Genauigkeit Der Vorhersage Der Lebensdauer Von Lithiumbatterien Um 20% Verbessert! Das Team Der Shanghai Jiao Tong University Veröffentlichte Eine Halbüberwachte Lernmethode PBCT, Um Versteckte Informationen Aus Unbeschrifteten Daten Zu Extrahieren

Lithiumbatterien haben die Vorteile einer hohen Energiedichte, einer schnellen Lade- und Entladegeschwindigkeit und einer langen Lebensdauer. Sie werden derzeit häufig in Energiespeichersystemen wie Wasserkraft-, Wärme-, Wind- und Solarkraftwerken sowie in Elektrowerkzeugen, Elektrofahrzeugen, militärischer Ausrüstung, der Luft- und Raumfahrt und anderen Bereichen eingesetzt und spielen eine wichtige Rolle in der modernen Gesellschaft.

Mit der großflächigen Verwendung von Lithiumbatterien sind jedoch auch ihre potenziellen Gefahren nach und nach deutlich geworden: Sie weisen eine geringe Überlade- und Entladebeständigkeit auf und können bei Überladung oder Kurzschluss leicht Brände oder sogar Explosionen verursachen. In den letzten Jahren kam es häufig zu Bränden bei Elektrofahrrädern und Fahrzeugen mit alternativer Energie, da die Batterien nicht richtig geladen wurden oder überaltert waren.

Um einen sicheren und nachhaltigen Betrieb des Batteriesystems zu gewährleisten, muss die Lebensdauer von Lithiumbatterien genau vorhergesagt werden, um ihren Gesundheitszustand effektiv verwalten zu können.Herkömmliche Vorhersagemethoden, die auf physikalischen und semi-empirischen Modellen basieren, sind fehleranfällig und weisen eine sehr begrenzte Genauigkeit auf.Mit der Entwicklung der künstlichen Intelligenz hat die Genauigkeit datenbasierter Vorhersagemethoden zugenommen. Die Genauigkeit ihrer Modelle wird jedoch häufig durch den Mangel an gekennzeichneten Daten eingeschränkt.

Als Antwort auf die oben genannten Herausforderungen veröffentlichte das Team um Associate Professor Wan Jiayu von der Puyuan School of Future Technology der Shanghai Jiao Tong University eine Forschungsarbeit mit dem Titel „Semi-supervised learning for explainable few-shot battery lifetime prediction“ in der international renommierten Fachzeitschrift Joule.Es wird eine halbüberwachte Lerntechnik namens Partial Bayesian Co-Training (PBCT) vorgeschlagen.Indem wir die kostengünstigen und reichlich vorhandenen, nicht gekennzeichneten Daten, die während des gesamten Lebenszyklus von Lithiumbatterien generiert werden, voll ausnutzen und verborgene Informationen extrahieren, können wir unser Verständnis der zugrunde liegenden Datenmuster vertiefen und die Genauigkeit der Vorhersage der Batterielebensdauer erheblich verbessern.

Im Vergleich zu bestehenden Methoden verbessert PBCT nicht nur die Genauigkeit der Lebensvorhersage erheblich, sondern erfordert auch fast keine zusätzlichen Kosten für die Datenerfassung.

Forschungshighlights:

* Vorhersage der Batterielebensdauer anhand begrenzter Daten durch halbüberwachtes Lernen

* Die halbüberwachte Lernmethode Bayesian Co-Training (PBCT) bietet gute Ergebnisse hinsichtlich Genauigkeit und Interpretierbarkeit

* Deutliche Reduzierung der wirtschaftlichen Kosten durch Reduzierung des Bedarfs an gekennzeichneten Daten

Papieradresse:
https://doi.org/10.1016/j.joule.2024.02.020 

Folgen Sie dem offiziellen Account und antworten Sie mit „Lebensdauer der Lithiumbatterie“, um das vollständige PDF zu erhalten

Datensatz: 124 Batterien, 3 Unterdatensätze

Der in dieser Studie verwendete Datensatz ist ein Open-Source-Datensatz von Severson et al., der 124 zylindrische LiFePO4/Graphit-A123-APR18650M1A-Batterien mit einer Nennkapazität von 1,1 Ah und einer durchschnittlichen Lebensdauer von 806 Zyklen (zwischen 150 und 2.300 Zyklen) enthält.

Entsprechend unterschiedlicher Kalenderalterung und Schnellladeprotokolle ist der in dieser Studie verwendete Datensatz in drei Unterdatensätze unterteilt, mit 41 Batterien (Datensatz 1), 43 Batterien (Datensatz 2) und 40 Batterien (Datensatz 3).Jeder Datensatz enthält 20 Eingabefunktionen, die auf der Grundlage von Domänenwissen extrahiert wurden.

Modellarchitektur: Erstellen eines leistungsstarken vollständigen Ansichtsmodells

Die Architektur der PBCT-Methode ist in der folgenden Abbildung dargestellt, in der zwei Modelle etabliert sind.Das heißt, Teilansichtsmodell und Vollansichtsmodell.

