
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Författare: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Snabb och korrekt uppskattning av hälsotillstånd (SOH) för kasserade batterier är en avgörande förbehandling för återanvändning och återvinning. Datalärda metoder kräver dock uttömmande datakuration under slumpmässiga SOH- och laddningsnivåer (SOC). Här visar vi att generativt lärande-assisterad SOH-uppskattning är lovande för att lindra utmaningar med databrist och heterogenitet, validerat genom ett pulsdataset av 2700 kasserade litiumjonbatteriprover, som täcker 3 katodmaterialtyper, 3 fysiska format, 4 kapacitetsdesigner och 4 historiska användningsområden med 10 SOC-nivåer. Med genererad data uppnår en regressionsmodell exakt SOH-uppskattning, med genomsnittliga absoluta procentfel under 6 % under okänd SOC. Vi förutsäger att om den föreslagna tekniken implementeras enhetligt skulle detta spara 4,9 miljarder USD i elkostnader och 35,8 miljarder kg CO2-utsläpp genom att minska datakostnaderna för ett globalt scenario för batterikassering 2030. Denna artikel belyser utnyttjandet av begränsad data för att utforska utökat datarymd med generativa metoder, givet att data kan vara tidskrävande, dyr och förorenande att hämta för många uppskattnings- och prediktiva uppgifter. Introduktion Transportelektrifiering, en kritisk sektor i en koldioxidsnål energiomställning , har omformat det fossilbränslebaserade transportparadigmet på ett oöverträffat sätt. Litiumjonbatterier är avgörande för denna övergång genom att tillhandahålla prisvärda, hållbara och säkra energiförsörjningar till elfordon (EV) , . Den totala kapaciteten hos EV-batterier i bruk och vid slutet av livslängden kommer att överstiga 32–62 terawatt per timme till 2050, betydligt högre än uppskattningarna i scenarier från International Renewable Energy Agency och Storage Lab . Kasserade EV-batterier är dock starkt reglerade med ett stort återstående värde som utnyttjas under, vanligtvis över 80 % av den nominella kapaciteten , . Om de inte hanteras korrekt leder det till ekonomiska bördor  för tillverkare och användare, samt efterföljande miljömässiga och samhälleliga problem , inklusive resursförluster, risker i leveranskedjan och koldioxidutsläpp , , . 1 2 3 4 5 6 7 8 9 10 11 Lovande strategier för att hantera bekymmer gällande den intermittenta ökningen av batterikassering är återanvändning , ,  och återvinning . Vid återanvändning omvandlas kasserade batterier för applikationer som nätanslutna energilagringssystem , bostadsströmtransformatorer , och långsamma fordon. Återanvändning kräver dock preliminära förbehandlingar, inklusive konsistenskontroll , kapacitetssortering , och omgruppering ,  för att uppfylla kraven för applikationen . Trots inledningen av pilotprogram , , , hindrar bristen på strikta standarder för användningsscenarier och kasseringsvägar den rationella användningen av den kvarvarande kapaciteten . Återvinning använder alternativt restvärden från kasserade batterier genom materialutvinning eller strukturell reparation , , lämpligt för irreversibelt degraderade kasserade batterier. Jämfört med pyrometallurgi och hydrometallurgi , , utmärker sig direkt återvinning för överlägsen lönsamhet, lägre energiförbrukning och minskade koldioxidutsläpp , , . Genom att utnyttja litiumpåfyllning och efterbehandling av katodmaterial uppnår direkt återvinning effektiv materialstrukturreparation och prestandaåterställning . Hälsotillståndet (SOH) bestämmer dock den nödvändiga kemiska reagens- och förväntade litiumtillskottsdoserna vid formulering av direkta återvinningsstrategier , , . Otillräcklig dosering kan leda till ofullständig reparation, medan överdriven dosering kan leda till generering av kvarvarande alkalisk på katodytan, vilket försämrar återställningsprestandan , . Tyvärr kräver SOH-återhämtning invasiv materialkarakterisering ,  och långa kapacitetskalibreringstester, och den icke-invasiva, snabba och hållbara SOH-förvärvet kvarstår som en utestående utmaning. 