```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 Sažetak Brza i tačna procena zdravstvenog stanja (SOH) penzionisanih baterija je ključni pretretman za ponovnu upotrebu i reciklažu. Međutim, metode zasnovane na podacima zahtevaju iscrpnu kuraciju podataka pod uslovima povlačenja sa nasumičnim SOH i stanjem napunjenosti (SOC). Ovde pokazujemo da je procena SOH potpomognuta generativnim učenjem obećavajuća u ublažavanju problema nedostatka podataka i heterogenosti, potvrđeno kroz skup podataka o ubrizgavanju impulsa od 2700 uzoraka penzionisanih litijum-jonskih baterija, koji pokriva 3 tipa katodnih 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. Predviđamo da bi, uz pretpostavku uniformnog uvođenja predloženih tehnika, ovo uštedelo 4,9 milijardi USD u troškovima električne energije i 35,8 milijardi kg CO2 emisija smanjenjem troškova kuracije podataka za globalni scenario povlačenja baterija 2030. godine. Ovaj članak ističe korišćenje ograničenih podataka za istraživanje proširenog prostora podataka pomoću 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 emisijama ugljenika , neuporedivo je preoblikovala paradigmsku transport zasnovan na fosilnim gorivima. Litijum-jonske baterije su vitalne za ovu tranziciju obezbeđujući pristupačne, trajne i sigurne energetske zalihe 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 procena u scenarijima Međunarodne agencije za obnovljivu energiju i Storage Laba . Međutim, povučene EV baterije su strogo regulisane sa ogromnom preostalom vrednošću kapaciteta koja se nedovoljno koristi, tipično preko 80% naznačenog kapaciteta , . Ako se ne rukuje pravilno, to dovodi do ekonomskih opterećenja  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 zabrinutosti u vezi sa povremenim naglim povlačenjem baterija su ponovna upotreba , ,  i reciklaža . U ponovnoj upotrebi, povučene 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-tretman, uključujući sortiranje konzistentnosti , sortiranje kapaciteta , i ponovno grupisanje ,  kako bi se zadovoljili zahtevi primene . Uprkos pokretanju pilot programa , , , odsustvo strogih standarda za scenarije upotrebe i puteve povlačenja otežava racionalno korišćenje zaostalog kapaciteta . Reciklaža alternativno koristi zaostale vrednosti povučenih baterija ekstrakcijom materijala ili popravkom strukture , , pogodno za nepovratno degradirane povučene baterije. U poređenju sa pirometalurgijom i hidrometalurgijom , , direktna reciklaža se ističe superiornom profitabilnošću, nižom potrošnjom energije i smanjenim emisijama ugljenika , , . Korišćenjem obnove litijuma i post-prerade katodnih materijala, direktna reciklaža postiže efikasnu popravku strukture materijala i vraćanje performansi . Međutim, zdravstveno stanje (SOH) određuje potrebne hemijske reagense i očekivane doze dopune litijuma u formulacijama strategija direktne reciklaže , , . Nedovoljna doza može rezultirati nepotpunom popravkom, dok prekomerna doza može dovesti do generisanja zaostalog alkalija na površini katode, pogoršavajući performanse oporavka , . Nažalost, povraćaj SOH zahteva invazivnu karakterizaciju materijala ,  i dugotrajne testove kalibracije kapaciteta, pri čemu neinvazivno, brzo i održivo sticanje SOH ostaje izuzetan 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 Radi obezbeđivanja doslednih SOH informacija, EV baterije se nadziru, a operativni podaci se snimaju putem cloud platformi  i pasoša baterija . Evropski parlament je 14. juna 2023. godine usvojio Direktivu o baterijama kako bi se osiguralo da se povučene baterije mogu ponovo koristiti, renovirati ili reciklirati na kraju životnog veka . Međutim, potrebna procedura nadzora i snimanja je samo dostupna u fazi korišćenja EV, a povučene baterije više nisu povezane sa nadzornom jedinicom u vozilu. Stoga je teško dobiti SOH podatke dostupne na terenu. Integritet podataka tokom životnog veka ostaje glavni izazov, zahtevajući procenu SOH samo korišćenjem terenskih podataka, nasuprot istorijskim podacima ili pod kontrolisanim uslovima , , . Jedno rešenje je obaviti test kalibracije kapaciteta na terenu za prikupljanje povučenih baterija, tj. kondicioniranje stanja napunjenosti (SOC), što je jednostavno, međutim, zahteva neprihvatljivo vreme testiranja i dodatne troškove električne energije. Test karakterizacije snage hibridnim impulsom je alternativa za procenu SOH dinamičkim ubrizgavanjem impulsa, ali kompletan niz testova traje preko 12 sati. Tao i saradnici su koristili kratke impulse za procenu SOH povučenih baterija, pretpostavljajući da je izvršeno kondicioniranje SOC do 5% SOC, što je jedva kompatibilno sa nasumičnim uslovima povlačenja SOC . Nedavna unapređenja senzorskih merenja uključuju rendgensko snimanje , elektrohemijsku impedansu , , senzore optičkih vlakana , , akustičke senzore , , delimično punjenje , , i ubrizgavanje impulsa , . Metodi zasnovani na senzorskim merenjima su u laboratorijskoj fazi zbog invazivnosti, dok ubrizgavanje impulsa karakteriše razdvajanje degradacije baterije bez fizičkog oštećenja, istovremeno brže od metoda zasnovanih na delimičnom punjenju i elektrohemijskoj impedansi , , , , , . Međutim, ubrizgavanje impulsa je metoda zasnovana na podacima koja je izvodljiva samo pod idealnom pretpostavkom da fizički izmereni podaci obuhvataju uslove povlačenja faze implementacije modela, poznato kao uobičajeni problem pomeranja domena u zajednici mašinskog učenja. Uprkos napretku u metodama transfernog učenja i adaptacije domena , , , izazovi i dalje postoje jer ciljni domen za usklađivanje još uvek zahteva prethodne informacije o implementaciji, a postojeće metode učenja teško se mogu ažurirati za nasumične uslove povlačenja . Alternativa je proširenje skale testiranja podataka pod istraženim uslovima povlačenja kako bi se ublažio nedostatak podataka i heterogenost, iako to može dovesti do povećanih troškova. Wang i saradnici su predložili metodu iskopavanja temperature za interpolaciju preferencija kinetike reakcije u različitim među-stanjima tokom termohhemiskog procesa, omogućavajući konstrukciju opsežnih baza podataka za obuku uz minimalni obim termohhemsijskih eksperimenata i troškova kao proširenje podataka za obuku modela mašinskog učenja . Pored toga, generativno učenje takođe demonstrira mogućnosti procene SOH sa proširenim podacima iz delimično cikliranih profila, štedeći potrebne fizički testirane podatke , . Međutim, nedostatak podataka i heterogenost u kontekstu ponovne upotrebe i reciklaže baterija su još složeniji zbog mešavine tipova katodnih materijala, fizičkih formata, dizajna kapaciteta i istorijskih upotreba, ograničavajući potencijalnu integraciju znanja specifičnog za uslove degradacije u modele mašinskog učenja. Stoga je razumno razmotriti zavisnost između uslova povlačenja i odziva napona impulsa za generisanje podataka, bez dugotrajnog kalibrisanja kapaciteta i dodatnih fizičkih eksperimenata istovremeno, kako bi se poboljšale performanse procene 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 U ovoj studiji, izvodimo pred-tretman povučenih baterija, tj. procenu SOH, koristeći podatke o odzivu napona impulsa generisane autoenkoderom sa varijacionalnim mehanizmom pažnje uz uštedu vremena i troškova fizičkih merenja. Visoki nivo opštih koraka pred-tretmana, obuka generativnog modela i praktični koraci implementacije modela ilustrovani su na slici  . Ideja istraživanja je da se koristi generativno učenje za iskorišćavanje već izmerenih podataka za istraživanje odziva napona impulsa u kontinuiranim uslovima povlačenja, tj. rasporeda SOC u fazi prikupljanja povučenih baterija. Naredna procena SOH se implementira bez fizički izmerenih podataka o odzivu impulsa, čime se štedi električna energija za pred-tretman i emisije ugljenika koje bi inače bile potrebne za kondicioniranje SOC do očekivanog nivoa. U poređenju sa metodom integrala ampera-sata i mašinskim učenjem za ubrizgavanje impulsa, generativno učenje podvlači bržu brzinu generisanja i tačnu procenu. Sa generisanim podacima, jednostavan regresor uspešno procenjuje SOH sa niskom greškom pod neviđenim ili nedostupnim uslovima povlačenja SOC u bazi podataka, što je izazovan problem izvan distribucije (OOD). Problem OOD se rešava učenjem nasleđene fizičke šeme između stanja SOC i odziva napona izazvanog brzim impulsom. Demonstriramo generalnost naše metode verifikacijom kroz 2700 fizički izmerenih uzoraka, koji obuhvataju 3 tipa katodnog materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 istorijske upotrebe (1 laboratorijsko ubrzano starenje, 1 čisto električno vozilo, i 2 hibridna električna vozila). Generativno učenje je pogodno za interpolaciju i ekstrapolaciju integrisanjem prethodnog znanja o uslovima povlačenja u skaliranje latentnog prostora parametara modela, štedeći vreme merenja, troškove električne energije i posledične emisije ugljenika, a da pritom ne ugrožava tačnost procene SOH. Konzervativna globalna studija slučaja povlačenja baterija 2030. godine ističe značaj brze i održive procene SOH u pirometalurškim, hidrometalurškim i direktnim reciklažnim okolnostima. Kroz tehničko-ekonomsku analizu, procena SOH 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 pred-tretmana za reciklažu i šire aspekte budućih smernica za pametni pred-tretman za reciklažu integrisane sa mašinskim učenjem. 