編輯丨ScienceAI
隨著電動汽車市場的快速發展，動力電池需求量激增，但其設計壽命有限，退役潮已經到來。如何高效、經濟、環保地處理這些退役電池，成為亟待解決的挑戰。梯次利用和回收利用被視為關鍵途徑，而準確評估退役電池健康狀態（SOH）則是實現這一目標的基礎。
傳統恆流恆壓（CCCV）方法評估SOH需耗費大量時間和電能，效率低下。相比之下，脈衝測試方法展現出快速估算SOH的潛力，但受退役電池隨機荷電狀態（SOC）影響，準確性有待提升。此外，現有脈衝測試方法需在不同SOC條件和電池型別下進行大量資料採集，面臨資料稀缺性和異質性挑戰。
針對上述問題，清華大學深圳國際研究生院張璇、周光敏團隊提出一種基於注意力變分自動編碼器（AVAE）的生成式機器學習方法，可快速生成退役電池的脈衝電壓響應資料。
相關的研究成果以「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」為題，發表在《Nature Communications》上。
這一方法幾乎零成本生成測試資料，大幅節省時間與資源，並有效解決資料稀缺和異質性問題。透過學習SOC與脈衝電壓響應的潛在依賴關係，該模型實現了不同電池材料和SOH狀態下的SOC演變規律預測，併成功在未見SOC條件下準確估算SOH。
圖 1：基於注意力變分自動編碼器的脈衝電壓響應資料生成示意圖。
團隊構建了2700個退役鋰離子電池脈衝注入樣本的物理測試資料集，涵蓋了3種正極材料型別、3種物理形式、4種容量設計和4種歷史使用場景，如圖2所示。這些物理測試資料被用於驗證所提方法在脈衝資料生成中的有效性。
圖 2：資料集構成、特徵提取與資料生成場景。
團隊透過生成式機器學習方法，在少量已測量資料的基礎上，實現了未測量資料空間的精準探索。模型利用已有的脈衝電壓響應資料進行訓練，可生成不同SOC條件下的新脈衝電壓響應資料，如圖3所示。實驗表明，無論在內插還是外推場景中，生成資料的平均絕對百分比誤差（MAPE）均低於2%，充分證明了模型對已測量資料分佈的有效學習能力及其生成多樣化資料樣本的潛力。
圖 3：生成模型效能與經濟環境效益。
利用生成的資料，僅需簡單除錯後的迴歸器模型即可實現退役電池SOH的準確估計。如圖4所示，與未使用生成資料訓練的評估模型相比，使用生成資料顯著降低了SOH估計誤差（見圖4c、圖4d）。即使在未見過的SOC條件下，SOH估計的平均絕對百分比誤差（MAPE）仍低於6%。這表明，所提出的方法不僅能夠穩定生成適用於隨機退役條件的脈衝電壓響應資料，還可有效提升SOH評估模型的準確性。
圖 4：健康狀態估計結果。
與傳統的CCCV測試相比，基於生成模型的脈衝測試方法無需耗費大量時間調整SOC，也避免了對退役電池的額外損害。技術經濟評估顯示，在2030年全球動力電池退役場景下，該生成式機器學習輔助的SOH估計方法可節省約49億美元電力成本，減少358億公斤二氧化碳排放（如圖5所示）。這一方法在時間效率、能耗降低、環境效益和操作靈活性方面展現了顯著優勢。
圖 5：經濟環境效益分析。
本論文清華大學深圳國際研究生院2022級博士研究生陶晟宇為論文第一作者，2023級博士研究生馬睿飛、2023級碩士研究生趙子曦為共同第一作者，2023級碩士研究生馬光遠為第二作者。
合作者包括廈門力景新能源科技有限公司盧敏豔團隊，環境模擬與汙染控制國家重點聯合實驗室溫宗國教授，阿里巴巴達摩院資深演算法專家榮鈺博士，清華大學深圳國際研究生院韋國丹副教授、李陽副教授等。
清華大學深圳國際研究生院張璇副教授、周光敏副教授、騰訊人工智慧實驗室資深演算法專家徐挺洋博士為共同通訊作者。
該研究得到了山西省能源網際網路研究院、深圳國際科技資訊中心、清華大學深圳國際研究生院、深圳市鵬瑞基金會、廣東省基礎與應用基礎研究基金等科研經費支援。
論文連結：https://doi.org/10.1038/s41467-024-54454-0