张璇、周光敏团队利用生成式机器学习技术，在随机退役条件下实现动力电池健康状态评估与电动汽车市场的经济环境效益提升，推动可持续回收研究取得新进展

随着电动汽车市场的迅速扩张，动力电池的需求量持续攀升。然而，由于动力电池的设计寿命有限，大量退役电池的处理成为一个亟待解决的问题。如何高效、经济且环保地管理这些退役电池，成为行业关注的焦点。目前，梯次利用和回收利用被认为是解决这一问题的关键途径，而准确评估退役电池的健康状态（SOH）则是实现这些途径的基础。

传统的恒流恒压（CCCV）方法虽然可以评估SOH，但其耗时长、耗电量大，效率较低。相比之下，脉冲测试方法因其快速估算SOH的潜力而受到关注，但其准确性受到退役电池随机荷电状态（SOC）的影响，需要进一步提升。此外，现有的脉冲测试方法需要在不同的SOC条件和电池类型下进行大量数据采集，面临数据稀缺性和异质性的挑战。

为了解决这些问题，清华大学深圳国际研究生院的张璇、周光敏团队提出了一种基于注意力变分自动编码器（AVAE）的生成式机器学习方法，可以快速生成退役电池的脉冲电压响应数据。这项研究成果发表在《Nature Communications》上，题为「Generative learning assisted state-of-health estimation for sustainable battery recycling with random retirement conditions」。

该方法能够在几乎零成本的情况下生成测试数据，大幅节省时间和资源，同时有效解决了数据稀缺和异质性的问题。通过学习SOC与脉冲电压响应之间的潜在依赖关系，模型能够预测不同电池材料和SOH状态下的SOC演变规律，并在未见的SOC条件下准确估算SOH。

为了验证该方法的有效性，团队构建了一个包含2700个退役锂离子电池脉冲注入样本的物理测试数据集，涵盖了多种正极材料类型、物理形式、容量设计和历史使用场景。实验结果显示，无论是内插还是外推场景，生成数据的平均绝对百分比误差（MAPE）均低于2%，证明了模型对已测量数据分布的有效学习能力和生成多样化数据样本的潜力。

利用生成的数据，经过简单调试后的回归器模型能够准确估计退役电池的SOH。与未使用生成数据训练的评估模型相比，使用生成数据显著降低了SOH估计误差，即使在未见过的SOC条件下，SOH估计的平均绝对百分比误差（MAPE）仍低于6%。这表明，该方法不仅能够稳定生成适用于随机退役条件的脉冲电压响应数据，还能有效提升SOH评估模型的准确性。

与传统的CCCV测试方法相比，基于生成模型的脉冲测试方法无需耗费大量时间调整SOC，也避免了对退役电池的额外损害。技术经济评估显示，到2030年，全球动力电池退役场景下，该生成式机器学习辅助的SOH估计方法可节省约49亿美元的电力成本，减少358亿公斤的二氧化碳排放。这在时间效率、能耗降低、环境效益和操作灵活性方面展现了显著的优势。

本文来源：