裁剪丨ScienceAI

跟着电动汽车商场的快速发展，能源电板需求量激增，但其遐想寿命有限，退役潮仍是到来。怎么高效、经济、环保地处理这些退役电板，成为亟待管制的挑战。梯次愚弄和回收愚弄被视为关键道路，而准确评估退役电板健康气象（SOH）则是终了这一谋略的基础。

传统恒流恒压（CCCV）步调评估SOH需破钞大批时分和电能，着力低下。比拟之下，脉冲测试步调展现出快速估算SOH的后劲，但受退役电板立地荷电气象（SOC）影响，准确性有待进步。此外，现存脉冲测试步调需在不同SOC要求和电板类型下进行大批数据集聚，面对数据稀缺性和异质性挑战。

针对上述问题，清华大学深圳海外谋略生院张璇、周光敏团队提议一种基于留神力变分自动编码器（AVAE）的生成式机器学习步调，可快速生成退役电板的脉冲电压反映数据。

探讨的谋略后果以「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」为题，发表在《Nature Communications》上。

这一步调真实零老本生成测试数据，大幅检朴时分与资源，并有用管制数据稀缺和异质性问题。通过学习SOC与脉冲电压反映的潜在依赖关系，该模子终明晰不同电板材料和SOH气象下的SOC演变礼貌计算，并告捷在未见SOC要求下准确估算SOH。

图 1：基于留神力变分自动编码器的脉冲电压反映数据生成暗意图。

团队构建了2700个退役锂离子电板脉冲注入样本的物理测试数据集，涵盖了3种正极材料类型、3种物理表情、4种容量遐想和4种历史使用场景，如图2所示。这些物理测试数据被用于考证所提步调在脉冲数据生成中的有用性。

图 2：数据集组成、特征索要与数据生成场景。

团队通过生成式机器学习步调，在少许已测量数据的基础上，终明晰未测量数据空间的精确探索。模子愚弄已有的脉冲电压反映数据进行考研，可生成不同SOC要求下的新脉冲电压反映数据，如图3所示。履行标明，不管在内插照旧外推场景中，生成数据的平均完全百分比瑕疵（MAPE）均低于2%，充分评释了模子对已测量数据散布的有用学习技艺过火生成万般化数据样本的后劲。

图 3：生成模子性能与经济环境效益。

愚弄生成的数据，仅需简约调试后的追忆器模子即可终了退役电板SOH的准确推断。如图4所示，与未使用生成数据考研的评估模子比拟，使用生成数据显赫缩短了SOH推断瑕疵（见图4c、图4d）。即使在未见过的SOC要求下，SOH推断的平均完全百分比瑕疵（MAPE）仍低于6%。这标明，所提议的步调不仅概况褂讪生成适用于立地退役要求的脉冲电压反映数据，还可有用进步SOH评估模子的准确性。

图 4：健康气象推断闭幕。

与传统的CCCV测试比拟，基于生成模子的脉冲测试步调无需破钞大批时分退换SOC，也幸免了对退役电板的稀奇损伤。工夫经济评估泄漏，在2030年大家能源电板退役场景下，该生成式机器学习缓助的SOH推断步调可检朴约49亿好意思元电力老本，减少358亿公斤二氧化碳排放（如图5所示）。这一步调在时分着力、能耗缩短、环境效益和操作活泼性方面展现了显赫上风。

图 5：经济环境效益分析。

本论文清华大学深圳海外谋略生院2022级博士谋略生陶晟宇为论文第一作家，2023级博士谋略生马睿飞、2023级硕士谋略生赵子曦为共同第一作家，2023级硕士谋略生马光远为第二作家。

相助者包括厦门力景新能源科技有限公司卢敏艳团队，环境模拟与浑浊戒指国度要点讨好履行室温宗国教师，阿里巴巴达摩院资深算法巨匠荣钰博士，清华大学深圳海外谋略生院韦国丹副教师、李阳副教师等。

清华大学深圳海外谋略生院张璇副教师、周光敏副教师、腾讯东说念主工智能履行室资深算法巨匠徐挺洋博士为共同通信作家。

该谋略得到了山西省能源互联网谋略院、深圳海外科技信息中心、清华大学深圳海外谋略生院、深圳市鹏瑞基金会、广东省基础与应用基础谋略基金等科研经费复旧。

论文率领：https://doi.org/10.1038/s41467-024-54454-0九游体育登录入口jiuyou官网