presedana je preoblikovala transportnu paradigmu zasnovanu na fosilnim gorivima. Litijum-jonske baterije su vitalne za ovu tranziciju obezbeđujući pristupačne, trajne i sigurne energetske snabdevanje za električna vozila (EV) , . Ukupan kapacitet EV baterija u upotrebi i na kraju životnog veka premašiće 32–62 teravat-sata do 2050. godine, znatno više od procene u scenarijima Međunarodne agencije za obnovljivu energiju i Laboratorije za skladištenje . Međutim, penzionisane EV baterije su strogo regulisane sa ogromnom preostalom vrednošću kapaciteta nedovoljno iskorišćenom, tipično preko 80% nominalnog kapaciteta , . Ako se ne rukuje pravilno, to dovodi do ekonomskih tereta  za proizvođače i korisnike, kao i naknadnih ekoloških i društvenih problema , uključujući rasipanje resursa, rizike u lancu snabdevanja i emisije ugljenika , , . 1 2 3 4 5 6 7 8 9 10 11 Obećavajuće strategije za rešavanje problema zabrinutosti u vezi sa povremenim naglim povećanjem penzionisanja baterija su ponovna upotreba , ,  i reciklaža . U ponovnoj upotrebi, penzionisane baterije se prenamene za primene kao što su sistemi za skladištenje energije povezani na mrežu , stambena napajanja , i vozila male brzine. Međutim, ponovna upotreba zahteva preliminarno pred-tretmane, uključujući proveru konzistentnosti , sortiranje kapaciteta , i pregrupiranje ,  kako bi se zadovoljili zahtevi primene . Uprkos pokretanju pilot programa , , , odsustvo strogih standarda za scenarije upotrebe i puteve penzionisanja otežava racionalnu upotrebu preostalog kapaciteta . Reciklaža alternativno koristi preostale vrednosti penzionisanih baterija ekstrakcijom materijala ili popravkom strukture , , pogodno za nepovratno degradirane penzionisane baterije. U poređenju sa pirometallurgijom i hidrometalurgijom , , direktna reciklaža ističe se superiornom profitabilnošću, manjom potrošnjom energije i smanjenim emisijama ugljenika , , . Korišćenjem dopune litijuma i post-tretmana katodnih materijala, direktna reciklaža postiže efikasnu popravku strukture materijala i obnavljanje performansi . Međutim, stanje zdravlja (SOH) određuje potrebni hemijski reagens i očekivane doze dopune litijuma u formulacijama strategija direktne reciklaže , , . Nedovoljna doza može rezultirati nepotpunom popravkom, dok prekomerna doza može dovesti do stvaranja zaostalog alkalija na površini katode, pogoršavajući performanse obnavljanja , . Nažalost, pronalaženje SOH-a zahteva invazivnu karakterizaciju materijala ,  i dugotrajne testove kalibracije kapaciteta, a neinvazivno, brzo i održivo sticanje SOH-a ostaje izvanredan izazov. 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 Da bi se osigurale konzistentne SOH informacije, EV baterije se prate, a operativni podaci se snimaju putem cloud platformi  i pasoša baterija . Evropski parlament je 14. juna 2023. godine usvojio Direktivu o baterijama kako bi osigurao da se penzionisane baterije mogu ponovo koristiti, obnoviti ili reciklirati na kraju životnog veka . Međutim, zahtevani postupak praćenja i snimanja je samo dostupan u fazi korišćenja EV-a, penzionisane baterije više nisu povezane sa jedinicom za praćenje u vozilu. Stoga je teško povratiti podatke SOH dostupne na terenu. Integritet podataka o životnom veku ostaje glavni izazov, što zahteva procenu SOH-a korišćenjem samo terenskih podataka, za razliku od istorijskih podataka ili pod kontrolisanim uslovima , , . Jedno rešenje je izvođenje testa kalibracije kapaciteta na terenu za prikupljanje penzionisanih baterija, tj. usklađivanje stanja napunjenosti (SOC), što je jednostavno, međutim, zahteva neprihvatljivo vreme testiranja i dodatne troškove električne energije. Test karakterizacije hibridnim impulsnim napajanjem je alternativa za procenu SOH-a dinamičkim ubrizgavanjem impulsa, ali potpuni niz testova traje preko 12 sati. Tao i saradnici su koristili kratke impulse za procenu SOH-a penzionisanih baterija, pod pretpostavkom da je izvršeno usklađivanje SOC-a do 5% SOC-a, što je jedva kompatibilno sa nasumičnim uslovima penzionisanja SOC-a . Najnovija dostignuća u senzorskim merenjima uključuju X-zračno snimanje , elektrohemijsku impedansu , , senzore optičkih vlakana , , senzore zvuka , , delimično punjenje , , i ubrizgavanje impulsa , . Senzorske metode su u laboratorijskoj fazi zbog invazivnosti, dok ubrizgavanje impulsa karakteriše razdvajanje degradacije baterije bez fizičkog oštećenja, istovremeno brže od metoda delimičnog punjenja i elektrohemijske impedanse , , , , , . Međutim, ubrizgavanje impulsa je metoda zasnovana na podacima koja je izvodljiva samo pod idealnom pretpostavkom da izmereni podaci obuhvataju uslove penzionisanja faze primene modela, poznato kao uobičajeni izazov domenskog pomaka u zajednici mašinskog učenja. Uprkos napretku u metodama transfernog učenja i prilagođavanja domena , , , izazovi ostaju jer ciljni domen za poravnavanje još uvek zahteva prethodne informacije nakon primene, a postojeće metode učenja se teško ažuriraju za nasumične uslove penzionisanja . Alternativa je proširenje obima testiranja podataka pod neistraženim uslovima penzionisanja radi ublažavanja nestašice podataka i heterogenosti, iako to može dovesti do povećanih troškova. Vang i saradnici su predložili metodu iskopavanja temperature za interpolaciju preferencija kinetike reakcije u različitim intermedijernim stanjima tokom termohhemijskog procesa, omogućavajući konstrukciju opsežnih baza podataka za obuku pri minimalnom obimu termohhemijskih eksperimenata i troškova kao proširenje podataka za obuku modela mašinskog učenja . Osim toga, generativno učenje takođe pokazuje mogućnosti procene SOH-a sa proširenim podacima iz delimično cikliranih profila, štedeći potrebne fizički testirane podatke , . Međutim, nestašica podataka i heterogenost u kontekstu ponovne upotrebe i reciklaže baterija su još složeniji zbog mešavine tipova katodnih materijala, fizičkih formata, dizajna kapaciteta i istorijskog korišćenja, ograničavajući potencijalnu integraciju znanja specifičnih za uslove degradacije u modele mašinskog učenja. Stoga je razumno razmotriti zavisnost između uslova penzionisanja i odziva impulsnog napona za generisanje podataka, ne namećući dugotrajnu kalibraciju kapaciteta vremenskih serija i dodatne fizičke eksperimente istovremeno, kako bi se poboljšale performanse procene SOH-a. 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 U ovoj studiji, vršimo pret-tretman penzionisane baterije, tj. procenu SOH-a, koristeći podatke o odzivu impulsnog napona generisane od strane autoenkodera sa pažnjom, uz uštedu vremena i troškova fizičkog merenja. Opšti proces koraka opšteg pret-tretmana, obuke generativnog modela i koraka praktične primene modela ilustrovan je na slici 1. Ideja istraživanja je da se koristi generativno učenje za iskorišćavanje već izmerenih podataka za istraživanje odziva impulsnog napona u kontinuiranim uslovima penzionisanja, tj. distribucije SOC-a u fazi prikupljanja penzionisanih baterija. Naknadna