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 För att säkerställa konsekvent SOH-information övervakas EV-batterier och driftsdata registreras av molnplattformar  och batteripass . Europaparlamentet antog batteridirektivet den 14 juni 2023 för att säkerställa att kasserade batterier kan återanvändas, renoveras eller återvinnas i slutet av livslängden . Den nödvändiga övervaknings- och registreringsproceduren är dock endast tillgänglig under EV-tjänstefasen, och kasserade batterier är inte längre anslutna till fordonets övervakningsenhet. Därför är det utmanande att hämta fälttillgänglig SOH-data. Integriteten hos livslängdsdata kvarstår som en stor utmaning, vilket kräver SOH-uppskattning endast med fältdatan, i motsats till historiska data eller under kontrollerbara förhållanden , , . En lösning är att utföra ett kapacitetskalibreringstest på insamlingsfältet för kasserade batterier, dvs. laddningsnivå (SOC)-konditionering, vilket är okomplicerat, men det kräver oöverkomliga testtider och extra elkostnader. Hybridpulsströmmätning är ett alternativ för SOH-uppskattning genom dynamisk pulsinjektion, men hela testsekvensen tar över 12 timmar. Tao et al. använde korta pulser för SOH-uppskattning av kasserade batterier, under antagandet att en SOC-konditionering till 5 % SOC utfördes, vilket knappt var kompatibelt med slumpmässiga kasserings-SOC-förhållanden . Nyligen har sensorbaserade mätningar inkluderat röntgenavbildning , elektrokemisk impedans , , fiberoptisk sensorik , , akustisk sensorik , , partiell laddning , , och pulsinjektion , . Sensorbaserade tekniker är i laboratoriestadiet på grund av invasion, medan pulsinjektion kännetecknas av att den kan urskilja batteridegraderingen utan fysisk skada, samtidigt som den är snabbare än partiella laddnings- och impedansbaserade metoder , , , , , . Pulsinjektion är dock en datacentrerad metod som endast är genomförbar under det ideala antagandet att fysiskt uppmätta data omfattar kasseringsförhållanden för modellens driftsfas, känd som den vanliga utmaningen med domänförskjutning inom maskininlärningssamhället. Trots framsteg inom transferinlärning och domänanpassningsmetoder , , , kvarstår utmaningar eftersom måldomänen att anpassa fortfarande kräver förhandsinformation vid driftsättning, och befintliga inlärningsmetoder kan knappast uppdateras för slumpmässiga kasseringsförhållanden . Ett alternativ är att spänna över datatestskalor under outforskade kasseringsförhållanden för att minska databrist och heterogenitet, även om det kan leda till ökade kostnader. Wang et al. föreslog en temperaturutvinningsmetod för att interpolera reaktionskinetiska preferenser vid olika mellanliggande tillstånd under en termokemisk process, vilket möjliggör konstruktion av omfattande träningsdatabaser vid minimal termokemisk experimentell skala och kostnad som databerikning för maskininlärningsmodellträning . Dessutom visar generativt lärande också möjligheter att uppskatta SOH med berikad data från delvis cyklade profiler, vilket sparar nödvändig fysiskt testad data , . Databrist och heterogenitet i batteriåteranvändning och återvinning är dock ännu mer komplexa på grund av en blandning av katodmaterialtyper, fysiska format, kapacitetsdesigner och historiska användningsområden, vilket begränsar den potentiella integrationen av tillståndsspecifik kunskap om nedbrytning i maskininlärningsmodeller. Därför är det rimligt att överväga beroenderelationen mellan kasseringsförhållanden och pulsspänningssvar för datagenerering, utan att orsaka långa tidsserier av kapacitetskalibrering och ytterligare fysiska experiment samtidigt, för att förbättra SOH-uppskattningsprestandan. 