1    Koraci pred-tretmana penzionisanih baterija uključuju kondicioniranje SOC, fizička merenja, mašinsko učenje za dijagnozu SOH i proces donošenja odluka o drugom životu pre ponovne upotrebe ili reciklaže. Kondicioniranje SOC se odnosi na podešavanje vrednosti SOC penzionisanih baterija na željene nivoe korišćenjem tradicionalnog metoda konstantne struje i konstantnog napona (CCCV).   Šematski prikaz autoenkoder sa varijacijskim mehanizmom pažnje za generisanje podataka o odzivu napona impulsa.   Praktična upotreba modela generisanja podataka za procenu SOH ne zahteva dodatno kondicioniranje SOC. Obučeni model mašinskog učenja nadgleda generisane podatke i prima trenutne odzive napona impulsa kada je u fazi implementacije.   Ekonomski i ekološki benefiti i brza brzina generisanja naše metodologije generativnog učenja uštedom troškova kondicioniranja SOC u globalnom scenariju povlačenja baterija za 2030. godinu. a b c d Rezultati Pribavljanje skupa podataka Nedostatak podataka i heterogenost su glavni izazovi u dijagnostici i prognozi baterija zasnovanoj na podacima, posebno za penzionisane baterije. Sakupili smo 2700 uzoraka od 270 fizički penzionisanih baterija iz širokog opsega SOC nivoa, tj. od 5% do 50% sa korakom od 5%. Na slici  , skup podataka obuhvata 3 preovlađujuća tipa katodnih materijala, uključujući 119 fizički prikupljenih NMC (nikal-mangan-kobalt oksid), 56 LFP (litijum-gvozdeni fosfat) i 95 LMO (litijum-mangan oksid) penzionisanih baterija, koji pokrivaju 3 fizička formata (cilindrični, vrećasti, prizmatični) i 4 obrasca istorijske upotrebe (1 laboratorijski ubrzani test, 3 upotrebe EV, uključujući 1 režim čisto električnog pogona i 2 režima hibridnog pogona). Naglašavamo da je uključivanje visoko heterogenih testnih uzoraka naš skup podataka učinilo najvećim skupom podataka zasnovanim na brzom impulsu za procenu SOH penzionisanih baterija do danas, olakšavajući generalnost modela izvan fizički izmerenih skupova podataka. 2a    Sanki dijagram za raspodelu penzionisanih baterija, obuhvata tipove katodnih materijala, fizičke formate, dizajne kapaciteta i istorijsku upotrebu.   Impulsna struja i naknadni odziv napona penzionisanih baterija, gde se karakteristike izvlače iz prelomnih tačaka, tj. tačaka sa nultim drugim izvodom krive odziva napona. Izvučeno je 21 karakteristična tačka, od U1 do U21. Frekvencija snimanja sirovih podataka je 100 Hz. Vreme mirovanja je 25 sekundi između svakog impulsa u C-stopi. Napominjemo da C označava stopu punjenja (pražnjenja) kada se vrši punjenje (pražnjenje) od 1 sat. Temperatura okoline se kontroliše na 25 .   Raspodela stanja zdravlja (SOH) (Gausov fit) penzionisanih baterija od 2,1 Ah i 21 Ah za ilustraciju, respektivno. Za raspodelu SOH drugih tipova baterija, pogledajte Dopunsku sliku  .   Odnos između izmerenog odziva napona impulsa i kalibrisanog SOH iz testa kalibracije kapaciteta, sa promenljivim uslovima stanja napunjenosti (SOC). Ilustrovana je prva dimenzija karakteristika, U1.   Ilustracija slučaja generisanja podataka interpolacijom i ekstrapolacijom pod različitim raspodelama SOC penzionisanih baterija. Detaljna podešavanja testiranja nalaze se u   i  , napominjući da je C-stopa podešena identično za sve tipove katodnih materijala. Izvorno podaci su dati kao izvorna datoteka.  a b c 1 d e Dopunskim napomenama 1 2 Za razliku od redovnog testiranja konstantnom strujom i konstantnim naponom (CCCV), impulsni test ne nanosi dugotrajno vreme testiranja i dodatno oštećenje 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 tip katodnog materijala baterije varira, izvodimo standardizovano i pristupačno inženjerstvo karakteristika, obezbeđujući kompatibilnost u praktičnoj upotrebi. Slika   demonstrira ekstrakciju karakteristika nakon ubrizgavanja impulsne struje. Eksperimentalna podešavanja CCCV i impulsnog ubrizgavanja mogu se naći u Dopunskoj napomeni  . Za prvih pet ubrizganih impulsa, prelomne tačke, tj. tačke sa nultim drugim izvodom odziva napona, beleže se kao karakteristike, što rezultira 21-dimenzionalnim karakteristikama. U 2b 1

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 a website with React and Bulma

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

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

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

Building a website with React and Bulma

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

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps