【儀表網(wǎng) 研發(fā)快訊】隨著電動汽車市場的快速發(fā)展，動力電池需求量激增，但其設(shè)計壽命有限，退役潮已經(jīng)到來。如何高效、經(jīng)濟、環(huán)保地處理這些退役電池，成為亟待解決的挑戰(zhàn)。梯次利用和回收利用被視為關(guān)鍵途徑，而準確評估退役電池健康狀態(tài)(SOH)則是實現(xiàn)這一目標的基礎(chǔ)。
 

　　傳統(tǒng)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(xiàn)出快速估算SOH的潛力，但受退役電池隨機荷電狀態(tài)(SOC)影響，準確性有待提升。此外，現(xiàn)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(shù)據(jù)采集，面臨數(shù)據(jù)稀缺性和異質(zhì)性挑戰(zhàn)。
 

　　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(yīng)數(shù)據(jù)。這一方法幾乎零成本生成測試數(shù)據(jù)，大幅節(jié)省時間與資源，并有效解決數(shù)據(jù)稀缺和異質(zhì)性問題。通過學習SOC與脈沖電壓響應(yīng)的潛在依賴關(guān)系，該模型實現(xiàn)了不同電池材料和SOH狀態(tài)下的SOC演變規(guī)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(yīng)數(shù)據(jù)生成示意圖
 

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

圖2.數(shù)據(jù)集構(gòu)成、特征提取與數(shù)據(jù)生成場景
 

　　團隊通過生成式機器學習方法，在少量已測量數(shù)據(jù)的基礎(chǔ)上，實現(xiàn)了未測量數(shù)據(jù)空間的精準探索。模型利用已有的脈沖電壓響應(yīng)數(shù)據(jù)進行訓練，可生成不同SOC條件下的新脈沖電壓響應(yīng)數(shù)據(jù)(圖3)。實驗表明，無論在內(nèi)插還是外推場景中，生成數(shù)據(jù)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(shù)據(jù)分布的有效學習能力及其生成多樣化數(shù)據(jù)樣本的潛力。
 

圖3.生成模型性能與經(jīng)濟環(huán)境效益
 

　　利用生成的數(shù)據(jù)，僅需簡單調(diào)試后的回歸器模型即可實現(xiàn)退役電池SOH的準確估計(圖4)。與未使用生成數(shù)據(jù)訓練的評估模型相比，使用生成數(shù)據(jù)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(wěn)定生成適用于隨機退役條件的脈沖電壓響應(yīng)數(shù)據(jù)，還可有效提升SOH評估模型的準確性。
 

圖4.健康狀態(tài)估計結(jié)果
 

　　與傳統(tǒng)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(diào)整SOC，也避免了對退役電池的額外損害。技術(shù)經(jīng)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(jié)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(huán)境效益和操作靈活性方面展現(xiàn)了顯著優(yōu)勢。
 

圖5.經(jīng)濟環(huán)境效益分析
 

　　相關(guān)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(tài)評估與可持續(xù)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(fā)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(huán)境模擬與污染控制國家重點聯(lián)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(lián)網(wǎng)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(chǔ)與應(yīng)用基礎(chǔ)研究基金等單位和基金的科研經(jīng)費支持。