L'IA générative permet la réutilisation durable des batteries lithium-ion retirées du service.

Autors: 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 Resumen La estimación rápida y precisa del estado de salud (SOH) de las baterías retiradas es un pretratamiento crucial para su reutilización y reciclaje. Sin embargo, los métodos basados en datos requieren una curación exhaustiva de datos en condiciones de jubilación aleatorias de SOH y estado de carga (SOC). Aquí, mostramos que la estimación de SOH asistida por aprendizaje generativo es prometedora para aliviar los desafíos de escasez y heterogeneidad de datos, validada a través de un conjunto de datos de inyección de pulsos de 2700 muestras de baterías de iones de litio retiradas, que cubren 3 tipos de materiales de cátodo, 3 formatos físicos, 4 diseños de capacidad y 4 usos históricos con 10 niveles de SOC. Usando datos generados, un regresor realiza estimaciones precisas de SOH, con errores porcentuales absolutos medios inferiores al 6% en SOC no visto. Predecimos que, asumiendo el despliegue uniforme de la técnica propuesta, esto ahorraría 4.900 millones de USD en costos de electricidad y 35.800 millones de kg de emisiones de CO2 al mitigar los costos de curación de datos para un escenario mundial de jubilación de baterías en 2030. Este artículo destaca la explotación de datos limitados para explorar el espacio de datos extendido utilizando métodos generativos, dado que los datos pueden ser lentos, costosos y contaminantes de recuperar para muchas tareas de estimación y predicción. Introducción La electrificación del transporte, un sector crítico en la transición energética baja en carbono, ha remodelado sin precedentes el paradigma del transporte basado en combustibles fósiles. Las baterías de iones de litio son vitales para esta transición al proporcionar suministros de energía asequibles, duraderos y seguros para vehículos eléctricos (VE). La capacidad total de las baterías de VE en uso y al final de su vida útil superará los 32–62 teravatios para 2050, considerablemente más alta que la estimación en los escenarios de la Agencia Internacional de Energías Renovables y Storage Lab. Sin embargo, las baterías de VE retiradas están fuertemente reguladas con un gran valor de capacidad restante infrautilizado, típicamente más del 80% de la capacidad nominal. Si no se manejan adecuadamente, esto conduce a cargas económicas para los fabricantes y usuarios, así como a problemas ambientales y sociales posteriores, incluido el desperdicio de recursos, los riesgos de la cadena de suministro y las emisiones de carbono. Las estrategias prometedoras para abordar las preocupaciones sobre el aumento intermitente de la jubilación de baterías son la reutilización y el reciclaje. En la reutilización, las baterías retiradas se reutilizan para aplicaciones como sistemas de almacenamiento de energía conectados a la red, fuentes de alimentación residenciales y vehículos de baja velocidad. Sin embargo, la reutilización requiere pretratamientos preliminares, que incluyen cribado de consistencia, clasificación de capacidad y reagrupación para cumplir con los requisitos de la aplicación. A pesar de la iniciación de programas piloto, la ausencia de estándares estrictos para los escenarios de uso y las vías de jubilación dificulta el uso racional de la capacidad residual. El reciclaje utiliza alternativamente los valores residuales de las baterías retiradas mediante la extracción de materiales o la reparación estructural, adecuado para baterías retiradas degradadas irreversiblemente. En comparación con la pirometalurgia y la hidrometalurgia, el reciclaje directo se destaca por su rentabilidad superior, menor consumo de energía y menores emisiones de carbono. Aprovechando la reposición de litio y el postratamiento de los materiales del cátodo, el reciclaje directo logra una reparación eficiente de la estructura del material y la restauración del rendimiento. Sin embargo, el estado de salud (SOH) determina el reactivo químico requerido y las dosis anticipadas de suplementación de litio en las formulaciones de la estrategia de reciclaje directo. Una dosis insuficiente puede resultar en una reparación incompleta, mientras que una dosis excesiva puede conducir a la generación de álcali residual en la superficie del cátodo, deteriorando el rendimiento de la restauración. Desafortunadamente, la recuperación del SOH requiere caracterización