Da das Vollansichtsmodell alle Merkmale berücksichtigt, neigt es zur Überanpassung und kann zu einer schlechten Vorhersagegenauigkeit führen.Daher erstellten die Forscher ein Teilansichtsmodell, um Pseudobezeichnungen für unbeschriftete Daten basierend auf einer Teilmenge wichtiger Eingabefunktionen zu schätzen.

Anschließend wird es gemäß dem Maximum-a-posteriori-Optimierungsprinzip erneut gemeinsam mit dem Vollansichtsmodell trainiert, sodass das Teilansichtsmodell als Leitfaden für die Ableitung des schließlich verwendeten Hochleistungs-Vollansichtsmodells dient.

Dadurch kann das Vollansichtsmodell nützliche Erkenntnisse sowohl aus gekennzeichneten als auch aus nicht gekennzeichneten Daten gewinnen, was zu zuverlässigeren Vorhersagen führt.

Forschungsergebnisse: PBCT eröffnet neue Möglichkeiten zur Vorhersage der Batterielebensdauer

In den Leistungsbewertungsexperimenten verwendeten die Forscher jeweils Datensatz 1, Datensatz 2 und Datensatz 3 für Experimente. Jeder Satz von Experimenten wurde weiter in Offline- und Online-Szenarien unterteilt und der mittlere quadratische Fehler (RMSE) der Testdaten wurde verwendet, um die Genauigkeit des trainierten Modells zu bewerten. Aufgrund der geringen Menge an gekennzeichneten Trainingsdaten im experimentellen Umfeld verwendeten die Forscher klassische Regressionsmethoden, um mit Situationen mit wenigen Versuchen umzugehen, wie etwa Lasso und Elastic Net als Basislinien.

Die experimentellen Ergebnisse entsprechend dem Offline-Szenario sind in den Abbildungen A bis C unten dargestellt.Die vorgeschlagene PBCT-Methode übertrifft die Basismethoden bei unterschiedlichen Mengen gekennzeichneter Trainingsdaten.Wenn die Anzahl der gekennzeichneten Trainingsdaten 10 beträgt, übertrifft PBCT Lasso bei den Datensätzen 1 bis 3 um 9,8%, 21,9% bzw. 18,3%.

Die experimentellen Ergebnisse im Online-Szenario sind in den folgenden Abbildungen D bis F dargestellt. Die PBCT-Methode übertrifft die Basislinienmethode in allen Fällen der Datensätze 2 und 3 und übertrifft die Basislinienmethode auch in den meisten Fällen, wenn die Anzahl der gekennzeichneten Trainingsbeispiele in Datensatz 1 gering ist.

Um im Experiment zur wirtschaftlichen Analyse die Vorteile der vorgeschlagenen PBCT-Methode bei der Vorhersage der Batterielebensdauer quantitativ zu demonstrieren,Basierend auf den Ergebnissen von Offline-Szenario-Experimenten analysierten die Forscher den Zeit- und Kostenaufwand der für jede Methode erforderlichen Datenerfassung.

Die Forscher schätzten die mittleren Zykluskosten für 200 wiederholte Experimente und stellten fest, dass die PBCT-Methode weniger gekennzeichnete Trainingsdaten und geringere Zykluskosten erfordert, um die gleiche Genauigkeit zu erreichen, wie in den Abbildungen A bis C unten dargestellt:

Wie in Abbildung D dargestellt, erfordert PBCT zum Erreichen der Zielgenauigkeit RMSE% 0,10 geringere Zykluskosten als die Lasso-Methode. Um in Datensatz 2 die Zielgenauigkeit RMSE% 0,10 zu erreichen, benötigt PBCT 7.700,5 Zyklen (RMSE ist 0,099 bei 7.700,5 Zyklen), während Lasso mehr als 10.537 Zyklen benötigt (RMSE ist 0,105 bei 10.537 Zyklen).

* Zyklen beziehen sich auf die Anzahl der Durchläufe einer Batterie vom vollständigen Laden zum vollständigen Entladen und anschließenden erneuten vollständigen Laden und werden zur Messung der Batterielebensdauer verwendet.
* RMSE steht für Root Mean Square Error, auch bekannt als Root Mean Square Deviation, und ist ein häufig verwendetes Maß für die Differenz zwischen gemessenen Werten, wobei niedrigere Werte besser sind.

Daher können allein durch die Anwendung des PBCT-Algorithmus bis zu 28.365 Zyklen oder 4.685,1 US-Dollar im Vergleich zur Lasso-Methode eingespart werden, was 26,91 TP3T der gesamten wirtschaftlichen Kosten der Verwendung der Lasso-Methode entspricht.

Zusammenfassend lässt sich sagen, dass PBCT im Vergleich zu bestehenden Methoden eine Verbesserung der Genauigkeit der Lebensvorhersage um bis zu 20% erreicht hat, und zwar fast ohne zusätzliche Kosten für die Datenerfassung. Daher kann PBCT unter der Voraussetzung der gleichen Vorhersagegenauigkeit die Kosten der Datenerfassung erheblich senken.

