视觉 张璇、周光敏团队在立地退役条款下基于生成式学习的电板健康现象评估与可握续回收斟酌中获取新说明

365建站

剪辑丨ScienceAI

跟着电动汽车阛阓的快速发展，能源电板需求量激增，但其联想寿命有限，退役潮仍是到来。如何高效、经济、环保地处理这些退役电板，成为亟待处置的挑战。梯次愚弄和回收愚弄被视为要津路线，而准确评估退役电板健康现象（SOH）则是达成这一缱绻的基础。

传统恒流恒压（CCCV）按次评估SOH需破钞多数时刻和电能，遵守低下。比较之下，脉冲测试按次展现出快速估算SOH的后劲，但受退役电板立地荷电现象（SOC）影响，准确性有待栽培。此外，现存脉冲测试按次需在不同SOC条款和电板类型下进行多数数据收集，濒临数据稀缺性和异质性挑战。

针对上述问题，清华大学深圳国外斟酌生院张璇、周光敏团队提议一种基于戒备力变分自动编码器（AVAE）的生成式机器学习按次，可快速生成退役电板的脉冲电压反馈数据。

有关的斟酌遵守以「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」为题，发表在《Nature Communications》上。

伸开剩余75%

这一按次险些零本钱生成测试数据，大幅精真金不怕火时刻与资源，并有用处置数据稀缺和异质性问题。通过学习SOC与脉冲电压反馈的潜在依赖干系，该模子达成了不同电板材料和SOH现象下的SOC演变章程瞻望，并告捷在未见SOC条款下准确估算SOH。

图 1：基于戒备力变分自动编码器的脉冲电压反馈数据生成走漏图。

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种容量联想和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按次在脉冲数据生成中的有用性。

图 2：数据集组成、特征索求与数据生成场景。

团队通过生成式机器学习按次，在极少已测量数据的基础上，达成了未测量数据空间的精确探索。模子愚弄已有的脉冲电压反馈数据进行历练，可生成不同SOC条款下的新脉冲电压反馈数据，如图3所示。推行标明，岂论在内插照旧外推场景中，生成数据的平均皆备百分比误差（MAPE）均低于2%，充分说明了模子对已测量数据散播的有用学习能力偏激生成各样化数据样本的后劲。

图 3：生成模子性能与经济环境效益。

愚弄生成的数据，仅需浮浅调试后的转头器模子即可达成退役电板SOH的准确忖度。如图4所示，与未使用生成数据历练的评估模子比较，使用生成数据显赫缩短了SOH忖度误差（见图4c、图4d）。即使在未见过的SOC条款下，SOH忖度的平均皆备百分比误差（MAPE）仍低于6%。这标明，所提议的按次不仅八成壮健生成适用于立地退役条款的脉冲电压反馈数据，还可有用栽培SOH评估模子的准确性。

图 4：健康现象忖度收尾。

与传统的CCCV测试比较，基于生成模子的脉冲测试按次无需破钞多数时刻调度SOC，也幸免了对退役电板的特地毁伤。技能经济评估知道，在2030年人人能源电板退役场景下，该生成式机器学习援助的SOH忖度按次可精真金不怕火约49亿好意思元电力本钱，减少358亿公斤二氧化碳排放（如图5所示）。这一按次在时刻遵守、能耗缩短、环境效益和操作天真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国外斟酌生院2022级博士斟酌生陶晟宇为论文第一作家，2023级博士斟酌生马睿飞、2023级硕士斟酌生赵子曦为共同第一作家，2023级硕士斟酌生马光远为第二作家。

互助者包括厦门力景新能源科技有限公司卢敏艳团队，环境模拟与浑浊抑遏国度要点颐养推行室温宗国考验，阿里巴巴达摩院资深算法众人荣钰博士，清华大学深圳国外斟酌生院韦国丹副考验、李阳副考验等。

清华大学深圳国外斟酌生院张璇副考验、周光敏副考验、腾讯东说念主工智能推行室资深算法众人徐挺洋博士为共同通信作家。

该斟酌得到了山西省能源互联网斟酌院、深圳国外科技信息中心、清华大学深圳国外斟酌生院、深圳市鹏瑞基金会、广东省基础与应用基础斟酌基金等科研经费复古。

365建站客服QQ：800083652

论文议论：https://doi.org/10.1038/s41467-024-54454-0

发布于：北京市