剪辑丨ScienceAI

跟着电动汽车市集的快速发展，能源电板需求量激增，但其设想寿命有限，退役潮如故到来。若何高效、经济、环保地处理这些退役电板，成为亟待处治的挑战。梯次期骗和回收期骗被视为要道路子，而准确评估退役电板健康情状（SOH）则是达成这一诡计的基础。

传统恒流恒压（CCCV）智力评估SOH需破钞多量时候和电能，遵守低下。比较之下，脉冲测试智力展现出快速估算SOH的后劲，但受退役电板随即荷电情状（SOC）影响，准确性有待进步。此外，现存脉冲测试智力需在不同SOC条目和电板类型下进行多量数据收集，面对数据稀缺性和异质性挑战。

针对上述问题，清华大学深圳外洋扣问生院张璇、周光敏团队建议一种基于隆重力变分自动编码器（AVAE）的生成式机器学习智力，可快速生成退役电板的脉冲电压反馈数据。

关联的扣问后果以「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」为题，发表在《Nature Communications》上。

这一智力险些零资本生成测试数据，大幅从简时候与资源，并灵验处治数据稀缺和异质性问题。通过学习SOC与脉冲电压反馈的潜在依赖关系，该模子达成了不同电板材料和SOH情状下的SOC演变法例瞻望，并胜利在未见SOC条目下准确估算SOH。

图 1：基于隆重力变分自动编码器的脉冲电压反馈数据生成暗意图。

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种物理时势、4种容量设想和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智力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智力，在小数已测量数据的基础上，达成了未测量数据空间的精确探索。模子期骗已有的脉冲电压反馈数据进行闇练，可生成不同SOC条目下的新脉冲电压反馈数据，如图3所示。本质标明，无论在内插如故外推场景中，生成数据的平均完全百分比舛误（MAPE）均低于2%，充分诠释了模子对已测量数据踱步的灵验学习智力偏执生成各种化数据样本的后劲。

图 3：生成模子性能与经济环境效益。

期骗生成的数据，仅需简便调试后的总结器模子即可达成退役电板SOH的准确揣摸。如图4所示，与未使用生成数据闇练的评估模子比较，使用生成数据显耀镌汰了SOH揣摸舛误（见图4c、图4d）。即使在未见过的SOC条目下，SOH揣摸的平均完全百分比舛误（MAPE）仍低于6%。这标明，所建议的智力不仅不详安定生成适用于随即退役条目的脉冲电压反馈数据，还可灵验进步SOH评估模子的准确性。

图 4：健康情状揣摸结果。

与传统的CCCV测试比较，基于生成模子的脉冲测试智力无需破钞多量时候调理SOC，也幸免了对退役电板的罕见毁伤。技艺经济评估败露，在2030年公共能源电板退役场景下，该生成式机器学习援助的SOH揣摸智力可从纯粹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）。这一智力在时候遵守、能耗镌汰、环境效益和操作无邪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外洋扣问生院2022级博士扣问生陶晟宇为论文第一作家，2023级博士扣问生马睿飞、2023级硕士扣问生赵子曦为共同第一作家，2023级硕士扣问生马光远为第二作家。

合营者包括厦门力景新能源科技有限公司卢敏艳团队，环境模拟与耻辱限定国度重心合并本质室温宗国汲引，阿里巴巴达摩院资深算法众人荣钰博士，清华大学深圳外洋扣问生院韦国丹副汲引、李阳副汲引等。

清华大学深圳外洋扣问生院张璇副汲引、周光敏副汲引、腾讯东谈主工智能本质室资深算法众人徐挺洋博士为共同通信作家。

该扣问得到了山西省能源互联网扣问院、深圳外洋科技信息中心、清华大学深圳外洋扣问生院、深圳市鹏瑞基金会、广东省基础与应用基础扣问基金等科研经费救援。

论文集合：https://doi.org/10.1038/s41467-024-54454-0体育游戏app平台