procena SOH-a implementira se bez fizički izmerenih podataka o odzivu impulsa, čime se štede troškovi pret-tretmana električnom energijom i emisije ugljenika koje bi inače bile potrebne za usklađivanje SOC-a do očekivanog nivoa. U poređenju sa metodom integrala amperskog-sata i mašinskim učenjem sa ubrizgavanjem impulsa, generativno učenje ističe bržu brzinu generisanja i tačnu procenu. Sa generisanim podacima, jednostavan regresor uspešno procenjuje SOH sa niskom greškom pod neviđenim ili nedostupnim uslovima penzionisanja SOC-a u bazi podataka, što je izazovan problem van distribucije (OOD). Problem OOD se rešava učenjem nasleđene fizičke šeme između SOC stanja i odziva napona izazvanog brzim impulsom. Demonstriramo opštost naše metode verifikacijom kroz 2700 fizički izmerenih uzoraka, koji pokrivaju 3 tipa katodnih materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 istorijska korišćenja (1 laboratorijski ubrzano starenje, 1 čista vožnja EV, i 2 vožnje hibridnog EV). Generativno učenje je pogodno za interpolaciju i ekstrapolaciju integrisanjem prethodnog znanja o uslovima penzionisanja u skaliranje latentnog prostora parametara modela, štedeći vreme merenja, troškove električne energije i posledične emisije ugljenika, a da pri tome ne ugrožava tačnost procene SOH-a. Konzervativna globalna studija slučaja penzionisanja baterija 2030. godine naglašava značaj brze i održive procene SOH-a u pirometalurškim, hidrometalurškim i direktnim reciklažnim okolnostima. Kroz tehničko-ekonomsku analizu, procena SOH-a potpomognuta generativnim učenjem mogla bi uštedeti 4,9 milijardi USD troškova električne energije i smanjiti 35,8 milijardi kg CO2 emisija do 2030. godine globalno. Razmatramo interpretativnost modela, implikacije pret-tretmana reciklaže, i šire aspekte budućih pametnih smernica za pret-tretman reciklaže integrisanih sa mašinskim učenjem.    Koraci pret-tretmana penzionisanih baterija uključuju usklađivanje SOC-a, fizička merenja, mašinsko učenje za dijagnozu SOH-a i proces donošenja odluka o drugom životu pre ponovne upotrebe ili reciklaže. Usklađivanje SOC-a se odnosi na podešavanje vrednosti SOC-a penzionisanih baterija na željene nivoe korišćenjem tradicionalne metode konstantne struje konstantnog napona (CCCV).   Šema autoenkodera sa pažnjom za generisanje podataka o odzivu impulsnog napona.   Praktična upotreba modela za generisanje podataka za procenu SOH-a ne zahteva dodatno usklađivanje SOC-a. Obučeni model mašinskog učenja nadgledan je generisanim podacima i prima trenutne odzive impulsnog napona kada je u fazi primene.   Ekonomske i ekološke koristi i brza brzina generisanja naše metodologije generativnog učenja uštedom troškova usklađivanja SOC-a u svetskom scenariju penzionisanja baterija 2030. godine. a b c d Rezultati Pribavljanje skupa podataka Nestašica podataka i heterogenost su glavni izazovi u dijagnostici i prognozi baterija zasnovanoj na podacima, posebno za penzionisane baterije. Prikupili smo 2700 uzoraka od 270 fizički penzionisanih baterija pod širokim nivoima SOC-a, tj. od 5% do 50% sa korakom od 5%. Na slici 2a, skup podataka pokriva 3 dominantna tipa katodnog materijala, uključujući 119 fizički prikupljenih NMC (nikl-mangan-kobalt oksid), 56 LFP (litijum-gvožđe-fosfat) i 95 LMO (litijum-mangan-oksid) penzionisanih baterija, pokrivajući 3 fizička formata (cilindrični, torbica, prizmatični) i 4 istorijska obrasca korišćenja (1 laboratorijski ubrzani test, 3 EV korišćenja, uključujući 1 čisti električni pogonski režim i 2 hibridna pogonska režima). Naglašavamo da uključivanje visoko heterogenih testnih uzoraka čini naš skup podataka najvećim skupom podataka zasnovanim na brzim impulsima za procenu SOH-a penzionisanih baterija do sada, olakšavajući opštost modela izvan fizički izmerenih skupova podataka.    