【儀表網 研發快訊】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。
 

　　傳統恒流恒壓(CCCV)方法評估SOH需耗費大量時間和電能，效率低下。相比之下，脈沖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，現有脈沖測試方法需在不同SOC條件和電池類型下進行大量數據采集，面臨數據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副教授張璇、周光敏團隊與合作者提出一種基于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沖電壓響應數據。這一方法幾乎零成本生成測試數據，大幅節省時間與資源，并有效解決數據稀缺和異質性問題。通過學習SOC與脈沖電壓響應的潛在依賴關系，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，并成功在未見SOC條件下準確估算SOH。
 

圖1.基于注意力變分自動編碼器的脈沖電壓響應數據生成示意圖
 

　　團隊構建了2700個退役鋰離子電池脈沖注入樣本的物理測試數據集，涵蓋了3種正極材料類型、3種物理形式、4種容量設計和4種歷史使用場景(圖2)。這些物理測試數據被用于驗證所提方法在脈沖數據生成中的有效性。
 

圖2.數據集構成、特征提取與數據生成場景
 

　　團隊通過生成式機器學習方法，在少量已測量數據的基礎上，實現了未測量數據空間的精準探索。模型利用已有的脈沖電壓響應數據進行訓練，可生成不同SOC條件下的新脈沖電壓響應數據(圖3)。實驗表明，無論在內插還是外推場景中，生成數據的平均絕對百分比誤差(MAPE)均低于2%，充分證明了模型對已測量數據分布的有效學習能力及其生成多樣化數據樣本的潛力。
 

圖3.生成模型性能與經濟環境效益
 

　　利用生成的數據，僅需簡單調試后的回歸器模型即可實現退役電池SOH的準確估計(圖4)。與未使用生成數據訓練的評估模型相比，使用生成數據顯著降低了SOH估計誤差(圖4c、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)仍低于6%。這表明，所提出的方法不僅能夠穩定生成適用于隨機退役條件的脈沖電壓響應數據，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，基于生成模型的脈沖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(圖5)。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
 

　　相關研究成果以“隨機退役條件下基于生成式學習的電池健康狀態評估與可持續回收”(Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions)為題，于11月23日發表于《自然·通訊》(Nature Communications)上。
 

　　清華大學深圳國際研究生院2022級博士生陶晟宇為論文第一作者，2023級博士生馬睿飛、2023級碩士生趙子曦為共同第一作者，2023級碩士生馬光遠為第二作者。張璇、周光敏、騰訊人工智能實驗室資深算法專家徐挺洋博士為共同通訊作者。其他合作者還包括廈門力景新能源科技有限公司盧敏艷團隊，環境模擬與污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算法專家榮鈺博士，清華大學深圳國際研究生院副教授韋國丹、李陽等。研究得到山西省能源互聯網研究院、深圳國際科技信息中心、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單位和基金的科研經費支持。