裁剪丨ScienceAI

跟着电动汽车市集的快速发展，能源电板需求量激增，但其贪图寿命有限，退役潮还是到来。奈何高效、经济、环保地处理这些退役电板，成为亟待处治的挑战。梯次愚弄和回收愚弄被视为枢纽阶梯，而准确评估退役电板健康情景（SOH）则是罢了这一商酌的基础。

传统恒流恒压（CCCV）关节评估SOH需亏损大量时刻和电能，遵守低下。比较之下，脉冲测试关节展现出快速估算SOH的后劲，但受退役电板随即荷电情景（SOC）影响，准确性有待晋升。此外，现存脉冲测试关节需在不同SOC条款和电板类型下进行大量数据网罗，靠近数据稀缺性和异质性挑战。

针对上述问题，清华大学深圳国外计划生院张璇、周光敏团队提议一种基于瞩眼光变分自动编码器（AVAE）的生成式机器学习关节，可快速生成退役电板的脉冲电压反映数据。

干系的计划恶果以「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」为题，发表在《Nature Communications》上。

这一关节险些零资本生成测试数据，大幅从简时刻与资源，并灵验处治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，该模子罢了了不同电板材料和SOH情景下的SOC演变轨则研讨，并班师在未见SOC条款下准确估算SOH。

图 1：基于瞩眼光变分自动编码器的脉冲电压反映数据生成走漏图。

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种物理形式、4种容量贪图和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据所提关节在脉冲数据生成中的灵验性。

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关节，在极少已测量数据的基础上，罢了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映数据进行考验，可生成不同SOC条款下的新脉冲电压反映数据，如图3所示。履行标明，无论在内插如故外推场景中，生成数据的平均满盈百分比缺欠（MAPE）均低于2%，充分讲解了模子对已测量数据远隔的灵验学习智商非凡生成千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，仅需粗浅调试后的记挂器模子即可罢了退役电板SOH的准确臆测。如图4所示，与未使用生成数据考验的评估模子比较，使用生成数据显耀缩短了SOH臆测缺欠（见图4c、图4d）。即使在未见过的SOC条款下，SOH臆测的平均满盈百分比缺欠（MAPE）仍低于6%。这标明，所提议的关节不仅概况踏实生成适用于随即退役条款的脉冲电压反映数据，还可灵验晋升SOH评估模子的准确性。

图 4：健康情景臆测收尾。

与传统的CCCV测试比较，基于生成模子的脉冲测试关节无需亏损大量时刻鼎新SOC，也幸免了对退役电板的极端毁伤。时代经济评估潜入，在2030年大众能源电板退役场景下，该生成式机器学习辅助的SOH臆测关节可从浮松49亿好意思元电力资本，减少358亿公斤二氧化碳排放（如图5所示）。这一关节在时刻遵守、能耗缩短、环境效益和操作天真性方面展现了显耀上风。

图 5：经济环境效益分析。

本论文清华大学深圳国外计划生院2022级博士计划生陶晟宇为论文第一作家，2023级博士计划生马睿飞、2023级硕士计划生赵子曦为共同第一作家，2023级硕士计划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，环境模拟与混浊收尾国度要点颐养履行室温宗国老师，阿里巴巴达摩院资深算法大众荣钰博士，清华大学深圳国外计划生院韦国丹副老师、李阳副老师等。

清华大学深圳国外计划生院张璇副老师、周光敏副老师、腾讯东谈主工智能履行室资深算法大众徐挺洋博士为共同通信作家。

该计划得到了山西省能源互联网计划院、深圳国外科技信息中心、清华大学深圳国外计划生院、深圳市鹏瑞基金会、广东省基础与应用基础计划基金等科研经费援助。

论文汇集：https://doi.org/10.1038/s41467-024-54454-0赌钱赚钱软件官方登录