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 I denna studie utför vi förbehandling av kasserade batterier, dvs. SOH-uppskattning, med hjälp av pulsspänningssvarsdata genererad av en uppmärksamhetsbaserad variationsautoenkoder vid sparad fysisk mätningstid och kostnad. Den övergripande processen för allmänna förbehandlingssteg, generativ modellträning och praktiska driftsättningssteg illustreras i Fig.  . Forskningsidén är att använda generativt lärande för att utnyttja redan uppmätta data för utforskning av pulsspänningssvar under kontinuerliga kasseringsförhållanden, dvs. SOC-distribution i insamlingsstadiet för kasserade batterier. Nedströms SOH-uppskattning implementeras utan fysiskt uppmätta puls-svar, vilket sparar förbehandlingskostnader för elektricitet och koldioxidutsläpp som annars krävs från konditionering av SOC till den förväntade nivån. Jämfört med ampere-timme-integrationsmetoden och maskininlärningspuls-injektion, understryker generativt lärande en snabbare genereringshastighet och exakt uppskattning. Med genererad data uppskattar en enkel regressionsmodell framgångsrikt SOH med lågt fel under okända eller otillgängliga SOC-kasseringsförhållanden i databasen, ett utmanande utanför distributionen (OOD)-problem. OOD-problemet löses genom att lära sig det inneboende fysiska mönstret mellan SOC-förhållandet och spänningssvaret inducerat av den snabba pulsen. Vi demonstrerar generaliserbarheten av vår metod genom verifiering med 2700 fysiskt uppmätta prover, som spänner över 3 katodmaterialtyper, 3 fysiska format, 4 kapacitetsdesigner och 4 historiska användningsområden (1 laboratorieaccelererad åldring, 1 ren elbilskörning och 2 hybridbilskörningar). Generativt lärande passar för interpolation och extrapolering genom att integrera förkunskaper om kasseringsförhållanden i latent rums-skalning av modellparametrarna, vilket sparar mättid, elkostnader och efterföljande koldioxidutsläpp utan att kompromissa med SOH-uppskattningsnoggrannheten. En konservativ global fallstudie av batterikassering 2030 belyser betydelsen av snabb och hållbar SOH-uppskattning i pyrometallurgiska, hydrometallurgiska och direkta återvinningsscenarier. Genom teknisk-ekonomisk analys kan generativt lärande-assisterad SOH-uppskattning spara 4,9 miljarder USD i elkostnader och 35,8 miljarder kg CO2-utsläpp till 2030 globalt. Vi diskuterar modellens tolkningsbarhet, implikationer för återvinningsförbehandling och bredare aspekter av framtida smarta återvinningsförbehandlingsriktningar integrerade med maskininlärning. 1    Förbehandlingsstegen för kasserade batterier inkluderar SOC-konditionering, fysiska mätningar, maskininlärning för SOH-diagnos och beslutsprocessen för andra livslängden före återanvändning eller återvinning. SOC-konditionering hänvisar till justering av SOC-värdena för de kasserade batterierna till önskade nivåer med den traditionella konstanta ström konstanta spänning (CCCV)-metoden.   Schemat av uppmärksamhetsbaserad variationsautoenkoder för generering av pulsspänningssvarsdata.   Praktisk användning av datagenereringsmodellen för SOH-uppskattning kräver ingen extra SOC-konditionering. Den tränade maskininlärningsmodellen övervakas av den genererade datan och tar emot omedelbara pulsspänningssvar när den är i driftsfasen.   Ekonomiska och miljömässiga fördelar och snabb genereringshastighet av vår generativa inlärningsmetodik genom att spara SOC-konditioneringskostnader i det globala scenariot för batterikassering 2030. a b c d Resultat Datasetförvärv Databrist och heterogenitet är stora utmaningar inom datadrivna batteridiagnostik och prognostik, särskilt för kasserade batterier. Vi samlade in 2700 prover från 270 fysiskt kasserade batterier över ett brett spektrum av SOC-nivåer, dvs. från 5 % till 50 % med ett intervall på 5 %. I Fig.   täcker datasetet 3 rådande katodmaterialtyper, inklusive 119 fysiskt insamlade NMC (nickel-mangan-koboltoxid), 56 LFP (litiumjärnfosfat) och 95 LMO (litiummangandioxid) kasserade batterier, som spänner över 3 fysiska format (cylindriskt, påse, prismatiskt) och 4 historiska användningsmönster (1 laboratorieaccelererat test, 3 EV-användningar, inklusive 1 rent elektrifierat drivlinjeläge och 2 hybrid drivlinjelägen). Vi betonar att inkluderingen av mycket heterogena testprover gör vårt dataset till det största snabba pulsbaserade datasetet för SOH-uppskattning av kasserade batterier hittills, vilket underlättar modellens generaliserbarhet utöver de fysiskt uppmätta dataseten. 2a    Sankey-diagrammet för distributionen av kasserade batterier, omfattar katodmaterialtyper, fysiska format, kapacitetsdesigner och historiska användningsområden.   Pulsström och efterföljande spänningssvar från de kasserade batterierna, där dragen extraheras från vändpunkterna, dvs. punkterna med noll andra derivata av spänningssvarskurvan. De 21 dragpunkterna, från U1 till U21, extraheras. Inspelningsfrekvensen för rådata är 100 Hz. Vilotiden är 25 sekunder mellan varje puls i C-rate. Notera att termen C står för laddningshastighet (urladdningshastighet) när en laddning (urladdning) på 1 timme utförs. Omgivningstemperaturen kontrolleras vid 25 °C.   Hälsotillstånds (SOH) distributionen (Gaussisk anpassning) av 2,1 Ah och 21 Ah kasserade batterier för illustration, respektive. För SOH-distributionen av andra batterityper, se kompletterande fig. 1.   Sambandet mellan uppmätt pulsspänningssvar och kalibrerad SOH från kapacitetskalibreringstest, med varierande laddningsnivåer (SOC)-förhållanden. Den första dragdimensionen, U1, illustreras.   Illustrering av data generering för interpolation och extrapolering under olika batterikasserings-SOC-distributioner. Detaljerade testinställningar finns i   och  , notera att C-rate-inställningen är identisk mellan katodmaterialtyper. Källdata tillhandahålls som en källdatafil. a b c d e kompletterande anmärkningar 1 2 Till skillnad från vanlig konstant ström konstant spänning (CCCV)-testning, tar pulstestet ingen lång testtid och orsakar ingen extra skada på de kasserade batterierna. Därför använder vi CCCV-resultaten som benchmarkingkapacitetsvärden för SOH. Pulstestdata används som träningsdata för den generativa inlärningsmodellen. Även om batteriets katodmaterialtyp varierar, utför vi standardiserad och tillgänglig egenskapsteknik, vilket säkerställer kompatibilitet i praktisk användning. Figur   visar egenskapsextraheringen efter pulsinjektion. Experimentinställningarna för CCCV och pulsinjektion finns i kompletterande anmärkning  . För de första fem injicerade pulserna registreras vändpunkterna, dvs. punkterna med noll andra derivata av spänningssvaren, som drag, vilket resulterar i 21-dimensionella drag. Trots pulstid på 5 sekunder utför vi också känslighetsmätning på pulsbredden med dubbla syften att verifiera pulsrobusthet och ytterligare förkorta testtiden, från 30 ms till 5 s. 2b 1 Vi överväger accelererad åldring i laboratorietester (kompletterande anmärkning  ) och verklig EV-körningsåldring, även om det är oberoende av de explicita körprofilerna på grund av dataintegritetsbegränsningar. I Fig.   illustreras SOH-fördelningen av accelererade åldrade batterier (NMC, 2,1 Ah) och EV-körningsåldrade batterier (NMC, 21 Ah). Notera att SOH-värden är komplementära i ett brett SOH-område, från 0,6 till 1, och 2 2c

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

Det här ljudet är producerat på berättelsens originalspråk!

Generativ AI möjliggör hållbar återanvändning av pensionerade litiumjonbatterier

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps