AI Generatif Memberdayakan Penggunaan Kembali Baterai Lithium-Ion Pensiun yang Berkelanjutan

Penulis: 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 Abstrak Estimasi kondisi kesehatan (SOH) baterai bekas secara cepat dan akurat adalah pra-perlakuan krusial untuk penggunaan kembali dan daur ulang. Namun, metode berbasis data memerlukan kurasi data yang cermat di bawah kondisi pensiun acak SOH dan tingkat pengisian daya (SOC). Di sini, kami menunjukkan bahwa estimasi SOH berbantuan pembelajaran generatif menjanjikan dalam meringankan tantangan kelangkaan dan heterogenitas data, divalidasi melalui kumpulan data injeksi pulsa dari 2700 sampel baterai lithium-ion bekas, mencakup 3 jenis bahan katoda, 3 format fisik, 4 desain kapasitas, dan 4 penggunaan historis dengan 10 tingkat SOC. Menggunakan data yang dihasilkan, sebuah regressor mewujudkan estimasi SOH yang akurat, dengan kesalahan persentase absolut rata-rata di bawah 6% di bawah SOC yang belum pernah terlihat. Kami memprediksi bahwa dengan asumsi penerapan seragam teknik yang diusulkan, ini akan menghemat 4,9 miliar USD dalam biaya listrik dan 35,8 miliar kg emisi CO2 dengan mengurangi biaya kurasi data untuk skenario pensiun baterai global tahun 2030. Makalah ini menyoroti pemanfaatan data terbatas untuk mengeksplorasi ruang data yang diperluas menggunakan metode generatif, mengingat data dapat memakan waktu, mahal, dan mencemari untuk diambil untuk banyak tugas estimasi dan prediktif. Pendahuluan Elektrifikasi transportasi, sektor penting dalam transisi energi rendah karbon, telah mengubah paradigma transportasi berbasis bahan bakar fosil secara belum pernah terjadi sebelumnya. Baterai lithium-ion sangat penting untuk transisi ini dengan menyediakan pasokan energi yang terjangkau, tahan lama, dan aman untuk kendaraan listrik (EV). Total kapasitas baterai EV yang digunakan dan akhir masa pakainya akan melampaui 32–62 terawatt pada tahun 2050, jauh lebih tinggi daripada estimasi dalam skenario International Renewable Energy Agency dan Storage Lab. Namun, baterai EV bekas sangat diatur dengan nilai kapasitas sisa yang besar kurang dimanfaatkan, biasanya lebih dari 80% dari kapasitas terukur. Jika tidak ditangani dengan benar, hal itu menyebabkan beban ekonomi bagi produsen dan pengguna, serta masalah lingkungan dan sosial berikutnya, termasuk pemborosan sumber daya, risiko rantai pasokan, dan emisi karbon. Strategi yang menjanjikan untuk mengatasi kekhawatiran mengenai lonjakan pensiun baterai yang intermiten adalah penggunaan kembali dan daur ulang. Dalam penggunaan kembali, baterai bekas digunakan kembali untuk aplikasi seperti sistem penyimpanan energi yang terhubung ke jaringan, pasokan listrik rumah tangga, dan kendaraan berkecepatan rendah. Namun, penggunaan kembali memerlukan pra-perlakuan awal, termasuk penyaringan konsistensi, pemilahan kapasitas, dan pengelompokan kembali untuk memenuhi persyaratan aplikasi. Meskipun program percontohan telah dimulai, ketiadaan standar yang ketat untuk skenario penggunaan dan jalur pensiun menghambat penggunaan kapasitas sisa yang rasional. Daur ulang secara alternatif menggunakan nilai sisa baterai bekas melalui ekstraksi material atau perbaikan struktural, cocok untuk baterai bekas yang terdegradasi secara ireversibel. Dibandingkan dengan pirometalurgi dan hidrometalurgi, daur ulang langsung menonjol karena profitabilitas yang unggul, konsumsi energi yang lebih rendah, dan emisi karbon yang berkurang. Memanfaatkan pengisian ulang litium dan pasca-pemrosesan material katoda, daur ulang langsung mencapai perbaikan struktur material yang efisien, dan restorasi kinerja. Namun, status kesehatan (SOH) menentukan reagen kimia yang diperlukan dan perkiraan dosis suplementasi litium dalam formulasi strategi daur ulang langsung. Dosis yang tidak mencukupi dapat mengakibatkan perbaikan yang tidak lengkap, sementara dosis yang berlebihan dapat menyebabkan pembentukan alkali residu pada permukaan katoda, memperburuk kinerja restorasi. Sayangnya, pengambilan SOH memerlukan karakterisasi material invasif dan pengujian kalibrasi kapasitas yang memakan waktu, akuisisi SOH non-invasif, cepat, dan berkelanjutan tetap menjadi tantangan yang luar biasa. Untuk mengamankan informasi SOH yang konsisten, baterai EV dipantau, dan data operasional dicatat oleh platform cloud dan paspor baterai. Parlemen Eropa mengadopsi Arahan Baterai pada 14 Juni 2023, untuk memastikan bahwa baterai bekas dapat digunakan kembali, direkondisi, atau didaur ulang pada akhir masa pakai. Namun, prosedur pemantauan dan pencatatan yang diperlukan hanya dapat diakses pada fase layanan EV, baterai bekas tidak lagi terhubung ke unit pemantauan dalam kendaraan. Oleh karena itu, sulit untuk mengambil data SOH yang tersedia di lapangan. Integritas data seumur hidup tetap menjadi tantangan utama, menuntut estimasi SOH hanya menggunakan data lapangan, bertentangan dengan data historis atau dalam kondisi yang dapat dikontrol. Salah satu solusinya adalah melakukan pengujian kalibrasi kapasitas di lapangan pengumpulan baterai bekas, yaitu, pengkondisian status pengisian daya (SOC), yang mudah dilakukan, namun, membutuhkan waktu pengujian yang tidak terjangkau dan biaya listrik tambahan. Pengujian karakterisasi pulsa daya hibrida adalah alternatif untuk estimasi SOH melalui injeksi pulsa dinamis, tetapi urutan pengujian lengkap memakan waktu lebih dari 12 jam. Tao dkk. memanfaatkan pulsa pendek untuk estimasi SOH baterai bekas, dengan asumsi bahwa pengkondisian SOC hingga 5% SOC dilakukan, yang hampir tidak kompatibel dengan kondisi pensiun SOC acak. Kemajuan terbaru dalam pengukuran berbasis sensor meliputi pencitraan sinar-X, impedansi elektrokimia, sensor serat optik, sensor akustik, pengisian daya parsial, dan injeksi pulsa. Teknik berbasis sensor berada pada tahap laboratorium karena invasi, sementara injeksi pulsa menampilkan pemisahan degradasi baterai tanpa kerusakan fisik, secara bersamaan lebih cepat daripada metode pengisian daya parsial dan berbasis impedansi elektrokimia. Namun, injeksi pulsa adalah metode yang berpusat pada data yang hanya layak di bawah asumsi ideal bahwa data yang diukur secara fisik mencakup kondisi pensiun fase penerapan model, yang dikenal sebagai tantangan umum pergeseran domain dalam komunitas pembelajaran mesin. Meskipun ada kemajuan dalam metode pembelajaran transfer dan adaptasi domain, tantangan tetap ada karena domain target yang harus diselaraskan masih memerlukan informasi sebelumnya setelah penerapan, dan metode pembelajaran yang ada sulit diperbarui untuk kondisi pensiun acak. Alternatifnya adalah memperluas skala pengujian data di bawah kondisi pensiun yang belum dijelajahi untuk mengurangi kelangkaan dan heterogenitas data, meskipun dapat menyebabkan peningkatan biaya. Wang dkk. mengusulkan metode penggalian suhu untuk menginterpolasi preferensi kinetik reaksi pada keadaan antara yang berbeda selama proses termokimia, memungkinkan pembangunan database pelatihan yang luas dengan skala dan biaya eksperimental termokimia minimal sebagai augmentasi data untuk pelatihan model pembelajaran mesin. Selain itu, pembelajaran generatif juga menunjukkan kemungkinan estimasi SOH dengan data yang ditambah dari profil yang di-siklus sebagian, menghemat data yang diuji secara fisik yang diperlukan. Namun, kelangkaan dan heterogenitas data dalam konteks penggunaan kembali dan daur ulang baterai bahkan lebih kompleks karena campuran jenis bahan katoda, format fisik, desain kapasitas, dan penggunaan historis, membatasi integrasi potensial pengetahuan degradasi spesifik kondisi ke dalam model pembelajaran mesin. Oleh karena itu, masuk akal untuk mempertimbangkan hubungan ketergantungan antara kondisi pensiun dan respons tegangan pulsa untuk pembuatan data, tanpa menimbulkan kalibrasi kapasitas deret waktu yang panjang dan eksperimen fisik tambahan secara bersamaan, untuk meningkatkan kinerja estimasi SOH. Dalam penelitian ini, kami melakukan pra-perlakuan baterai bekas, yaitu, estimasi SOH, menggunakan data respons tegangan pulsa yang dihasilkan oleh autoencoder variasi atensi pada waktu dan biaya pengukuran fisik yang tersimpan. Proses tingkat tinggi dari langkah-langkah pra-perlakuan umum, pelatihan model generatif, dan langkah-langkah penerapan model praktis diilustrasikan pada Gambar. Ide penelitian adalah menggunakan pembelajaran generatif untuk mengeksploitasi data yang sudah diukur untuk eksplorasi respons tegangan pulsa dalam kondisi pensiun berkelanjutan, yaitu, distribusi SOC pada tahap pengumpulan baterai bekas. Estimasi SOH hilir diimplementasikan tanpa data respons pulsa yang diukur secara fisik, menghemat biaya listrik pra-perlakuan dan emisi karbon yang seharusnya diperlukan dari pengkondisian SOC ke tingkat yang diharapkan. Dibandingkan dengan metode integral ampere-jam dan injeksi pulsa pembelajaran mesin, pembelajaran generatif menggarisbawahi kecepatan generasi yang lebih cepat dan estimasi yang akurat. Dengan data yang dihasilkan, regressor sederhana berhasil mengestimasi SOH dengan kesalahan rendah di bawah kondisi pensiun SOC yang belum pernah terlihat atau tidak dapat diakses dalam database, masalah di luar distribusi (OOD) yang menantang. Masalah OOD diselesaikan dengan mempelajari pola fisik yang diwarisi antara kondisi SOC dan respons tegangan yang disebabkan oleh pulsa cepat. Kami mendemonstrasikan generalisasi metode kami dengan memverifikasi melalui 2700 sampel yang diukur secara fisik, mencakup 3 jenis bahan katoda, 3 format fisik, 4 desain kapasitas, dan 4 penggunaan historis (1 penuaan dipercepat laboratorium, 1 mengemudi EV murni, dan 2 mengemudi EV hibrida). Pembelajaran generatif cocok untuk interpolasi dan ekstrapolasi dengan mengintegrasikan pengetahuan sebelumnya tentang kondisi pensiun ke dalam penskalaan ruang laten parameter model, menghemat waktu pengukuran, biaya listrik, dan emisi karbon yang diakibatkannya tanpa mengorbankan akurasi estimasi SOH. Studi kasus global konservatif tentang pensiun baterai pada tahun 2030 menyoroti pentingnya estimasi SOH yang cepat dan berkelanjutan dalam keadaan daur ulang pirometalurgi, hidrometalurgi, dan langsung. Melalui analisis teknis-ekonomi, estimasi SOH berbantuan pembelajaran generatif dapat menghemat biaya listrik $4,9 miliar dan 35,8 miliar kg emisi CO2 pada tahun 2030 secara global. Kami membahas interpretasi model, implikasi pra-perlakuan daur ulang, dan aspek yang lebih luas dari arah pra-perlakuan daur ulang cerdas di masa depan yang terintegrasi dengan pembelajaran mesin. Langkah-langkah pra-perlakuan baterai bekas meliputi pengkondisian SOC, pengukuran fisik, pembelajaran mesin untuk diagnosis SOH, dan proses pengambilan keputusan kehidupan kedua sebelum penggunaan kembali atau daur ulang. Pengkondisian SOC mengacu pada penyesuaian nilai SOC baterai bekas ke tingkat yang diinginkan menggunakan metode arus konstan tegangan konstan (CCCV) tradisional. Skema autoencoder variasi atensi untuk pembuatan data respons tegangan pulsa. Penggunaan praktis model pembuatan data untuk estimasi SOH tidak memerlukan pengkondisian SOC tambahan. Model pembelajaran mesin yang dilatih diawasi oleh data yang dihasilkan dan menerima respons tegangan pulsa segera ketika dalam fase penerapan. Manfaat ekonomi dan lingkungan serta kecepatan generasi yang cepat dari metodologi pembelajaran generatif kami dengan menghemat biaya pengkondisian SOC dalam skenario pensiun baterai global tahun 2030. a b c d Hasil Akuisisi dataset Kelangkaan dan heterogenitas data adalah tantangan utama dalam diagnosis dan prognosis baterai berbasis data, terutama untuk baterai bekas. Kami mengumpulkan 2700 sampel dari 270 baterai bekas yang diukur secara fisik di berbagai tingkat SOC, yaitu, dari 5% hingga 50% dengan interval 5%. Pada Gambar [cite:2a], dataset mencakup 3 jenis bahan katoda yang umum digunakan, termasuk 119 NMC (nikel mangan kobalt oksida), 56 LFP (litium besi fosfat), dan 95 LMO (litium mangan oksida) yang dikumpulkan secara fisik, mencakup 3 format fisik (silinder, kantong, prismatik) dan 4 pola penggunaan historis (1 uji penuaan dipercepat laboratorium, 3 penggunaan EV, termasuk 1 mode powertrain murni elektrik dan 2 mode powertrain hibrida). Kami menekankan bahwa penyertaan sampel uji yang sangat heterogen menjadikan dataset kami sebagai dataset berbasis pulsa cepat terbesar untuk estimasi SOH baterai bekas hingga saat ini, memfasilitasi generalisasi model di luar dataset yang diukur secara fisik. Plot Sankey untuk distribusi baterai bekas, terdiri dari jenis bahan katoda, format fisik, desain kapasitas, dan penggunaan historis. Arus pulsa dan respons tegangan berikutnya dari baterai bekas, di mana fitur diekstraksi dari titik belok, yaitu, titik dengan turunan kedua nol dari kurva respons tegangan. 21 titik fitur, dari U1 hingga U21, diekstraksi. Frekuensi perekaman untuk data mentah adalah 100 Hz. Waktu istirahat adalah 25 detik antara setiap pulsa dalam C-rate. Perhatikan bahwa istilah C mewakili laju pengisian (pengosongan) ketika pengisian (pengosongan) selama 1 jam dilakukan. Suhu ambien dikontrol pada 25°C. Distribusi status kesehatan (SOH) (fit Gaussian) dari baterai bekas 2,1 Ah dan 21 Ah sebagai ilustrasi, masing-masing. Untuk distribusi SOH jenis baterai lainnya, dapat merujuk ke Gambar Tambahan. Hubungan antara respons tegangan pulsa yang terukur dan SOH yang dikalibrasi dari pengujian kalibrasi kapasitas, dengan kondisi pengisian daya (SOC) yang bervariasi. Dimensi fitur pertama, U1, diilustrasikan. Ilustrasi kasus interpolasi dan ekstrapolasi pembuatan data di bawah distribusi pensiun baterai SOC yang berbeda. Pengaturan pengujian terperinci ada di Catatan Tambahan, dicatat bahwa pengaturan C-rate identik di seluruh jenis bahan katoda. Data sumber disediakan sebagai file Data Sumber. a b c d e Berbeda dengan pengujian arus konstan tegangan konstan (CCCV) biasa, pengujian pulsa tidak menimbulkan waktu pengujian yang lama dan kerusakan tambahan pada baterai bekas. Oleh karena itu, kami menggunakan hasil CCCV sebagai nilai kapasitas benchmark SOH. Data pengujian pulsa digunakan sebagai data pelatihan untuk model pembelajaran generatif. Meskipun jenis bahan katoda baterai bervariasi, kami melakukan rekayasa fitur yang standar dan dapat diakses, memastikan kompatibilitas dalam penggunaan praktis. Gambar [cite:2b] mendemonstrasikan ekstraksi fitur setelah injeksi arus pulsa. Pengaturan eksperimental CCCV dan injeksi pulsa dapat ditemukan di Catatan Tambahan. Untuk lima pulsa pertama yang diinjeksikan, titik belok, yaitu, titik dengan turunan kedua nol dari respons tegangan, dicatat sebagai fitur, menghasilkan fitur 21 dimensi. Meskipun waktu pulsa pada tingkat 5 detik, kami juga melakukan pengukuran sensitivitas pada lebar pulsa dengan dua tujuan untuk memverifikasi ketahanan pulsa dan mempersingkat waktu pengujian lebih lanjut, mulai dari 30 ms hingga 5 detik. Kami mempertimbangkan penuaan yang dipercepat dalam tes laboratorium (Catatan Tambahan) dan penuaan mengemudi EV nyata, meskipun tidak terikat pada profil mengemudi eksplisit karena pembatasan privasi data. Pada Gambar [cite:2c], distribusi SOH baterai penuaan yang dipercepat (NMC, 2,1 Ah) dan baterai penuaan mengemudi EV murni (NMC, 21 Ah) diilustrasikan. Dicatat bahwa nilai SOH saling melengkapi di wilayah SOH yang luas, dari 0,6 hingga 1, data yang dikumpulkan mewakili skenario pensiun baterai, juga dengan kasus pensiun dini yang ekstrem. Distribusi SOH baterai lain yang dikumpulkan (LMO, 10 Ah, dan LFP 35 Ah) mencakup distribusi SOH yang luas, lihat Gambar Tambahan. Pengujian pulsa diulang pada tingkat SOC yang berbeda, mulai dari 5% hingga 50%, untuk mensimulasikan keacakan pengumpulan baterai pensiun. Wilayah SOC yang diuji berada di bawah asumsi bahwa baterai bekas menunjukkan SOC rendah atau dikenai pengosongan paksa untuk persyaratan penyimpanan gudang stasioner yang aman, sehingga batas atas SOC ditetapkan pada 50%. Pada Gambar [cite:2d], dimensi pertama dari fitur yang diekstraksi dari baterai penuaan yang dipercepat (NMC, 2,1 Ah) dan baterai penuaan mengemudi EV (NMC, 21 Ah) diilustrasikan. Meskipun ada perbedaan dalam desain kapasitas dan penggunaan historis, respons tegangan pulsa menunjukkan pola degradasi yang konsisten, begitu pula baterai bekas lainnya untuk dimensi fitur lainnya, lihat Gambar Tambahan–. Namun, distribusi SOC baterai bekas berkelanjutan, dan oleh karena itu tidak dapat habis oleh pengukuran fisik. Alih-alih memperluas skala pengujian data, kami menggunakan data respons tegangan pulsa yang sudah diuji untuk menghasilkan data yang lebih beragam di berbagai kondisi SOC. Pada Gambar [cite:2e], dua skenario generasi, yaitu, interpolasi dan ekstrapolasi, diilustrasikan, dengan penghematan pengkondisian unit, penghematan listrik, pengurangan emisi CO2, dan metode perhitungannya disajikan di Tabel Tambahan–, masing-masing. Pembuatan data respons tegangan pulsa Pertama-tama kami mempertimbangkan penggunaan data respons tegangan pulsa yang sudah terukur untuk merekonstruksi diri mereka sendiri, alih-alih langsung menghasilkan sampel data baru. Rekonstruksi berarti bahwa data yang terukur pertama-tama dikompresi ke ruang variabel laten sambil mempertahankan struktur yang dipelajari dari distribusi statistik asli (Gambar Tambahan) dan kemudian didekompresi ke dimensi asli. Dalam penelitian ini, rekonstruksi setara dengan mengawasi fase pelatihan model jaringan saraf encoder dan model jaringan saraf decoder, seperti yang diilustrasikan pada Gambar [cite:1b]. Inti idenya adalah menyeimbangkan eksploitasi data terukur yang terbatas dan eksplorasi ruang data yang diperluas menggunakan dependensi laten antara kondisi pensiun dan data respons tegangan pulsa dengan mekanisme perhatian silang, lihat “Metode”. Kemudian data yang diukur yang digabungkan dengan informasi kondisional dimasukkan ke dalam jaringan saraf encoder, memperoleh variabel laten yang berisi kondisi pensiun. Variabel laten terkompresi didekompresi dengan melatih model jaringan saraf decoder dan merekonstruksi sampel data masukan, juga dipandu oleh kondisi pensiun feed-forward. Input lain dari jaringan saraf decoder hanya kebisingan acak, tunduk pada asumsi Gaussian (Gambar Tambahan), tidak menimbulkan pengukuran eksperimental fisik yang terlibat lainnya dengan waktu pengujian tambahan, konsumsi energi, dan bahkan bahaya keselamatan. Gambar [cite:3a] menunjukkan hasil rekonstruksi data dimensi fitur pertama U1 pada nilai SOC yang dipilih (35% dan 50%), dengan kesalahan persentase absolut rata-rata (MAPE) lebih rendah dari 1%, menunjukkan bahwa model mempelajari dependensi antara data respons tegangan pulsa dan kondisi SOC. Dependensi tersebut bersifat umum dalam rentang SOH yang luas, dari 0,6 hingga 0,95. Mengenai dimensi fitur lainnya, hasil rekonstruksi masih memuaskan, dengan MAPE lebih rendah dari 1%, lihat Gambar [cite:3b]. Hasil rekonstruksi untuk jenis baterai bekas lainnya (NMC, 21 Ah, LMO, 10 Ah dan LFP, 35 Ah) disajikan pada Gambar Tambahan–, mendemonstrasikan generalisasi dan fleksibilitas model. Perlu dicatat bahwa wilayah SOC yang lebih rendah menunjukkan MAPE rekonstruksi yang relatif lebih tinggi, meskipun masih lebih rendah dari 1%, yang dapat dirasionalisasi oleh sensitivitas respons polarisasi pada wilayah SOC rendah. Oleh karena itu, disarankan untuk melakukan injeksi pulsa pada wilayah SOC menengah untuk representasi degradasi baterai yang andal. Namun, seperti yang kami tekankan pada kondisi pensiun acak dengan SOC yang berbeda, injeksi pulsa pada SOC tetap memerlukan waktu pengkondisian dan konsumsi energi yang ekstensif, memperburuk dilema antara wilayah injeksi pulsa dan waktu serta biaya pengkondisian yang tidak terjangkau, lihat Gambar Tambahan. Plot paritas hasil pelatihan model (rekonstruksi), dengan fitur U1 pada kondisi tingkat pengisian daya (SOC) yang dipilih (35% dan 50%), diilustrasikan. Heatmap kinerja pelatihan model untuk fitur U1 hingga U21. Simulasi SOC baterai bekas dalam skenario pensiun acak, termasuk kasus interpolasi dan ekstrapolasi. Kinerja pembuatan data di bawah skenario pensiun acak, di mana bar kesalahan menunjukkan deviasi standar (σ) yang dihitung di seluruh fitur 21 dimensi (n = 21 pada setiap SOC di setiap kasus) dan ketinggian bar menunjukkan rata-ratanya. Penghematan biaya listrik dan pengurangan emisi CO2 untuk skala pensiun baterai yang berbeda menggunakan pengaturan kasus pembuatan data yang berbeda. Perhatikan bahwa skala pensiun baterai bersifat logaritmik. Semua hasil berasal dari baterai NMC, 2,1 Ah sebagai ilustrasi. Data sumber disediakan sebagai file Data Sumber. a b c d e Dengan metodologi pembelajaran generatif yang diusulkan, kami menekankan bahwa data yang sudah terukur untuk tujuan pelatihan memerlukan biaya pengujian fisik tambahan, namun, generasi data tersebut gratis. Pada Gambar [cite:3c], kami memvalidasi delapan kasus pembuatan data, termasuk interpolasi dan ekstrapolasi. Dalam kasus interpolasi (dari Kasus 0 hingga Kasus 3), batas bawah dan atas SOC untuk data pelatihan ditetapkan pada masing-masing 5% dan 50%. Sebagai perbandingan, kasus ekstrapolasi (dari Kasus 4 hingga Kasus 7) berarti bahwa data yang sudah terukur tidak termasuk data OOD yang belum pernah terlihat untuk dihasilkan, sebuah masalah yang menantang dan terbuka dalam komunitas pembelajaran mesin. Di sini kami menggunakan pengetahuan sebelumnya tentang baterai bekas untuk menskalakan distribusi laten dalam jaringan saraf encoder, menggeneralisasi data yang sudah terukur ke kondisi OOD, lihat Metode. Kami mencatat bahwa Kasus 4 dan Kasus 5 adalah contoh mainan karena biaya pelatihan kasus-kasus ini lebih tinggi daripada penghematan biaya dalam menghasilkan volume data yang sama di bawah kondisi SOC yang belum pernah terlihat. Namun, kami masih menggunakan contoh mainan untuk mendemonstrasikan ketahanan penskalaan ruang laten dalam pengaturan pensiun baterai yang lebih umum. Dalam penggunaan praktis, oleh karena itu, pengguna dapat menyesuaikan strategi pembuatan data berdasarkan perdagangan antara biaya pelatihan model dan akurasi pembuatan data. Pada Gambar [cite:3d], kinerja pembuatan data berbasis jarak di bawah kondisi pensiun yang belum pernah terlihat diilustrasikan. Perlu dicatat bahwa model pembelajaran generatif yang telah dilatih digunakan untuk menghasilkan lebih banyak sampel data, terutama di bawah, tetapi tidak terbatas pada, kondisi pensiun yang belum pernah terlihat. Misalnya, Kasus 3 menggunakan data respons tegangan pulsa yang diuji secara fisik pada SOC 5%, 25%, dan 50% untuk menghasilkan data pada SOC 10%, 15%, 20%, 30%, 35%, 40%, dan 45%. Semua kasus interpolasi menunjukkan kesalahan MAPE rendah di bawah 2%, bahkan jika model tidak pernah dilatih dengan data tersebut. Secara intuitif, kasus ekstrapolatif Kasus 6 dan Kasus 7 lebih menjanjikan dalam menghemat biaya pra-perlakuan karena data pelatihan yang digunakan hemat waktu dan biaya untuk diambil. Kami mendemonstrasikan bahwa bahkan dalam kasus OOD, strategi pembelajaran generatif berhasil memandu data yang sudah terukur untuk digeneralisasi untuk data OOD. Tanpa penskalaan ruang laten, pembuatan data menunjukkan kesalahan yang meningkat jelas ketika data pelatihan yang diukur secara fisik jauh dari kondisi yang akan dihasilkan, lihat Gambar Tambahan. Fenomena ini memiliki implikasi menarik bahwa seseorang dapat memanfaatkan data yang terukur untuk mengeksplorasi data yang belum pernah terlihat untuk mengambil data dengan biaya lebih tinggi menggunakan strategi generasi khusus. Mengenai kinerja pembuatan data berbasis distribusi, model mencapai divergensi Kullback-Leibler yang rendah di berbagai pengaturan verifikasi, menunjukkan bahwa model dapat secara otomatis mempelajari distribusi data yang sudah terukur untuk membuat instance data yang beragam, lihat Gambar Tambahan–. Kami mengevaluasi penghematan listrik dan emisi CO2 menggunakan kasus pembuatan data yang berbeda. Gambar [cite:3e] menunjukkan penghematan listrik dan emisi CO2 dalam urutan kasus menaik, dan bilah warna memetakan nilai yang sesuai. Kecuali untuk Kasus 4 dan Kasus 5, dua contoh mainan, strategi ekstrapolasi dapat menghemat hingga 60.000 USD dalam biaya listrik dan 460.000 kilogram emisi CO2, dengan asumsi skala pensiun baterai 1000 ton. Prioritas ini dicapai dengan menghasilkan data mahal, yang membutuhkan biaya pengkondisian SOC, dari data yang terukur secara fisik yang hemat biaya. Di dalam generasi interpolasi, kami menemukan bahwa model tidak memerlukan titik perantara yang ketat untuk diinterpolasi, yang mengarah pada prioritas penggunaan dalam Kasus 3, menggunakan data SOC 5, 25, dan 50%. Meskipun mengalami kesulitan kasus yang berbeda, model pembuatan data mudah dilatih, konvergen dalam waktu kurang dari 50 iterasi dalam tingkat milidetik, lihat Gambar Tambahan. Setelah model generatif dilatih dengan benar, pengguna dapat menghasilkan data yang tidak terbatas di berbagai kondisi pensiun, tanpa biaya pengukuran apa pun, memfasilitasi estimasi SOH baterai bekas yang cepat, akurat, dan berkelanjutan untuk pengambilan keputusan penggunaan kembali dan daur ulang. Estimasi SOH baterai bekas dengan fitur respons tegangan pulsa yang dihasilkan Kami menggunakan fitur respons tegangan pulsa yang dihasilkan untuk mengestimasi SOH baterai bekas. Pada Gambar [cite:4a], kinerja estimasi SOH di bawah kasus pensiun baterai yang berbeda diilustrasikan, di mana titik-titik yang dibayangi dan wilayah kosong mewakili kondisi pengujian dan pelatihan model generasi, masing-masing. Mengambil Kasus 3 sebagai contoh, pengukuran pulsa fisik dilakukan pada 5, 25, dan 50%, yang digunakan untuk melatih model generasi. Model yang dilatih menghasilkan data yang belum pernah terlihat pada 10, 15, 20, 30, 35, 40, dan 45% SOC, digunakan sebagai data masukan dari regressor untuk mewujudkan estimasi SOH pada tingkat SOC yang belum pernah terlihat ini. Terlepas dari kelangkaan data, kami mendemonstrasikan bahwa data yang dihasilkan berhasil memfasilitasi estimasi SOH yang akurat dengan MAPE rata-rata dan deviasi standar 4,9% dan 2,9% dalam kasus interpretatif dan ekstrapolatif, masing-masing. Namun, pembuatan data interpolatif mengarah pada estimasi yang lebih akurat dan stabil, dibandingkan dengan generasi ekstrapolatif. MAPE rata-rata dan deviasi standar dalam kasus interpolatif adalah 4,4% dan 2,5%, masing-masing; MAPE rata-rata dan deviasi standar dalam kasus ekstrapolatif adalah 6,0% dan 2,7%, masing-masing. Fenomena ini dapat dirasionalisasi oleh tantangan dalam masalah OOD, namun, yang dikalibrasi berkat integrasi pengetahuan sebelumnya ke dalam penskalaan ruang laten, lihat “Metode”. Hasil estimasi SOH di bawah nilai SOC yang dipilih disajikan pada Gambar [cite:4b] dengan plot paritas, menunjukkan pembuatan data yang berhasil di berbagai kondisi SOC. Kinerja estimasi SOH di bawah kasus yang berbeda, yang diilustrasikan pada Gambar [cite:3c]. Plot paritas SOH sebenarnya dan estimasi dalam Kasus 3, yaitu, mengestimasi SOH baterai bekas pada 10, 15, 20, 30, 35, 40, dan 45% tingkat pengisian daya (SOC) menggunakan data yang dihasilkan dari pengukuran fisik pada 5, 25, dan 50% SOC. Perbandingan estimasi SOH antara menggunakan data yang tersedia pada kondisi yang diuji (wilayah berbayang abu-abu) dan data yang dihasilkan dalam Kasus 3. Perbandingan kinerja estimasi SOH antara menggunakan data yang tersedia pada kondisi yang diuji (wilayah berbayang abu-abu) dan data yang dihasilkan dalam Kasus 7. Perbandingan biaya waktu untuk mengambil data yang belum pernah terlihat antara pengujian pulsa pada tingkat SOC yang diperlukan dan pembuatan data berbantuan pembelajaran generatif. Semua hasil berasal dari baterai NMC, 2,1 Ah sebagai ilustrasi. Data sumber disediakan sebagai file Data Sumber. a b c d e Di sini, kami membandingkan hasil estimasi SOH dengan dan tanpa pembuatan data, menyoroti perlunya dalam kondisi pensiun yang sangat acak. Pada Gambar [cite:4c], kasus interpretatif menunjukkan akses data terbatas pada beberapa nilai SOC diskrit, ditunjukkan oleh wilayah berbayang abu-abu. Menggunakan data ini, regressor menghasilkan estimasi yang tidak akurat yang bias terhadap pusat distribusi data yang tersedia, dengan MAPE rata-rata 17,3% dan deviasi standar 7,3. Sebagai perbandingan, estimasi SOH berbantuan pembelajaran generatif menunjukkan peningkatan yang ketat. MAPE rata-rata adalah 5,4% dan deviasi standar 2,7, ditunjukkan oleh bintang pada plot. Kami mengamati perkiraan berlebih dan perkiraan kurang SOH yang menarik di bawah wilayah SOC yang lebih tinggi dan lebih rendah, yang dapat ditafsirkan oleh distribusi Gaussian rata-rata nol dan varians unit di ruang latennya (lihat “Metode”). Khususnya, mengambil perkiraan kurang sebagai contoh, respons tegangan pulsa yang dihasilkan yang dikondisikan pada wilayah SOC rendah menunjukkan nilai yang lebih tinggi, sebaliknya ditandai dengan baterai yang lebih terdegradasi dengan SOH yang lebih rendah, dan sebaliknya untuk perkiraan berlebih. Pengamatan ini memiliki implikasi penting bahwa model pembuatan data dapat disesuaikan dengan memanipulasi ruang laten untuk pembuatan data bersyarat yang belum pernah terlihat. Kami mempertimbangkan situasi ekstrem, namun lebih disukai, di mana data yang dapat diakses berada di wilayah SOC rendah. Situasi ini memiliki makna fisik yang jelas bahwa kurasi data di wilayah ini dapat meminimalkan waktu pengkondisian SOC. Namun, strategi kurasi data membawa lebih banyak kesulitan dalam estimasi yang akurat, terlepas dari bahwa waktu dan biaya kurasi dihemat. Pada Gambar [cite:4d], kami mengambil data yang dapat diakses pada SOC 5% dan 10% sebagai ilustrasi. Ini jelas menunjukkan kesalahan yang meningkat secara asimtotik ketika menggunakan data yang dapat