Generativ AI muliggør bæredygtig genanvendelse af pensionerede lithium-ion-batterier

Forfattere: Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Resumé Hurtig og nøjagtig vurdering af sundhedstilstand (SOH) af pensionerede batterier er en afgørende forbehandling til genbrug og genanvendelse. Datadrevne metoder kræver dog omfattende datakuration under tilfældige SOH- og ladetilstand (SOC)-pensionsvilkår. Her viser vi, at generativ læringsassisteret SOH-estimering er lovende til at afhjælpe udfordringer med datamangel og heterogenitet, valideret gennem et pulsindsprøjtningsdatasæt med 2700 pensionerede lithium-ion-batteriprøver, der dækker 3 katodematerialetyper, 3 fysiske formater, 4 kapacitetsdesigns og 4 historiske anvendelser med 10 SOC-niveauer. Ved hjælp af genererede data realiserer en regressor nøjagtige SOH-estimater med middelabsolutte procentfejl under 6 % under ukendt SOC. Vi forudsiger, at hvis den foreslåede teknik implementeres ensartet, vil dette spare 4,9 milliarder USD i elomkostninger og 35,8 milliarder kg CO2-emissioner ved at afbøde omkostninger til datakuration for et globalt batteripensionsscenarie i 2030. Dette papir fremhæver udnyttelse af begrænsede data til at udforske udvidet datarum ved hjælp af generative metoder, da data kan være tidskrævende, dyre og forurenende at indhente til mange estimerings- og forudsigelsesopgaver. Introduktion Transportelektrificering, en kritisk sektor i en lav-kulstof energiomstilling, har hidtil uset omformet det fossile brændstofbaserede transportparadigme. Lithium-ion-batterier er afgørende for denne omstilling ved at levere overkommelige, holdbare og sikre energiforsyninger til elbiler (EV'er). Den samlede kapacitet af in-use og end-of-life EV-batterier vil overstige 32–62 terawatt i 2050, betydeligt højere end estimeringen i International Renewable Energy Agency og Storage Lab-scenarier. Pensionerede EV-batterier er dog stærkt reguleret med en enorm resterende kapacitetsværdi, der er underudnyttet, typisk over 80 % af den nominelle kapacitet. Hvis de ikke håndteres korrekt, fører det til økonomiske byrder for producenter og brugere, samt efterfølgende miljømæssige og samfundsmæssige problemer, herunder ressourceaffald, forsyningskæderisici og CO2-emissioner. Lovende strategier til at adressere bekymringer vedrørende den intermitterende stigende batteripensionering er genbrug og genanvendelse. Ved genbrug genanvendes pensionerede batterier til applikationer som nettilsluttede energilagringssystemer, boligstrømforsyninger og langsomtkørende køretøjer. Genbrug kræver dog indledende forbehandlinger, herunder konsistensscreening, kapacitetssortering og omgruppering for at opfylde applikationskrav. På trods af igangsættelsen af pilotprogrammer hæmmer manglen på strenge standarder for brugsscenarier og pensionsstier den rationelle udnyttelse af den resterende kapacitet. Genanvendelse bruger alternativt restværdier af pensionerede batterier ved materialekstraktion eller strukturel reparation, velegnet til irreversibelt degradere pensionerede batterier. Sammenlignet med pyrometallurgi og hydrometallurgi, direkte genanvendelse skiller sig ud for overlegen rentabilitet, lavere energiforbrug og reducerede CO2-emissioner. Ved at udnytte lithiumgenopfyldning og efterbehandling af katodematerialer opnår direkte genanvendelse effektiv materialestrukturreparation og ydeevne genoprettelse. Sundhedstilstanden (SOH) bestemmer imidlertid de krævede kemiske reagenser og forventede lithiumtilskuds mængder i formuleringer af direkte genanvendelsesstrategier. Utilstrækkelig dosering kan resultere i ufuldstændig reparation, mens overdreven dosering kan føre til generering af restalkali på katodeoverfladen, hvilket forringer genoprettelsesydelsen. Desværre kræver SOH-genfinding invasiv materialekarakterisering og langvarige kapacitetskalibreringstests; den ikke-invasive, hurtige og bæredygtige SOH-erhvervelse forbliver enestående udfordring. For at sikre konsistente SOH-oplysninger overvåges EV-batterier, og driftsdata registreres af cloud-platforme og batteripasper. Europa-Parlamentet vedtog Batteridirektivet den 14. juni 2023 for at sikre, at pensionerede batterier kunne genbruges, istandsættes eller genanvendes ved endt levetid. Den krævede overvågnings- og registreringsprocedure er dog kun tilgængelig i EV-servicefasen; pensionerede batterier er ikke længere forbundet med køretøjets overvågningsenhed. Derfor er det udfordrende at hente felttilgængelige SOH-data. Integriteten af levetidsdata forbliver en stor udfordring, der kræver SOH-estimering kun ved brug af feltdatadata, i modsætning til historiske data eller under kontrollerbare forhold. En løsning er at udføre en kapacitetskalibreringstest på indsamlingsstedet for pensionerede batterier, dvs. ladetilstand (SOC) konditionering, hvilket er ligetil, men det kræver uoverkommelig testtid og ekstra elomkostninger. Hybrid puls effektkarakteriseringstest er et alternativ til SOH-estimering ved dynamisk pulsindsprøjtning, men den komplette testsekvens tager over 12 timer. Tao et al. udnyttede korte pulser til SOH-estimering af pensionerede batterier, idet de antog, at en SOC-konditionering til 5 % SOC blev udført, hvilket knap nok var kompatibelt med tilfældige pensions-SOC-forhold. Nylige fremskridt inden for sensorbaserede målinger inkluderer røntgenbilleddannelse, elektrokemisk impedans, optisk fibersensor, akustisk sensor, delvis opladning og pulsindsprøjtning. Sensorbaserede teknikker er i laboratoriestadiet på grund af invasion, mens pulsindsprøjtning muliggør adskillelse af batteridegradering uden fysisk skade, samtidigt hurtigere end delvis opladning og elektrokemisk impedansbaserede metoder. Pulsindsprøjtning er imidlertid en datacentrisk metode, der kun er mulig under den ideelle antagelse, at fysisk målte data omfatter pensionsforholdene for modellens implementeringsfase, kendt som den almindelige udfordring med domæneskift i maskinlæringsfællesskabet. På trods af fremskridt inden for transfer learning og domæneadaptionsmetoder vedvarer udfordringer, da måldomænet, der skal justeres, stadig kræver forudgående oplysninger ved implementering, og eksisterende læringsmetoder kan knap nok opdateres til tilfældige pensionsforhold. Et alternativ er at udvide testskalaen for data under uexplorerede pensionsforhold for at afhjælpe datamangel og heterogenitet, mens det kan føre til øgede omkostninger. Wang et al. foreslog en temperaturudgravningsmetode til interpolation af reaktionskinetiske præferencer ved forskellige mellemliggende tilstande under en termokemisk proces, hvilket muliggør konstruktion af omfattende træningsdatabaser ved minimal termokemisk eksperimentel skala og omkostninger som datadoping til maskinlæringsmodeltrening. Desuden demonstrerer generativ læring også mulighederne for at estimere SOH med dopede data fra delvist cyklede profiler, hvilket sparer påkrævede fysisk testede data. Imidlertid er datamangel og heterogenitet i batterigenbrug og genanvendelseskontekst endnu mere komplekse på grund af en blanding af katodematerialetyper, fysiske formater, kapacitetsdesigns og historiske anvendelser, hvilket begrænser den potentielle integration af tilstandsspecifik viden om degraderinger i maskinlæringsmodeller. Derfor er det rimeligt at overveje afhængighedsforholdet mellem pensionsforhold og pulsspændingsresponser til datagenerering, hvilket ikke påfører langvarig tidsregningskapacitetskalibrering og ekstra fysiske eksperimenter samtidigt for at forbedre SOH-estimationsydeevnen. I denne undersøgelse udfører vi forbehandling af pensionerede batterier, dvs. SOH-estimering, ved hjælp af pulsspændingsresponsedata genereret af en opmærksomhedsvariabel autoenkoder til en sparet fysisk måletid og omkostning. Den overordnede proces for generelle forbehandlingstrin, generativ modultræning og praktiske modelimplementeringstrin er illustreret i fig. 1. Forskningsidéen er at bruge generativ læring til at udnytte allerede målte data til pulsspændingsresponser