Darüber hinaus ergab die Studie, dass die Einbeziehung nicht gekennzeichneter Daten in den Trainingsprozess dabei hilft, wichtige Faktoren aufzudecken, die sich auf die Batterielebensdauer auswirken und bei der Analyse ausschließlich gekennzeichneter Daten oft übersehen werden. Daher eröffnet PBCT, eine halbüberwachte Lerntechnik, einen neuen Weg für eine effiziente und interpretierbare datengesteuerte Schätzung des Batteriezustands.

Das Deep Energy Laboratory der Shanghai Jiao Tong University überwindet weiterhin Schwierigkeiten

Offiziellen Berichten zufolge stammen die Forschungsergebnisse hauptsächlich vom Forschungsteam der Puyuan School of Future Technology und des Deep Energy Laboratory der Shanghai Jiao Tong University.

Die Forschungsrichtung dieser Forschungsgruppe liegt hauptsächlich auf Energiespeichergeräten und -materialien, fortschrittlicher Fertigung und deren Querintegration mit künstlicher Intelligenz.Bisher wurden mehr als 80 SCI-Artikel in international renommierten wissenschaftlichen Zeitschriften im Bereich Energie und Materialien wie Science, Nature und Cell veröffentlicht, mit insgesamt mehr als 11.000 Zitierungen und einem H-Index von 48. Über die Forschungsergebnisse wurde in vielen namhaften Medien im In- und Ausland berichtet.

Außerordentlicher Professor Wan Jiayu von der Forschungsgruppe hat außerdem den National Doctoral Student Award „Dorothy M. and Earl S. Hoffman Award“ der American Vacuum Society (eine Auszeichnung pro Jahr weltweit), das „National Scholarship for Outstanding Self-funded International Students“ des China Scholarship Council sowie die jährliche Liste der besten 2%-Wissenschaftler der Stanford University (2020–2022) gewonnen. Er ist junges Redaktionsmitglied von National Science Open, Materials Today Energy, eScience, Carbon Energy, China Chemical Express, Rare Metals und anderen Zeitschriften.

Zusätzlich zu den oben genannten Forschungsergebnissen hat das Forschungsteam seine Forschungen im Bereich der Lithiumbatterien weiter vertieft und Schwierigkeiten überwunden.

Im Mai 2023 veröffentlichte das Team eine Forschungsarbeit mit dem Titel „Self-Assembly Monolayer Inspired Stable Artificial Solid Electrolyte Interphase Design for Next-Generation Lithium Metal Batteries“ in der international renommierten Fachzeitschrift Nano Letters.

Lithiummetall ist eine ideale negative Elektrode für hochenergetische Lithium-Ionen-Batterien, aber seine hohe Reaktivität und fragile Schnittstelle schränken seine Anwendung ein – insbesondere in kommerziellen Carbonatelektrolytsystemen ist die Leistung von Lithiummetall schlecht, was seine breite Anwendung in Sekundärbatterien ernsthaft behindert.In dieser Studie wurde eine einfache und effektive Strategie vorgeschlagen, bei der Lithiummetall in ein Lösungsmittel aus 3-Mercaptopropylmethyldimethoxysilan (3MPDMS) eingetaucht wird, um eine gleichmäßige, an anorganischen Stoffen reiche SEI-Schicht zu bilden, die wiederum die gleichmäßige Abscheidung/Ablösung von Lithiummetall über mehr als 500 Zyklen bei geringer Überspannung in einem Carbonatelektrolyten ermöglicht.

Im Juni 2023 veröffentlichte das Team seine neuesten Arbeitsergebnisse zum ultraschnellen Recycling von positiven Elektrodenmaterialien im Bereich des Lithium-Ionen-Batterie-Recyclings.Die von ihnen entwickelte ultraschnelle Reparaturmethode kann das positive Elektrodenmaterial (LCO) gebrauchter Batterien innerhalb von 8 Sekunden effizient und direkt reparieren. Die elektrochemische Leistung des reparierten positiven Elektrodenmaterials ist mit der des neu hergestellten positiven Elektrodenmaterials vergleichbar.Diese Forschung zur Reparatur von positiven Elektrodenmaterialien von Lithium-Ionen-Batterien bietet eine effiziente und energiesparende Methode für die erneuerbare Entwicklung und das Ressourcenrecycling von Lithium-Ionen-Batterien.

Unter der Leitung des Führungsteams werden fortschrittliche Technologien auf der Basis künstlicher Intelligenz in den Bereichen Energie und Materialien künftig weiter vertieft und so die nachhaltige Entwicklung der Branche gefördert.

Quellen:
1.https://www.cell.com/joule/abstract/S2542-4351(24)00103-X
2.https://news.sjtu.edu.cn/jdzh/20240326/195130.html
3.https://www.x-mol.com/groups/deepenergy/news/44033
4.https://newsletter.x-mol.com/groups/deepenergy/news/46631