de materiales invasiva y pruebas de calibración de capacidad largas, la adquisición de SOH no invasiva, rápida y sostenible sigue siendo un desafío pendiente. Para garantizar información constante del SOH, las baterías de los VE son monitoreadas y los datos operativos son registrados por plataformas en la nube y pasaportes de baterías. El Parlamento Europeo adoptó la Directiva de Baterías el 14 de junio de 2023 para garantizar que las baterías retiradas puedan ser reutilizadas, reacondicionadas o recicladas al final de su vida útil. Sin embargo, el procedimiento de monitoreo y registro requerido solo es accesible en la fase de servicio del VE, las baterías retiradas ya no están conectadas a la unidad de monitoreo del vehículo. Por lo tanto, es difícil recuperar datos de SOH disponibles en el campo. La integridad de los datos de por vida sigue siendo un desafío importante, lo que requiere la estimación de SOH utilizando solo datos de campo, en oposición a datos históricos o en condiciones controlables. Una solución es realizar una prueba de calibración de capacidad en el campo de recolección de baterías retiradas, es decir, acondicionamiento del estado de carga (SOC), que es sencillo; sin embargo, requiere un tiempo de prueba y costos de electricidad adicionales inasequibles. La prueba de caracterización de potencia de pulso híbrido es una alternativa para la estimación de SOH mediante inyección de pulso dinámico, pero la secuencia de prueba completa dura más de 12 horas. Tao et al. utilizaron pulsos cortos para la estimación de SOH de baterías retiradas, asumiendo que se realizó un acondicionamiento de SOC al 5%, lo que apenas era compatible con las condiciones aleatorias de SOC de jubilación. Los avances recientes en las mediciones basadas en sensores incluyen imágenes de rayos X, impedancia electroquímica, detección de fibra óptica, detección acústica, carga parcial e inyección de pulsos. Las técnicas basadas en sensores están en la etapa de laboratorio debido a la invasión, mientras que la inyección de pulsos presenta el desenredo de la degradación de la batería sin daños físicos, simultáneamente más rápida que los métodos basados en carga parcial e impedancia electroquímica. Sin embargo, la inyección de pulsos es un método centrado en datos que solo es factible bajo la suposición ideal de que los datos medidos físicamente abarcan las condiciones de jubilación de la fase de despliegue del modelo, conocido como el desafío común del cambio de dominio en la comunidad de aprendizaje automático. A pesar de los avances en los métodos de aprendizaje de transferencia y adaptación de dominio, persisten los desafíos ya que el dominio objetivo a alinear aún requiere información previa sobre el despliegue, y los métodos de aprendizaje existentes difícilmente se pueden actualizar para condiciones aleatorias de jubilación. Una alternativa es ampliar la escala de prueba de datos bajo condiciones de jubilación inexploradas para mitigar la escasez y heterogeneidad de datos, aunque puede generar mayores costos. Wang et al. propusieron un método de excavación de temperatura para interpolar las preferencias cinéticas de reacción en diferentes estados intermedios durante un proceso termoquímico, lo que permite la construcción de bases de datos de entrenamiento extensas a una escala y costo experimental termoquímico mínimos como aumento de datos para el entrenamiento de modelos de aprendizaje automático. Además, el aprendizaje generativo también demuestra las posibilidades de estimar el SOH con datos aumentados de perfiles parcialmente ciclados, ahorrando los datos físicamente probados requeridos. Sin embargo, la escasez y heterogeneidad de datos en el contexto de reutilización y reciclaje de baterías son aún más complejas debido a una mezcla de tipos de materiales de cátodo, formatos físicos, diseños de capacidad y usos históricos, lo que restringe la integración potencial del conocimiento específico de las condiciones de degradación en los modelos de aprendizaje automático. Por lo tanto, es razonable considerar la relación de dependencia entre las condiciones de jubilación y las respuestas de voltaje de pulso para la generación de datos, sin imponer largos calibraciones de capacidad de series temporales y experimentos físicos adicionales simultáneamente, para mejorar el rendimiento de la estimación de SOH. En este estudio, realizamos el pretratamiento de baterías retiradas, es decir, la estimación de SOH, utilizando datos de respuesta de voltaje de pulso generados por un autoencoder variacional atencional con un tiempo y costo de medición física ahorrados. El proceso de alto nivel de los pasos generales de pretratamiento, entrenamiento del modelo generativo y pasos de despliegue práctico del modelo se ilustran en la Figura 1. La idea de la investigación es utilizar el aprendizaje generativo para explotar datos ya medidos para la exploración de respuestas de voltaje de pulso en condiciones de jubilación continuas, es decir, distribución de SOC en la etapa de recolección de baterías retiradas. La estimación de SOH posterior se implementa sin datos de respuesta de pulso medidos físicamente, ahorrando costos de electricidad de pretratamiento y emisiones de carbono que de otro modo serían requeridos para acondicionar el SOC al nivel anticipado. En comparación con el método de integral amperio-hora y la inyección de pulso de aprendizaje automático, el aprendizaje generativo subraya una velocidad de generación más rápida y una estimación precisa. Con datos generados, un regresor simple estima con éxito el SOH con bajo error en condiciones de SOC no vistas o inaccesibles en la base de datos, un problema desafiante de distribución fuera de distribución (OOD). El problema OOD se resuelve aprendiendo el patrón físico heredado entre la condición de SOC y la respuesta de voltaje inducida por el pulso rápido. Demostramos la generalización de nuestro método verificando a través de 2700 muestras medidas físicamente, que abarcan 3 tipos de materiales de cátodo, 3 formatos físicos, 4 diseños de capacidad y 4 usos históricos (1 envejecimiento acelerado de laboratorio, 1 conducción de VE pura y 2 conducciones de VE híbridas). El aprendizaje generativo se adapta a la interpolación y extrapolación al integrar el conocimiento previo de las condiciones de jubilación en el escalado del espacio latente de los parámetros del modelo, ahorrando tiempo de medición, costos de electricidad y emisiones de carbono consecuentes sin comprometer la precisión de la estimación de SOH. Un estudio de caso global conservador de la jubilación de baterías en 2030 destaca la importancia de la estimación de SOH rápida y sostenible en circunstancias de reciclaje pirometalúrgico, hidrometalúrgico y directo. A través del análisis tecno-económico, la estimación de SOH asistida por aprendizaje generativo podría ahorrar 4.900 millones de dólares en costos de electricidad y 35.800 millones de kg de emisiones de CO2 para 2030 a nivel mundial. Discutimos la interpretabilidad del modelo, las implicaciones del pretratamiento de reciclaje y los aspectos más amplios de las direcciones futuras de pretratamiento de reciclaje inteligente integradas con el aprendizaje automático. Los pasos de pretratamiento de baterías retiradas incluyen el acondicionamiento del SOC, mediciones físicas, aprendizaje automático para diagnóstico de SOH y el proceso de toma de decisiones de segunda vida antes de la reutilización o el reciclaje. El acondicionamiento del SOC se refiere al ajuste de los valores de SOC de las baterías retiradas a los niveles deseados utilizando el método tradicional de corriente constante y voltaje constante (CCCV). El esquema del autoencoder variacional atencional para la generación de datos de respuesta de voltaje de pulso. El uso práctico del modelo de generación de datos para la estimación de SOH no requiere acondicionamiento de SOC adicional. El modelo de aprendizaje automático entrenado está supervisado por los datos generados y recibe respuestas de voltaje de pulso inmediatas cuando está en la fase de despliegue. Los beneficios económicos y ambientales y la velocidad de generación rápida de nuestra metodología de aprendizaje generativo al ahorrar los costos de acondicionamiento de SOC en el escenario global de jubilación de baterías de 2030. a b c d Resultados Adquisición de conjunto de datos La escasez y heterogeneidad de datos son desafíos importantes en el diagnóstico y pronóstico de baterías basados en datos, especialmente para baterías retiradas. Recopilamos 2700 muestras de 270 baterías retiradas físicamente a través de amplios niveles de SOC, es decir, del 5% al 50% con un grano del 5%. En la Figura 2a, el conjunto de datos cubre 3 tipos de materiales de cátodo predominantes, incluidas 119 baterías retiradas NMC (óxido de níquel, manganeso y cobalto) recolectadas físicamente, 56 LFP (fosfato de hierro y litio) y 95 LMO (óxido de litio y manganeso), que abarcan 3 formatos físicos (cilíndrico, tipo bolsa, prismático) y 4 patrones de uso histórico (1 prueba acelerada de laboratorio, 3 usos de VE, incluido 1 modo de propulsión puramente electrificado y 2 modos de propulsión híbridos). Enfatizamos que la inclusión de muestras de prueba altamente heterogéneas hace que nuestro conjunto de datos sea el conjunto de datos más grande basado en pulsos rápidos para la estimación de SOH de baterías retiradas hasta la fecha, lo que facilita la generalización del modelo más allá de los conjuntos de datos medidos físicamente. El gráfico de Sankey para la distribución de baterías retiradas, comprende tipos de materiales de cátodo, formatos físicos, diseños de capacidad y usos históricos. Corriente de pulso y la respuesta de voltaje subsiguiente de las baterías retiradas, donde las características se extraen de los puntos de inflexión, es decir, los puntos con derivada de segundo orden cero de la curva de respuesta de voltaje. Se extraen los 21 puntos característicos, de U1 a U21. La frecuencia de registro de los datos brutos es de 100 Hz. El tiempo de descanso es de 25 segundos entre cada pulso en C-rate. Tenga en cuenta que el término C representa la tasa de carga (descarga) cuando se realiza una carga (descarga) de 1 hora. La temperatura ambiente se controla a 25 ℃. La distribución del estado de salud (SOH) (ajuste gaussiano) de las baterías retiradas de 2.1 Ah y 21 Ah para ilustración, respectivamente. Para la distribución de SOH de otros tipos de baterías, se puede consultar la Figura Suplementaria 1. La relación entre la respuesta de voltaje de pulso medida y el SOH calibrado de la prueba de calibración de capacidad, con condiciones de estado de carga (SOC) variables. Se ilustra la primera dimensión de características, U1. Ilustración del caso de generación de datos de interpolación y extrapolación bajo diferentes distribuciones de SOC de jubilación de baterías. La configuración detallada de la prueba se encuentra en las Notas Suplementarias 1 y 2, teniendo en cuenta que la configuración de la tasa C es idéntica en todos los tipos de materiales de cátodo. Los datos fuente se proporcionan como un archivo de datos fuente. a b c d e A diferencia de la prueba constante de corriente y voltaje constante (CCCV) habitual, la prueba de pulso no inflige un tiempo de prueba prolongado ni daños adicionales a las baterías retiradas. Por lo tanto, utilizamos los resultados de CCCV como valores de capacidad de referencia para el SOH. Los datos de prueba de pulso se utilizan como datos de entrenamiento para el modelo de aprendizaje generativo. A pesar de que el tipo de material del cátodo de la batería varía, realizamos una ingeniería de características estandarizada y accesible, lo que garantiza la compatibilidad en el uso práctico. La Figura 2b demuestra la extracción de características después de la inyección de corriente de pulso. La configuración experimental de CCCV e inyección de pulso se puede encontrar en la Nota Suplementaria 1. Para los primeros cinco pulsos inyectados, los puntos de inflexión, es decir, los puntos con segunda derivada cero de las respuestas de voltaje, se registran como características, lo que resulta en características de 21 dimensiones. A pesar del tiempo de pulso a nivel de 5 segundos, también realizamos mediciones de sensibilidad en el ancho del pulso con el doble objetivo de verificar la robustez del pulso y acortar aún más el tiempo de prueba, que varía de 30 ms a 5 s. Consideramos el envejecimiento acelerado en pruebas de laboratorio (Nota Suplementaria 2) y el envejecimiento real de la conducción de VE, aunque agnósticos a los perfiles de conducción explícitos debido a restricciones de privacidad de datos. En la Figura 2c, se ilustra la distribución del SOH de las baterías de envejecimiento acelerado (NMC, 2.1 Ah) y las baterías de envejecimiento de conducción de VE (NMC, 21 Ah). Teniendo en cuenta que los valores de SOH son complementarios en una amplia región de SOH, de 0.6 a 1, los datos recopilados son representativos de escenarios de jubilación de baterías, también con casos extremos de jubilación temprana. Las distribuciones de SOH de otras baterías recolectadas (LMO, 10 Ah, y LFP 35 Ah) cubren una amplia distribución de SOH, consulte la Figura Suplementaria 1. Las pruebas de pulso se repiten en diferentes niveles de SOC, que van del 5% al 50%, para simular la aleatoriedad de la recolección de baterías retiradas. La región de SOC probada está bajo la suposición de que las baterías retiradas exhiben un SOC bajo o están sujetas a una descarga obligatoria para requisitos de almacenamiento seguro en almacenes, por lo tanto, el límite superior de SOC se establece en 50%. En la Figura 2d, se ilustra la primera dimensión de las características extraídas de las baterías de envejecimiento acelerado (NMC, 2.1 Ah) y las baterías de envejecimiento de conducción de VE (NMC, 21 Ah). A pesar de las diferencias en los diseños de capacidad y los usos históricos, las respuestas de voltaje de pulso exhiben un patrón de degradación consistente, y lo mismo ocurre con otras baterías retiradas para otras dimensiones de características, consulte las Figuras Suplementarias 2-5. Sin embargo, la distribución de SOC de las baterías retiradas es continua y, por lo tanto, no puede ser agotada por mediciones físicas. En lugar de ampliar la escala de prueba de datos, utilizamos datos de respuesta de voltaje de pulso ya probados para generar datos más diversificados en condiciones de SOC. En la Figura 2e, se ilustran dos escenarios de generación, es decir, interpolación y extrapolación, con ahorros de acondicionamiento unitario, ahorros de electricidad, reducciones de emisiones de CO2 y sus métodos de cálculo presentados en las Tablas Suplementarias 1-3, respectivamente. Generación de datos de respuesta de voltaje de pulso Primero consideramos usar los datos de respuesta de voltaje de pulso ya medidos para reconstruirlos, en lugar de generar directamente nuevas muestras de datos. La reconstrucción significa que los datos medidos primero se comprimen en un espacio de variables latentes manteniendo una estructura aprendida de las distribuciones estadísticas originales (Figura Suplementaria 6) y luego se descomprimen a las dimensiones originales. En este estudio, la reconstrucción es equivalente a supervisar la fase de entrenamiento del modelo de red neuronal codificador y del modelo de red neuronal decodificador, como se ilustra en la Figura 1b. La idea central es equilibrar la explotación de datos medidos limitados y la exploración del espacio de datos extendido utilizando dependencias latentes entre las condiciones de jubilación y los datos de respuesta de voltaje de pulso con mecanismos de atención cruzada, ver "Métodos". Luego, los datos medidos fusionados con información condicional se introducen en la red neuronal codificadora, obteniendo variables latentes que contienen las condiciones de jubilación. Las variables latentes comprimidas se descomprimen entrenando un modelo de red neuronal decodificadora y reconstruyendo las muestras de datos de entrada, también guiadas por las condiciones de jubilación de avance. Otra entrada de la red neuronal decodificadora es solo ruido aleatorio, sujeto a la suposición gaussiana (Figura Suplementaria 7), lo que no inflige mediciones experimentales físicas que de otro modo implicarían tiempo de prueba adicional, consumo de energía e incluso peligros de seguridad. La Figura 3a muestra los resultados de reconstrucción de datos de la primera dimensión de características U1 en valores de SOC seleccionados (35% y 50%), con un error porcentual absoluto medio (MAPE) inferior al 1%, lo que indica que el modelo aprendió las dependencias entre los datos de respuesta de voltaje de pulso y las condiciones de SOC. Dichas dependencias son de generalidad en un amplio rango de SOH, de 0.6 a 0.95. Con respecto a otras dimensiones de características, los resultados de reconstrucción de datos siguen siendo satisfactorios, con un MAPE inferior al 1%, ver Figura 3b. Los resultados de reconstrucción para otros tipos de baterías retiradas (NMC, 21 Ah, LMO, 10 Ah y LFP, 35 Ah) se presentan en las Figuras Suplementarias 8-10, lo que demuestra la generalidad y flexibilidad del modelo. Cabe señalar que las regiones de SOC más bajas exhiben un MAPE de reconstrucción comparativamente más alto, aunque todavía por debajo del 1%, lo que se puede justificar por la sensibilidad de la respuesta de polarización en las regiones de SOC bajas. Por lo tanto, se recomienda realizar inyecciones de pulso en una región de SOC media para una representación confiable de la degradación de la batería. Sin embargo, como destacamos las condiciones aleatorias de jubilación con diferentes SOC, la inyección de pulso en SOC fijo necesita un tiempo y consumo de energía de acondicionamiento extensos, exacerbando un dilema entre las regiones de inyección de pulso y el tiempo y costo de acondicionamiento inasequibles, ver Figura Suplementaria 11. La gráfica de paridad de los resultados de entrenamiento del modelo (reconstrucción), con la característica U1 en la condición de estado de carga (SOC) seleccionada (35% y 50%), se ilustra. El mapa de calor del rendimiento de entrenamiento del modelo para las características U1 a U21. Simulación de SOC de las baterías retiradas en escenarios de jubilación aleatorios, incluidos casos de interpolación y extrapolación. El rendimiento de la generación de datos bajo los escenarios de jubilación aleatorios, donde las barras de error indican la desviación estándar calculada en 21 dimensiones de características (n = 21 en cada SOC en cada caso) y la altura de la barra indica su media. El ahorro de costos de electricidad y las reducciones de emisiones de CO2 para diferentes escalas de jubilación de baterías utilizando diferentes configuraciones de casos de generación de datos. Tenga en cuenta que la escala de jubilación de baterías es logarítmica. Todos los resultados son de baterías NMC, 2.1 Ah para ilustración. Los datos fuente se proporcionan como un archivo de datos fuente. a b c d e Con la metodología de aprendizaje generativo propuesta, enfatizamos que los datos ya medidos para fines de entrenamiento tienen un costo de pruebas físicas adicionales, sin embargo, la generación es gratuita. En la Figura 3c, validamos ocho casos de generación de datos, incluidos interpolación y extrapolación. En los casos de interpolación (del Caso0 al Caso3), los límites inferior y superior del SOC para los datos de entrenamiento se fijan en 5% y 50%, respectivamente. En comparación, los casos de extrapolación (del Caso4 al Caso7) significan que los datos ya medidos son exclusivos de datos no vistos OOD para generar, un problema desafiante y abierto en las comunidades de aprendizaje automático. Aquí usamos el conocimiento previo de las baterías retiradas para escalar la distribución latente en la red neuronal codificadora, generalizando los datos ya medidos a condiciones OOD, ver Métodos. Observamos que el Caso4 y el Caso5 son ejemplos triviales ya que los costos de entrenamiento de estos casos son mayores que los ahorros de costos de generar el mismo volumen de datos en condiciones de SOC no vistas. Sin embargo, todavía usamos los casos triviales para demostrar la robustez del escalado del espacio latente en entornos de jubilación de baterías más generalizados. En uso práctico, por lo tanto, los usuarios podrían personalizar la estrategia de generación de datos según el equilibrio entre el costo de entrenamiento del modelo y la precisión de la generación de datos. En la Figura 3d, se ilustra el rendimiento de la generación de datos basado en distancia bajo condiciones de jubilación no vistas. Cabe señalar que el modelo de aprendizaje generativo entrenado se utiliza para generar más muestras de datos, especialmente bajo, pero no limitado a, condiciones de jubilación no vistas. Por ejemplo, el Caso3 utiliza los datos de respuesta de voltaje de pulso probados físicamente al 5%, 25% y 50% de SOC para generar datos al 10%, 15%, 20%, 30%, 35%, 40% y 45% de SOC. Todos los casos de interpolación exhiben un bajo error MAPE por debajo del 2%, incluso si el modelo nunca ha sido entrenado con tales datos. Intuitivamente, el Caso6 y el Caso7 extrapolativos son más prometedores para ahorrar costos de pretratamiento, ya que los datos de entrenamiento utilizados son eficientes en tiempo y costo de recuperar. Demostramos que incluso en casos OOD, la estrategia de aprendizaje generativo guía con éxito los datos ya medidos para generalizar a datos OOD. Sin escalado del espacio latente, la generación de datos exhibe un claro aumento del error cuando los datos de entrenamiento medidos físicamente están lejos de la condición a generar, ver Figura Suplementaria 12. Este fenómeno tiene una implicación atractiva de que uno puede explotar los datos medidos para explorar los datos no vistos para recuperar datos de mayor costo utilizando estrategias de generación personalizadas. Con respecto al rendimiento de la generación de datos basado en la distribución, el modelo logra bajas divergencias de Kullback-Leibler en todas las configuraciones de verificación, lo que sugiere que el modelo puede aprender automáticamente la distribución de los datos ya medidos para crear instancias de datos diversificadas, ver Figuras Suplementarias 13-16. Evaluamos los ahorros de electricidad y emisiones de CO2 utilizando diferentes casos de generación de datos. La Figura 3e muestra los ahorros de electricidad y emisiones de CO2 en orden ascendente de casos, y la barra de color mapea los valores correspondientes. Excepto para el Caso4 y el Caso5, dos ejemplos triviales, la estrategia de extrapolación puede ahorrar hasta 60.000 USD en costos de electricidad y 460.000 kilogramos de emisiones de CO2, asumiendo una escala de jubilación de baterías de 1000 toneladas. Esta prioridad se logra generando datos costosos, que requieren costos de acondicionamiento de SOC, a partir de datos medidos físicamente rentables. Dentro de la generación de interpolación, encontramos que el modelo no requiere puntos intermedios estrictos para interpolar, lo que lleva a una prioridad de uso en el Caso 3, utilizando datos de SOC del 5%, 25% y 50%. A pesar de las diferentes dificultades del caso, el modelo de generación de datos es fácil de entrenar, convergiendo en menos de 50 iteraciones en un nivel de milisegundos, ver Figura Suplementaria 17. Una vez que el modelo generativo está debidamente entrenado, los usuarios pueden generar datos ilimitados en amplias condiciones de jubilación, sin costos de medición, lo que facilita la estimación rápida, precisa y sostenible del SOH de baterías retiradas para la toma de decisiones de reutilización y reciclaje. Estimación de SOH de baterías retiradas con características de respuesta de voltaje de pulso generadas Utilizamos las características de respuesta de voltaje de pulso generadas para estimar el SOH de las baterías retiradas. En la Figura 4a, se ilustra el rendimiento de la estimación de SOH bajo diferentes casos de jubilación de baterías, donde las dispersiones sombreadas y las regiones vacías representan las condiciones de prueba y entrenamiento del modelo de generación, respectivamente. Tomando el Caso 3 como ejemplo, las mediciones de pulso físicas se realizan al 5%, 25% y 50%, que se utilizan para entrenar el modelo de generación. El modelo entrenado genera datos no vistos al 10%, 15%, 20%, 30%, 35%, 40% y 45% de SOC, que se utilizan como datos de entrada de un regresor para realizar la estimación de SOH en estos niveles de SOC no vistos. Independientemente de la escasez de datos, demostramos que los datos generados facilitan con éxito una estimación precisa del SOH con un MAPE y una desviación estándar promedio de 4.9% y 2.9% en casos interpretativos y extrapolativos, respectivamente. Sin embargo, la generación de datos interpolativa conduce a estimaciones más precisas y estables, en comparación con la generación extrapolativa. El MAPE y la desviación estándar promedio en casos interpolativos son 4.4% y 2.5%, respectivamente; el MAPE y la desviación estándar promedio en casos extrapolativos son 6.0% y 2.7%, respectivamente. Este fenómeno se puede justificar por los desafíos en los problemas OOD, sin embargo, que se calibra gracias a la integración del conocimiento previo en el escalado del espacio latente, ver "Métodos". Los resultados de la estimación de SOH bajo valores de SOC seleccionados se presentan en la Figura 4b con gráficos de paridad, lo que indica una generación de datos exitosa en amplias condiciones de SOC. Rendimiento de la estimación de SOH bajo diferentes casos, que se ilustran en la Figura 3c. La gráfica de paridad del SOH verdadero y estimado en el Caso 3, es decir, estimando el SOH de la batería retirada al 10%, 15%, 20%, 30%, 35%, 40% y 45% de estado de carga (SOC) utilizando datos generados a partir de mediciones físicas al 5%, 25% y 50% de SOC. Comparación de la estimación de SOH entre el uso de los datos disponibles en las condiciones probadas (región sombreada en gris) y los datos generados en el Caso 3. Comparación del rendimiento de la estimación de SOH entre el uso de los datos disponibles en las condiciones probadas (región sombreada en gris) y los datos generados en el Caso 7. Comparación del costo de tiempo para recuperar datos no vistos entre la prueba de pulso en el nivel de SOC requerido y la generación de datos asistida por aprendizaje generativo. Todos los resultados son de baterías NMC, 2.1 Ah para ilustración. Los datos fuente se proporcionan como un archivo de datos fuente. a b c d e