udforskning i kontinuerlige pensionsforhold, dvs. SOC-fordeling i pensioneret batteriindsamlingsfasen. Efterfølgende SOH-estimering implementeres uden fysisk målte pulsresponser, hvilket sparer forbehandlings elomkostninger og CO2-emissioner, der ellers ville være påkrævet fra konditionering af SOC til det forventede niveau. Sammenlignet med ampere-time integrationsmetoden og maskinlærings pulsindsprøjtning understreger generativ læring en hurtigere genereringshastighed og nøjagtig estimering. Med genererede data estimerer en simpel regressor succesfuldt SOH med lav fejl under ukendte eller utilgængelige SOC-pensionsforhold i databasen, et udfordrende out-of-distribution (OOD) problem. OOD-problemet løses ved at lære det nedarvede fysiske mønster mellem SOC-forholdet og spændingsresponsen induceret af den hurtige puls. Vi demonstrerer generaliserbarheden af vores metode ved at verificere gennem 2700 fysisk målte prøver, der dækker 3 katodematerialetyper, 3 fysiske formater, 4 kapacitetsdesigns og 4 historiske anvendelser (1 laboratorieaccelereret aldring, 1 ren EV-kørsel og 2 hybrid EV-kørsel). Generativ læring egner sig til interpolation og ekstrapolation ved at integrere forudgående viden om pensionsforhold i latent rumskalering af modelparametrene, hvilket sparer måletid, elomkostninger og deraf følgende CO2-emissioner uden at kompromittere SOH-estimationsnøjagtigheden. En konservativ global casestudie af batteripensionering i 2030 fremhæver vigtigheden af hurtig og bæredygtig SOH-estimering i pyrometallurgiske, hydrometallurgiske og direkte genanvendelsesscenarier. Gennem teknisk-økonomisk analyse kan generativ læringsassisteret SOH-estimering spare 4,9 milliarder USD i elomkostninger og 35,8 milliarder kg CO2-emissioner inden 2030 globalt. Vi diskuterer modelinterpretérbarhed, implikationer for genanvendelsesforbehandling og bredere aspekter af fremtidige smarte genanvendelsesforbehandlingsretninger integreret med maskinlæring. Pensioneret batteriforbehandlingstrin inkluderer SOC-konditionering, fysiske målinger, maskinlæring til SOH-diagnose og beslutningsprocessen for andet liv før genbrug eller genanvendelse. SOC-konditionering henviser til justering af SOC-værdier af de pensionerede batterier til ønskede niveauer ved hjælp af den traditionelle konstante strøm konstante spænding (CCCV) metode. Skematisk af opmærksomhedsvariabel autoenkoder til generering af pulsspændingsresponsedata. Praktisk brug af datagenereringsmodellen til SOH-estimering kræver ingen yderligere SOC-konditionering. Den trænede maskinlæringsmodel overvåges af de genererede data og modtager øjeblikkelige pulsspændingsresponser, når den er i implementeringsfasen. De økonomiske og miljømæssige fordele og hurtig genereringshastighed af vores generative læringsmetodologi ved at spare SOC-konditioneringsomkostninger i det globale batteripensionsscenarie i 2030. a b c d Resultater Datasæt erhvervelse Datamangel og heterogenitet er store udfordringer inden for datadrevne batteridiagnostik og -prognoser, især for pensionerede batterier. Vi indsamlede 2700 prøver fra 270 fysisk pensionerede batterier på tværs af brede SOC-niveauer, dvs. fra 5 % til 50 % med en 5 % kornighed. I fig. 2a dækker datasættet 3 fremherskende katodematerialetyper, herunder 119 fysisk indsamlede NMC (nikkel mangan koboltoxid), 56 LFP (lithium jernphosphat) og 95 LMO (lithium manganoxid) pensionerede batterier, der spænder over 3 fysiske formater (cylindrisk, pose, prismatisk) og 4 historiske brugsmønstre (1 laboratorieaccelereret test, 3 EV-anvendelser, herunder 1 rent elektrificeret drivlinje-tilstand og 2 hybrid drivlinje-tilstande). Vi understreger, at inklusionen af stærkt heterogene testprøver gør vores datasæt til det største hurtige pulsbaserede datasæt til SOH-estimering af pensionerede batterier til dato, hvilket letter modelgeneralisering ud over de fysisk målte datasæt. Sankey-plottet for pensioneret batteridistribution omfatter katodematerialetyper, fysiske formater, kapacitetsdesigns og historiske anvendelser. Pulsstrøm og den efterfølgende spændingsrespons af de pensionerede batterier, hvor træk udtrækkes fra vendepunkterne, dvs. punkterne med nul andenordens derivat af spændingsresponskurven. De 21 trækpunkter, fra U1 til U21, udtrækkes. Optagelsesfrekvensen for rådata er 100 Hz. Resttiden er 25 sekunder mellem hver puls i C-rate. Bemærk, at C-raten henviser til opladningshastighed (afladningshastighed), når der udføres 1 times opladning (afladning). Omgivelsestemperaturen kontrolleres ved 25 °C. Tilstand af sundhed (SOH) fordelingen (Gaussisk pasform) af 2,1 Ah og 21 Ah pensionerede batterier til illustration, henholdsvis. For SOH-fordelingen af andre batterityper, henvises til Supplerende Fig. 1. Forholdet mellem målt pulsspændingsrespons og kalibreret SOH fra kapacitetskalibreringstest under varierende ladetilstand (SOC) forhold. Den første trækdimension, U1, illustreres. Interpolations- og ekstrapolationsdatagenereringscases illustration under forskellige batteripensions-SOC-fordelinger. Detaljerede testindstillinger findes i Supplerende Noter 1 og 2, bemærk at C-rate-indstillingen er identisk på tværs af katodematerialetyper. Kildedata leveres som en kildedatafil. a b c d e I modsætning til almindelig konstant strøm konstant spænding (CCCV) test påfører pulstesten ingen lang testtid og ekstra skade på de pensionerede batterier. Derfor bruger vi CCCV-resultaterne som SOH-benchmarking kapacitetsværdier. Pulstestdata bruges som træningsdata til den generative modultræningsmodel. Selvom batteriets katodematerialetype varierer, udfører vi en standardiseret og tilgængelig trækudvikling, der sikrer kompatibilitet i praktisk brug. Figur 2b demonstrerer trækudtrækning efter pulsstrømsindsprøjtning. CCCV og pulsindsprøjtnings eksperimentelle indstillinger kan findes i Supplerende Note 1. For de første fem injicerede pulser registreres vendepunkterne, dvs. punkterne med nul andenordens derivat af spændingsresponserne, som træk, hvilket resulterer i 21-dimensionelle træk. På trods af pulstid på et 5 sekunders niveau udfører vi også følsomhedsmåling på pulsbredde med dobbelte formål at verificere pulsrobusthed og yderligere forkorte testtiden, lige fra 30 ms til 5 s. Vi overvejer accelereret aldring i laboratorietests (Supplerende Note 2) og ægte EV-kørselsaldring, dog uden hensyntagen til de eksplicitte kørselsfaktorer på grund af databeskyttelsesrestriktioner. I fig. 2c illustreres SOH-fordelingen af accelererede aldringsbatterier (NMC, 2,1 Ah) og rene elbil-kørselsaldringsbatterier (NMC, 21 Ah). Bemærk, at SOH-værdier er komplementære i et bredt SOH-område, fra 0,6 til 1; de indsamlede data er repræsentative for batteripensionsscenarier, også med ekstreme tidlige pensionssager. SOH-fordelinger af andre indsamlede batterier (LMO, 10 Ah og LFP 35 Ah) dækker et bredt SOH-fordeling, se Supplerende Fig. 1. Pulstests gentages ved forskellige SOC-niveauer, der spænder fra 5 % til 50 %, for at simulere tilfældigheden af indsamling af pensionerede batterier. Det testede SOC-område er under antagelse af, at pensionerede batterier enten udviser lav SOC eller underkastes tvungen afladning for sikker stationær lageropbevaring, således er SOC-grænsen sat til 50 %. I fig. 2d illustreres den første dimension af de udtrådte træk fra accelererede aldringsbatterier (NMC, 2,1 Ah) og EV-kørselsaldringsbatterier (NMC, 21 Ah). På trods af forskelle i kapacitetsdesigns og historiske anvendelser udviser pulsspændingsresponserne et konsistent degraderingsmønster, og det samme gælder for andre pensionerede batterier for andre trækdimensioner, se Supplerende Fig. 2-5. SOC-fordelingen af pensionerede batterier er imidlertid kontinuerlig, og kan derfor ikke udtømmes ved fysiske målinger. I stedet for at udvide datatestsatsen bruger vi allerede testede pulsspændingsresponsedata til at generere mere diversificerede data på tværs af SOC-forhold. I fig. 2e illustreres to-genereringsscenarier, dvs. interpolation og ekstrapolation, med enhedskonditioneringsbesparelser, elbesparelser, CO2-emissionsreduktioner og deres beregningsmetoder præsenteret i Supplerende Tabeller 1-3, henholdsvis. Generering af pulsspændingsresponsedata Vi overvejer først at bruge de allerede målte pulsspændingsresponsedata til at rekonstruere dem selv, snarere end direkte at generere nye dataprøver. Rekonstruktionen betyder, at de målte data først komprimeres til et latent variabelrum, mens der opretholdes en lært struktur fra oprindelige statistiske fordelinger (Supplerende Fig. 6), og derefter dekomprimeres til de oprindelige dimensioner. I denne undersøgelse svarer rekonstruktionen til at overvåge enkoder-neurale netværksmodel og dekoder-neurale netværksmodul træningsfasen, som illustreret i fig. 1b. Kernen er at balancere udnyttelsen af begrænsede målte data og udforskningen af udvidet datarum ved hjælp af latente afhængigheder mellem pensionsforhold og pulsspændingsresponsedata med krydsopmærksomhedsmekanismer, se "Metoder". Derefter føres målte data fusioneret med betingede oplysninger ind i enkoder-neurale netværk, hvilket resulterer i latente variabler, der indeholder pensionsforhold. Komprimerede latente variabler dekomprimeres ved at træne en dekoder-neurale netværksmodel og rekonstruere inputdata, også styret af fremadrettede pensionsforhold. En anden input til dekoder-neurale netværk er kun tilfældig støj, underlagt Gaussisk antagelse (Supplerende Fig. 7), hvilket ikke påfører fysisk eksperimentel måling, der ellers er involveret med ekstra testtid, energiforbrug og endda sikkerhedsrisici. Figur 3a viser datarekonstruktionsresultaterne af den første trækdimension U1 ved udvalgte SOC-værdier (35 % og 50 %) med en middelabsolut procentfejl (MAPE) lavere end 1 %, hvilket indikerer, at modellen lærte afhængighederne mellem pulsspændingsresponsedata og SOC-forhold. Sådanne afhængigheder er generelle i et bredt SOH-område, fra 0,6 til 0,95. Vedrørende andre trækdimensioner er datarekonstruktionsresultaterne stadig tilfredsstillende med en MAPE lavere end 1 %, se fig. 3b. Rekonstruktionsresultaterne for andre typer pensionerede batterier (NMC, 21 Ah, LMO, 10 Ah og LFP, 35 Ah) er præsenteret i Supplerende Fig. 8-10, hvilket demonstrerer modelgeneralitet og fleksibilitet. Det bemærkes, at lavere SOC-regioner udviser relativt højere rekonstruktions MAPE, selvom de stadig er lavere end 1 %, hvilket kan forklares ved følsomheden af polarisationsresponsen ved lave SOC-regioner. Det anbefales derfor at udføre pulsindsprøjtning i en mellem-SOC-region for pålidelig repræsentation af batteridegradering. Som vi dog fremhæver de tilfældige pensionsforhold med forskellige SOC'er, kræver pulsindsprøjtning ved fast SOC omfattende konditioneringstid og energiforbrug, hvilket forværrer et dilemma mellem pulsindsprøjtningsregioner og uoverkommelig konditioneringstid og omkostninger, se Supplerende Fig. 11. Paritetsplottet af modeltræningsresultaterne (rekonstruktion) med træk U1 ved den valgte ladetilstand (SOC) (35 % og 50 %) er illustreret. Varmekortet af modeltræningspræstationen for træk U1 til U21. SOC-simulering af de pensionerede batterier under tilfældige pensionsscenarier, herunder interpolations- og ekstrapolationscases. Datagenereringspræstation under de tilfældige pensionsscenarier, hvor fejllinjer indikerer standardafvigelsen (beregnet på tværs af 21-dimensionelle træk (n = 21 ved hver SOC i hver case) og højden af søjlen indikerer dens middel. Elomkostningsbesparelser og CO2-emissionsreduktioner for forskellige batteripensionsskalaer ved brug af forskellige datagenereringscases. Bemærk, at batteripensionsskalaen er logaritmisk. Alle resultater er fra NMC, 2,1 Ah batterier til illustration. Kildedata leveres som en kildedatafil. a b c d e Med den foreslåede generative læringsmetodologi understreger vi, at de allerede målte data til træningsformål er til en omkostning af ekstra fysiske tests; men genereringen er gratis. I fig. 3c validerer vi otte datagenereringscases, herunder interpolation og ekstrapolation. I interpolationscases (fra Case0 til Case3) er den lavere og øvre grænse for SOC for træningsdata fastsat til henholdsvis 5 % og 50 %. I sammenligning betyder ekstrapolationscases (fra Case4 til Case7), at de allerede målte data er eksklusive med ukendte OOD-data til generering, et udfordrende og åbent problem i maskinlæringsfællesskaber. Her bruger vi forudgående viden om pensionerede batterier til at skalere den latente fordeling i enkoder-neurale netværk, hvilket generaliserer allerede målte data til OOD-forhold, se Metoder. Vi bemærker, at Case4 og Case5 er legetøjseksempler, da træningsomkostningerne for disse cases er højere end omkostningsbesparelserne ved at generere den samme datamængde under ukendte SOC-forhold. Vi bruger dog stadig legetøjcases for at demonstrere robustheden af latent rumskalering i mere generaliserede batteripensionsscenarier. I praktisk brug kan brugerne derfor tilpasse datagenereringsstrategien baseret på kompromiset mellem modeltræningsomkostninger og datagenereringsnøjagtighed. I fig. 3d illustreres datagenereringspræstationen baseret på afstand under ukendte pensionsforhold. Det bemærkes, at den trænede generative læringsmodel bruges til at generere flere datapunkter, især under, men ikke begrænset til, ukendte pensionsforhold. For eksempel bruger Case3 fysisk testede pulsspændingsresponsedata ved 5 %, 25 % og 50 % SOC til at generere data ved 10, 15, 20, 30, 35, 40 og 45 % SOC. Alle interpolationscases udviser en lav MAPE-fejl under 2 %, selvom modellen aldrig er blevet trænet med sådanne data. Intuitivt er de ekstrapolative Case6 og Case7 mere lovende med hensyn til at spare forbehandlingsomkostninger, da de anvendte træningsdata er tidseffektive og omkostningseffektive at indhente. Vi demonstrerer, at selv i OOD-cases guider den generative læringsstrategi succesfuldt de allerede målte data til at generalisere for OOD-data. Uden latent rumskalering udviser datagenereringen en klar stigende fejl, når de fysisk målte træningsdata er langt væk fra det forhold, der skal genereres, se Supplerende Fig. 12. Dette fænomen har en attraktiv implikation, at man kan udnytte de målte data til at udforske de ukendte data for at indhente de dyrere data ved hjælp af tilpassede genereringsstrategier. Vedrørende datagenereringspræstationen baseret på fordeling opnår modellen lave Kullback-Leibler-divergenser på tværs af verifikationsindstillinger, hvilket tyder på, at modellen automatisk kan lære fordelingen af allerede målte data for at skabe diversificerede datapunkter, se Supplerende Fig. 13-16. Vi evaluerer el- og CO2-emissionsbesparelserne ved hjælp af forskellige datagenereringscases. Figur 3e viser el- og CO2-emissionsbesparelserne i en stigende case-rækkefølge, og farvebjælken kortlægger de tilsvarende værdier. Bortset fra Case4 og Case5, to legetøjseksempler, kan ekstrapolationsstrategien spare op til 60.000 USD i elomkostninger og 460.000 kg CO2-emissioner, forudsat en 1000 tons batteripensionsskala. Denne prioritet opnås ved at generere dyre data, som kræver SOC-konditioneringsomkostninger, fra omkostningseffektive fysisk målte data. Inden for interpolationsgenerering fandt vi, at modellen ikke kræver strenge mellempunkter at interpolere på, hvilket fører til en brugsprioritet i Case 3, der bruger 5, 25 og 50 % SOC-data. På trods af forskellige case-sværhedsgrader er datagenereringsmodellen let at træne, konvergerer på mindre end 50 iterationer inden for millisekunders niveau, se Supplerende Fig. 17. Når den generative model er korrekt trænet, kan brugerne generere ubegrænsede data på tværs af brede pensionsforhold, uden måleomkostninger, hvilket muliggør hurtig, nøjagtig og bæredygtig SOH-estimering af pensionerede batterier til genbrugs- og genanvendelsesbeslutningstagning. Pensioneret batteri SOH estimering med genererede pulsspændingsresponsetræk Vi bruger de genererede pulsspændingsresponsetræk til at estimere SOH af pensionerede batterier. I fig. 4a illustreres SOH-estimationsydelsen under