Sankey dijagram za distribuciju penzionisanih baterija, obuhvata tipove katodnih materijala, fizičke formate, dizajne kapaciteta i istorijska korišćenja.   Impulsna struja i naknadni odziv napona penzionisanih baterija, gde se karakteristike izvlače iz prelomnih tačaka, tj. tačaka sa nultom drugom izvodnicom krive odziva napona. Ekstrahuje se 21 tačka karakteristika, od U1 do U21. Frekvencija snimanja sirovih podataka je 100 Hz. Vreme mirovanja je 25 sekundi između svakog impulsa u C-stopi. Napomena da C označava stopu punjenja (pražnjenja) kada se vrši punjenje (pražnjenje) od 1 h. Ambiijentalna temperatura se kontroliše na 25°C.   Distribucija stanja zdravlja (SOH) (Gaussova kriva) penzionisanih baterija od 2,1 Ah i 21 Ah za ilustraciju, respektivno. Za distribuciju SOH-a drugih tipova baterija, možete pogledati Dopunsku sliku 1.   Odnos između izmerenog odziva impulsnog napona i kalibrisanog SOH-a iz testa kalibracije kapaciteta, sa promenljivim uslovima stanja napunjenosti (SOC). Ilustrovana je prva dimenzija karakteristika, U1.   Ilustracija primera generisanja podataka interpolacije i ekstrapolacije pod različitim distribucijama SOC-a penzionisanih baterija. Detaljna podešavanja testiranja su u Dopunskim napomenama 1 i 2, pri čemu je podešavanje C-stope identično za sve tipove katodnih materijala. Izvorno podatke su obezbeđeni kao Source Data fajl. a b c d e Za razliku od redovnog testiranja konstantnom strujom i konstantnim naponom (CCCV), impulsni test ne nanosi dugo vreme testiranja i dodatnu štetu penzionisanim baterijama. Stoga koristimo CCCV rezultate kao referentne vrednosti kapaciteta za SOH. Podaci impulsnog testa koriste se kao podaci za obuku generativnog modela učenja. Čak i ako se tip katodnog materijala baterije menja, izvodimo standardizovano i pristupačno inženjerstvo karakteristika, osiguravajući kompatibilnost u praktičnoj upotrebi. Slika 2b pokazuje ekstrakciju karakteristika nakon ubrizgavanja impulsne struje. Eksperimentalna podešavanja CCCV i ubrizgavanja impulsa mogu se naći u Dopunskoj napomeni 1. Za prvih pet ubrizganih impulsa, prelomne tačke, tj. tačke sa nultom drugom izvodnicom odziva napona, beleže se kao karakteristike, što rezultira 21-dimenzionalnim karakteristikama. Uprkos vremenu impulsa na nivou od 5 sekundi, takođe vršimo merenje osetljivosti na širinu impulsa sa dvostrukim ciljem verifikacije robustnosti impulsa i daljeg skraćivanja vremena testiranja, u rasponu od 30 ms do 5 s. Razmatramo ubrzano starenje u laboratorijskim testovima (Dopunska napomena 2) i starenje u stvarnim vožnjama EV, iako apstrahovano od eksplicitnih profila vožnje zbog ograničenja privatnosti podataka. Na slici 2c, ilustrovana je distribucija SOH-a baterija sa ubrzanim starenjem (NMC, 2,1 Ah) i baterija sa starenjem u vožnji EV (NMC, 21 Ah). Napominju

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

Овај аудио је произведен на оригиналном језику приче!

Generativna veštačka inteligencija pokreće održivu ponovnu upotrebu penzionisanih litijum-jonskih baterija

About Author

КОМЕНТАРИ

ХАНГ ТАГС

ОВАЈ ЧЛАНАК ЈЕ ПРЕДСТАВЉЕН У

Related Stories

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps