Sogeneratyvinis DI maitina pasyvių ličio jonų baterijų tausojantį pakartotinį naudojimą

```html Autoriai: 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 Santrauka Baterijų būklės (SOH) greitas ir tikslus įvertinimas yra labai svarbus išankstinis paruošimas pakartotinam naudojimui ir perdirbimui. Tačiau duomenimis pagrįsti metodai reikalauja išsamaus duomenų tvarkymo esant atsitiktiniams SOH ir įkrovos būklės (SOC) išėjimo iš eksploatavimo sąlygoms. Čia parodome, kad generatyvusis mokymasis, padedantis įvertinti SOH, yra perspektyvus sprendžiant duomenų trūkumo ir heterogeniškumo problemas, patvirtintas 2700 naudotų ličio jonų baterijų mėginių, apimančių 3 katodinių medžiagų tipus, 3 fizinius formatus, 4 talpos dizainus ir 4 istorinius naudojimo būdus su 10 SOC lygių, impulsų injekcijos duomenimis. Naudojant sugeneruotus duomenis, regresorius tiksliai įvertina SOH, kai vidutinė absoliuti procentinė paklaida (MAPE) yra mažesnė nei 6 % esant nematytiems SOC. Mes prognozuojame, kad, numatydami vienodą siūlomo metodo diegimą, tai sutaupytų 4,9 mlrd. USD elektros energijos sąnaudų ir 35,8 mlrd. kg CO2 emisijų, sumažinant duomenų tvarkymo išlaidas pasaulinei baterijų išėmimo iš eksploatavimo 2030 m. prognozei. Šis darbas pabrėžia ribotų duomenų naudojimą, siekiant ištirti išplėstą duomenų erdvę naudojant generatyvinius metodus, atsižvelgiant į tai, kad duomenų rinkimas gali būti daug laiko trunkantis, brangus ir taršus daugeliui vertinimo ir prognozavimo užduočių. Įvadas Transporto elektrifikacija, svarbus sektorius siekiant pereiti prie mažai anglies dioksido į aplinką išskiriančios energetikos, beprecedentiškai pakeitė angliavandeniliais pagrįstą transporto paradigmą. Ličio jonų baterijos yra gyvybiškai svarbios šiam perėjimui, užtikrinant prieinamą, patvarų ir saugų energijos tiekimą elektrinėms transporto priemonėms (EV). Bendras naudojamų ir pasibaigusio tarnavimo laiko EV baterijų pajėgumas 2050 m. viršys 32–62 teravatvalandas, gerokai viršydamas Tarptautinės atsinaujinančiosios energijos agentūros ir „Storage Lab“ scenarijuose pateiktus įverčius. Tačiau pasibaigusio tarnavimo laiko EV baterijos yra griežtai reglamentuojamos, su didžiule nepakankamai išnaudota likusia talpa, paprastai viršijančia 80 % vardinės talpos. Jei jos nebus tinkamai tvarkomos, tai sukels ekonominę naštą gamintojams ir vartotojams, taip pat vėlesnes aplinkosaugos ir socialines problemas, įskaitant išteklių švaistymą, tiekimo grandinių riziką ir anglies dioksido emisijas. Perspektyvios strategijos, kaip spręsti problemas, susijusias su didėjančiu baterijų išėjimu iš eksploatavimo, yra pakartotinis naudojimas ir perdirbimas. Pakartotinai naudojant baterijos perdirbamos į tokias programas kaip tinklo energijos saugojimo sistemos, buitiniai elektros energijos šaltiniai ir lėtai judančios transporto priemonės. Tačiau pakartotinam naudojimui reikalingas išankstinis paruošimas, įskaitant nuoseklumo patikrinimą, talpos rūšiavimą ir sujungimą, kad atitiktų taikymo reikalavimus. Nepaisant bandomųjų programų pradžios, griežtų naudojimo scenarijų ir išėjimo iš eksploatavimo kelių standartų trūkumas trukdo racionaliai naudoti likusią talpą. Perdirbimas alternatyviai naudoja likusią pasibaigusio tarnavimo laiko baterijų vertę perdirbant medžiagas arba taisant konstrukciją, tinka negrįžtamai susidėvėjusioms baterijoms. Palyginus su pirometaluurgija ir hidrometalurgija, tiesioginis perdirbimas išsiskiria didesniu pelningumu, mažesniu energijos suvartojimu ir mažesnėmis anglies dioksido emisijomis. Panaudojant ličio papildymą ir katodinių medžiagų apdorojimą, tiesioginis perdirbimas leidžia efektyviai taisyti medžiagų struktūrą ir atkurti veikimą. Tačiau sveikatos būklė (SOH) lemia reikiamą cheminį reagentą ir numatomus ličio papildymo kiekius formuluojant tiesioginio perdirbimo strategijas. Nepakankamas dozavimas gali sukelti neišsamų remontą, o per didelis dozavimas gali sukelti likusio šarmo susidarymą ant katodo paviršiaus, pablogindamas atkūrimo veikimą. Deja, SOH gavimas reikalauja invazyvios medžiagų charakterizacijos ir ilgų talpos kalibravimo bandymų; neinvazinis, greitas ir tvarus SOH gavimas išlieka dideliu iššūkiu. Siekiant užtikrinti nuoseklią SOH informaciją, EV baterijos stebimos, o veiklos duomenys įrašomi debesų platformose ir baterijų pasuose. Europos Parlamentas 2023 m. birželio 14 d. priėmė Baterijų direktyvą, kad pasibaigusios tarnavimo laiko baterijos galėtų būti pakartotinai naudojamos, atnaujinamos arba perdirbamos pasibaigus tarnavimo laikui. Tačiau reikalinga stebėjimo ir įrašymo procedūra pasiekiama tik EV naudojimo fazėje, pasibaigusio tarnavimo laiko baterijos nebėra prijungtos prie transporto priemonės stebėjimo įrenginio. Taigi, sunku gauti lauko duomenis apie SOH. Gyvavimo ciklo duomenų vientisumas išlieka dideliu iššūkiu, todėl reikia įvertinti SOH naudojant tik lauko duomenis, priešingai nei istorinių duomenų ar kontroliuojamomis sąlygomis. Vienas sprendimas yra atlikti talpos kalibravimo bandymą surinkimo aikštelėje, ty SOC kondicionavimas, kuris yra paprastas, tačiau reikalauja neįperkamai daug bandymų laiko ir papildomų elektros sąnaudų. Hibridinis impulsų galios charakterizavimo bandymas yra alternatyva SOH įvertinimui dinamiškai impulsų injekcijai, tačiau pilna bandymo seka trunka daugiau nei 12 valandų. Tao ir kt. naudojo trumpus impulsus SOH įvertinimui pasibaigusio tarnavimo laiko baterijoms, darant prielaidą, kad buvo atliktas SOC kondicionavimas iki 5 % SOC, o tai vargu ar suderinama su atsitiktinėmis išėjimo iš eksploatavimo SOC sąlygomis. Naujausi jutiklių matavimų pažanga apima rentgeno vaizdavimą, elektrocheminį impedansą, optinio pluošto jutiklius, akustinius jutiklius, dalinį įkrovimą ir impulsų injekciją. Jutiklių metodai yra laboratorinėje stadijoje dėl invazyvumo, o impulsų injekcija pasižymi baterijos degradacijos atskyrimu be fizinių pažeidimų, tuo pačiu metu greičiau nei dalinis įkrovimas ir elektrocheminio impedanso metodai. Tačiau impulsų injekcija yra duomenų centrinis metodas, kuris yra įmanomas tik esant idealiam prielaidai, kad fiziškai išmatuoti duomenys atitinka modelio diegimo fazės išėjimo iš eksploatavimo sąlygas, žinoma kaip įprasta domenų poslinkio problema mašininio mokymosi bendruomenėje. Nepaisant pažangos perkėlimo mokymosi ir domenų adaptacijos metoduose, išlieka iššūkiai, nes tikslinio domeno suderinimas vis tiek reikalauja išankstinės informacijos diegimo metu, o esami mokymosi metodai vargu ar gali būti atnaujinti atsitiktinėms išėjimo iš eksploatavimo sąlygoms. Alternatyva yra duomenų testavimo masto išplėtimas nenagrinėtomis išėjimo iš eksploatavimo sąlygomis, siekiant sumažinti duomenų trūkumą ir heterogeniškumą, tačiau tai gali padidinti išlaidas. Wang ir kt. pasiūlė temperatūros kasimo metodą, kad interpoliuotų reakcijos kinetikos preferencijas skirtingose tarpinėse stadijose termocheminio proceso metu, leidžiantį sukurti plačias mokymo duomenų bazes esant minimaliam termocheminių eksperimentų mastui ir sąnaudoms kaip papildomų duomenų mašininio mokymosi modelio mokymui. Be to, generatyvusis mokymasis taip pat rodo galimybes įvertinti SOH su papildomais duomenimis iš dalinai cikluotų profilių, taupant reikalingus fiziškai išbandytus duomenis. Tačiau baterijų pakartotinio naudojimo ir perdirbimo kontekste duomenų trūkumas ir heterogeniškumas yra dar sudėtingesni dėl katodinių medžiagų tipų, fizinių formatų, talpos dizainų ir istorinių naudojimo būdų mišinio, ribojant sąlygoms specifinių degradacijos žinių integracijos į mašininio mokymosi modelius galimybes. Taigi, yra pagrįsta atsižvelgti į priklausomybės santykius tarp išėjimo iš eksploatavimo sąlygų ir impulsų įtampos atsakymų, siekiant generuoti duomenis, nepatiriant ilgų laiko serijos talpos kalibravimo ir papildomų fizinių eksperimentų vienu metu, siekiant pagerinti SOH įvertinimo našumą. Šiame tyrime atliekame pasibaigusio tarnavimo laiko baterijų išankstinį apdorojimą, ty SOH įvertinimą, naudodami impulsų įtampos atsakymo duomenis, generuojamus dėmesio variacinio automatinio kodavimo įrenginio, sutaupant fizinio matavimo laiką ir išlaidas. Bendras išankstinio apdorojimo žingsnių, generatyvinio modelio mokymo ir praktinio modelio diegimo žingsnių procesas parodytas 1 pav.. Tyrimo idėja yra naudoti generatyvinį mokymąsi, siekiant išnaudoti jau išmatuotus duomenis, kad būtų galima ištirti impulsų įtampos atsakymus įvairiose išėjimo iš eksploatavimo sąlygose, ty SOC pasiskirstymą pasibaigusio tarnavimo laiko baterijų surinkimo stadijoje. Tolesnis SOH įvertinimas atliekamas be fiziškai išmatuotų impulsų atsakymo duomenų, taupant išankstinio apdorojimo elektros sąnaudas ir anglies dioksido emisijas, kurios kitu atveju būtų reikalingos kondicionuojant SOC iki numatyto lygio. Palyginus su ampervalandos integravimo metodu ir mašininio mokymosi impulsų injekcija, generatyvusis mokymasis išsiskiria greitesniu generavimo greičiu ir tiksliu įvertinimu. Naudojant sugeneruotus duomenis, paprastas regresorius sėkmingai įvertina SOH su maža paklaida esant nematytiems ar neprieinamiems SOC išėjimo iš eksploatavimo sąlygoms duomenų bazėje, o tai yra sudėtinga iš distributyvo (OOD) problema. OOD problema išsprendžiama mokantis paveldėto fizinio ryšio tarp SOC sąlygos ir įtampos atsakymo, kurį sukelia greitas impulsas. Mes parodome mūsų metodo generalizuojamumą, patikrindami 2700 fiziškai išmatuotų mėginių, apimančių 3 katodinių medžiagų tipus, 3 fizinius formatus, 4 talpos dizainus ir 4 istorinius naudojimo būdus (1 laboratorinis pagreitintas senėjimas, 1 grynos akumuliatoriaus EV važiavimas ir 2 hibridiniai EV važiavimo būdai). Generatyvusis mokymasis tinka interpoliavimui ir ekstrapoliavimui, integruojant išankstines žinias apie išėjimo iš eksploatavimo sąlygas į latentinės erdvės mastą, sutaupant matavimo laiką, elektros sąnaudas ir atitinkamas anglies dioksido emisijas, nepakenkiant SOH įvertinimo tikslumui. Atsargus pasaulinis baterijų išėjimo iš eksploatavimo 2030 m. scenarijus pabrėžia greito ir tvaraus SOH įvertinimo svarbą pirometalurgijos, hidrometalurgijos ir tiesioginio perdirbimo aplinkybėse. Techninės ir ekonominės analizės dėka generatyvusis mokymasis, padedantis įvertinti SOH, iki 2030 m. pasaulyje galėtų sutaupyti 4,9 mlrd. USD elektros sąnaudų ir sumažinti 35,8 mlrd. kg CO2 emisijų. Aptariame modelio aiškinamumą, perdirbimo išankstinio apdorojimo pasekmes ir platesnius ateities išmaniųjų perdirbimo išankstinio apdorojimo krypčių, integruotų su mašininiu mokymusi, aspektus. **a** Pasibaigusio tarnavimo laiko baterijų išankstinio apdorojimo žingsniai apima SOC kondicionavimą, fizinius matavimus, mašininį mokymąsi SOH diagnozei ir antrojo gyvenimo sprendimų priėmimo procesą prieš pakartotinį naudojimą ar perdirbimą. SOC kondicionavimas reiškia pasibaigusio tarnavimo laiko baterijų SOC lygių reguliavimą iki norimų lygių naudojant tradicinį nuolatinės srovės nuolatinės įtampos (CCCV) metodą. **b** Dėmesio variacinio automatinio kodavimo įrenginio schema impulsų įtampos atsakymo duomenims generuoti. **c** Praktinis duomenų generavimo modelio naudojimas SOH vertinimui nereikalauja papildomo SOC kondicionavimo. Mokomasis mašininio mokymosi modelis yra prižiūrimas sugeneruotų duomenų ir gauna tiesioginius impulsų įtampos atsakymus diegimo fazėje. **d** Ekonominiai ir aplinkosauginiai privalumai ir greitas generavimo greitis, kurį suteikia mūsų generatyvusis mokymosi metodas, taupant SOC kondicionavimo sąnaudas 2030 m. pasaulinėje baterijų išėjimo iš eksploatavimo scenarijuje. Rezultatai Duomenų rinkinys Duomenų trūkumas ir heterogeniškumas yra dideli iššūkiai duomenimis pagrįstai baterijų diagnostikai ir prognozei, ypač pasibaigusio tarnavimo laiko baterijoms. Surinkome 2700 mėginių iš 270 fiziškai pasibaigusio tarnavimo laiko baterijų plačiuose SOC diapazonuose, ty nuo 5% iki 50% su 5% žingsniu. 2 pav. a diagramoje duomenų rinkinį sudaro 3 vyraujančios katodinės medžiagos tipai, įskaitant 119 fiziškai surinktų NMC (nikelio mangano kobalto oksido), 56 LFP (ličio geležies fosfato) ir 95 LMO (ličio mangano oksido) pasibaigusio tarnavimo laiko baterijų, apimančių 3 fizinius formatus (cilindrinis, maišelis, prizminis) ir 4 istorinius naudojimo būdus (1 laboratorinis pagreitintas testas, 3 EV naudojimo būdai, įskaitant 1 grynai elektrifikuotą pavaros režimą ir 2 hibridinius pavaros režimus). Pabrėžiame, kad įtraukus labai heterogeniškus bandymų mėginius, mūsų duomenų rinkinys yra didžiausias greito impulsų pagrįstas duomenų rinkinys SOH įvertinimui pasibaigusio tarnavimo laiko baterijoms iki šiol, palengvinantis modelio generalizuojamumą už fizinių matavimų ribų. **a** Sankey diagrama pasibaigusio tarnavimo laiko baterijų pasiskirstymui, apimanti katodinių medžiagų tipus, fizinius formatus, talpos dizainus ir istorinį naudojimą. **b** Impulsų srovė ir vėlesnis pasibaigusio tarnavimo laiko baterijų įtampos atsakymas, kur savybės išgaunamos iš posūkio taškų, ty taškų su nuline antrosios eilės įtampos atsakymo kreivės išvestine. Išgaunami 21 bruožo taškas, nuo U1 iki U21. Žalių duomenų įrašymo dažnis yra 100 Hz. C laipsnio impulso tarpui yra 25 sekundės. Pastaba: C reiškia įkrovimo (iškrovimo) greitį, kai atliekamas 1 valandos įkrovimas (iškrovimas). Aplinkos temperatūra kontroliuojama 25 . **c** Pasibaigusio tarnavimo laiko 2,1 Ah ir 21 Ah baterijų SOH pasiskirstymas (Gauso fitas) iliustracijai. Dėl kitų tipų baterijų SOH pasiskirstymo skaitykite papildomą Fig.. **d** Ryšys tarp išmatuoto impulsų įtampos atsakymo ir sukalibruoto SOH iš talpos kalibravimo testo, kintant įkrovos būklei (SOC). Pavaizduota pirmoji bruožo dimensija, U1. **e** Duomenų generavimo, interpoliavimo ir ekstrapoliavimo atvejų iliustracija esant skirtingiems baterijų išėjimo iš eksploatavimo SOC pasiskirstymams. Detalūs testavimo nustatymai yra papildomuose 1 ir 2 pastabose, atkreipiant dėmesį, kad C laipsnio nustatymas yra identiškas visoms katodinėms medžiagoms. Šaltiniai duomenys pateikiami kaip šaltinių duomenų failas. Skirtingai nei įprastas nuolatinės srovės nuolatinės įtampos (CCCV) testavimas, impulsų testas nesukelia ilgai trunkančio bandymo laiko ir papildomų pažeidimų pasibaigusio tarnavimo laiko baterijoms. Todėl CCCV rezultatus naudojame kaip SOH etaloninius talpos vertes. Impulsų testo duomenys naudojami kaip mokymo duomenys generatyviniam mokymosi modeliui. Net ir skiriantis baterijų katodinės medžiagos tipui, atliekame standartizuotą ir prieinamą bruožų inžineriją, užtikrinančią praktinio naudojimo suderinamumą. 2 pav. b parodytas bruožų išgavimas po impulsų srovės injekcijos. CCCV ir impulsų injekcijos eksperimentiniai nustatymai pateikiami 1 papildomoje pastaboje. Pirmiesiems penkiems injekuotiems impulsams posūkio taškai, ty taškai su nuline antrosios eilės įtampos atsakymų išvestine, yra įrašomi kaip bruožai, gaunant 21 matmens bruožus. Nepaisant 5 s impulsų trukmės, mes taip pat atliekame jautrumo matavimą impulsų pločiui su dvigubu tikslu patikrinti impulsų patikimumą ir dar labiau sutrumpinti bandymo laiką, svyruojant nuo 30 ms iki 5 s. Mes atsižvelgiame į pagreitintą senėjimą laboratoriniuose testuose (1 papildoma pastaba) ir realų EV vairavimą, nors ir neskelbiame konkrečių vairavimo profilių dėl duomenų privatumo apribojimų. 2 pav. c parodytas pagreitinto senėjimo baterijų (NMC, 2,1 Ah) ir gryno akumuliatoriaus EV vairavimo senėjimo baterijų (NMC, 21 Ah) SOH pasiskirstymas. Pastaba: SOH vertės yra papildomos plačioje SOH zonoje, nuo 0,6 iki 1, surinkti duomenys atspindi baterijų išėjimo iš eksploatavimo scenarijus, taip pat ir ekstremalius ankstyvo išėjimo atvejus. LMO, 10 Ah ir LFP 35 Ah surinktų baterijų SOH pasiskirstymai apima plačią SOH pasiskirstymą, žr. 1 papildomą Fig.. Impulsų bandymai kartojami skirtingais SOC lygiais, svyruojant nuo 5% iki 50%, kad būtų imituotas atsitiktinis pasibaigusio tarnavimo laiko baterijų surinkimas. Išbandytas SOC diapazonas yra daromas prielaida, kad pasibaigusio tarnavimo laiko baterijos arba rodo žemą SOC, arba yra priverstinai iškraunamos saugaus stacionaraus sandėliavimo reikalavimams, todėl SOC viršutinė riba nustatyta 50%. 2 pav. d parodyta pirmoji išpagreitinto senėjimo baterijų (NMC, 2,1 Ah) ir EV vairavimo senėjimo baterijų (NMC, 21 Ah) išgautų bruožų dimensija. Nepaisant talpos dizainų ir istorinių naudojimo būdų skirtumų, impulsų įtampos atsakymai rodo nuoseklų degradacijos modelį, kaip ir kitos pasibaigusio tarnavimo laiko baterijos kitoms bruožų dimensijoms, žr. 2–5 papildomas Fig.. Tačiau pasibaigusio tarnavimo laiko baterijų SOC pasiskirstymas yra tęstinis, todėl jo negalima išsemti fiziniais matavimais. Vietoj to, kad išplėstume duomenų testavimo mastą, naudojame jau išbandytus impulsų įtampos atsakymų duomenis, kad sukurtume įvairesnius duomenis įvairioms SOC sąlygoms. 2 pav. e iliustruojami du generavimo scenarijai, ty interpoliavimas ir ekstrapoliavimas, su vienetinių kondicionavimo sąnaudų, elektros energijos taupymo, CO2 emisijų mažinimo ir jų skaičiavimo metodais, pateikiamais 1–3 papildomose lentelėse. Impulsų įtampos atsakymo duomenų generavimas Pirmiausia apsvarstome galimybę naudoti jau išmatuotus impulsų įtampos atsakymų duomenis jiems atkurti, o ne tiesiogiai generuoti naujus duomenų pavyzdžius. Rekonstrukcija reiškia, kad išmatuoti duomenys pirmiausia suspaudžiami į latentinių kintamųjų erdvę, išlaikant iš originalių statistinių pasiskirstymų išmoktą struktūrą (6 papildoma Fig.), o vėliau išplečiami iki originalių matmenų. Šiame tyrime rekonstrukcija yra lygiavertė kodavimo neuronų tinklo modelio ir dekoderio neuronų tinklo mokymo fazės prižiūrėjimui, kaip parodyta 1 pav. b. Pagrindinė idėja yra subalansuoti ribotų išmatuotų duomenų išnaudojimą ir išplėstinės duomenų erdvės tyrimą naudojant latentinius ryšius tarp išėjimo iš eksploatavimo sąlygų ir impulsų įtampos atsakymų duomenų su kryžminio dėmesio mechanizmais, žr. „Metodai“. Tada išmatuoti duomenys, sujungti su sąlyginiais duomenimis, paduodami į kodavimo neuronų tinklą, gaunami latentiniai kintamieji, kuriuose yra išėjimo iš eksploatavimo sąlygos. Suspausti latentiniai kintamieji yra išplečiami mokant dekoderio neuronų tinklo modelį ir rekonstruojant originalius duomenų pavyzdžius, taip pat vadovaujantis tiesiogine perdavimo išėjimo iš eksploatavimo sąlygomis. Kitas dekoderio neuronų tinklo įvestis yra tik atsitiktinis triukšmas, pagal Gauso prielaidą (7 papildoma Fig.), sukeliantis jokius fizinius eksperimentinius matavimus, kitaip susijusius su papildomu bandymų laiku, energijos suvartojimu ir net saugos pavojais. 3 pav. a parodyti duomenų rekonstrukcijos rezultatai pirmajai bruožo dimensijai U1 pasirinktais SOC lygiais (35% ir 50%), su vidutine absoliutine procentine paklaida (MAPE) mažesne nei 1 %, rodantys, kad modelis išmoko ryšius tarp impulsų įtampos atsakymų duomenų ir SOC sąlygų. Tokie ryšiai yra bendriniai plačiame SOH diapazone, nuo 0,6 iki 0,95. Kalbant apie kitas bruožų dimensijas, duomenų rekonstrukcijos rezultatai tebėra patenkinami, su MAPE mažesne nei 1 %, žr. 3 pav. b. Kitiems pasibaigusio tarnavimo laiko baterijų tipams (NMC, 21 Ah, LMO, 10 Ah ir LFP, 35 Ah) rekonstrukcijos rezultatai pateikiami 8–10 papildomose Fig., demonstruojant modelio bendrumą ir lankstumą. Pastebima, kad žemesniems SOC diapazonams būdinga santykinai didesnė rekonstrukcijos MAPE, nors vis dar mažesnė nei 1%, kurią galima paaiškinti poliarizacijos atsakymo jautrumu žemuose SOC diapazonuose. Todėl rekomenduojama atlikti impulsų injekciją vidutinio SOC diapazone, kad būtų galima patikimai atspindėti baterijos degradaciją. Tačiau, kaip pabrėžiame atsitiktines išėjimo iš eksploatavimo sąlygas su skirtingais SOC, impulsų injekcija fiksuotu SOC reikalauja intensyvaus kondicionavimo laiko ir energijos sąnaudų, pablogindama dilemą tarp impulsų injekcijos regionų ir neįperkamo kondicionavimo laiko bei sąnaudų, žr. 11 papildomą Fig.. **a** Modelio mokymo rezultatų (rekonstrukcijos) lyginamasis grafikas, su bruožo U1 pasirinktose įkrovos būklės (SOC) sąlygomis (35% ir 50%), parodytas. **b** Modelio mokymo našumo šilumos žemėlapis bruožams U1–U21. **c** Pasibaigusio tarnavimo laiko baterijų SOC modeliavimas esant atsitiktiniams išėjimo iš eksploatavimo scenarijams, įskaitant interpoliavimo ir ekstrapoliavimo atvejus. **d** Duomenų generavimo našumas esant atsitiktiniams išėjimo iš eksploatavimo scenarijams, kur paklaidų juostos rodo standartinį nuokrypį () apskaičiuotą pagal 21 matmenų bruožus (n = 21 kiekviename SOC kiekvienu atveju), o juostos aukštis rodo jo vidurkį. **e** Elektros sąnaudų taupymas ir CO2 emisijų mažinimas skirtingiems baterijų išėjimo iš eksploatavimo mastams, naudojant skirtingus duomenų generavimo atvejų nustatymus. Pastaba: baterijų išėjimo iš eksploatavimo mastas yra logaritminis. Visi rezultatai yra iš NMC, 2,1 Ah baterijų iliustracijai. Šaltiniai duomenys pateikiami kaip šaltinių duomenų failas. Su siūlomu generatyvinio mokymosi metodu pabrėžiame, kad jau išmatuoti duomenys mokymosi tikslais yra papildomų fizinių bandymų kaina, tačiau generavimas yra nemokamas. 3 pav. c mes patvirtiname aštuonis duomenų generavimo atvejus, įskaitant interpol