Generatívna AI poháňa udržateľné opätovné použitie vyradených lítium-iónových batérií

```html Autori: 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 Abstrakt Rýchle a presné odhadovanie stavu zdravia (SOH) batérií po dobe životnosti je kľúčovou predbežnou úpravou pre opätovné použitie a recykláciu. Dátovo orientované metódy však vyžadujú vyčerpávajúce spracovanie údajov za podmienok náhodného stavu batérie pri stiahnutí z prevádzky podľa SOH a stavu nabitia (SOC). Tu ukazujeme, že odhad SOH asistovaný generatívnym učením je sľubný pri zmierňovaní problémov s nedostatkom a heterogenitou údajov, čo je overené pomocou dátovej sady s impulznou injekciou 2700 vzoriek batérií s ukončenou životnosťou, pokrývajúcich 3 typy katódových materiálov, 3 fyzické formáty, 4 konštrukcie kapacity a 4 historické spôsoby použitia s 10 úrovňami SOC. Pomocou generovaných údajov regresor dosahuje presné odhady SOH s priemernými absolútnymi percentuálnymi chybami pod 6 % pri neznámom SOC. Predpokladáme, že pri predpokladanom jednotnom nasadení navrhovanej techniky by sa ušetrilo 4,9 miliardy USD na nákladoch na elektrickú energiu a 35,8 miliárd kg emisií CO2 zmiernením nákladov na spracovanie údajov pre globálny scenár likvidácie batérií v roku 2030. Tento článok zdôrazňuje využitie obmedzených údajov na preskúmanie rozšíreného priestoru údajov pomocou generatívnych metód, keďže získavanie údajov môže byť časovo náročné, nákladné a znečisťujúce pre mnohé odhadové a prediktívne úlohy. Úvod Elektrifikácia dopravy, kľúčový sektor pri prechode na nízkoemisnú energiu [1], bezprecedentne pretvorila tradičný model založený na fosílnych palivách. Lítium-iónové batérie sú pre tento prechod životne dôležité tým, že poskytujú cenovo dostupné, odolné a bezpečné dodávky energie pre elektrické vozidlá (EV) [2, 3]. Celková kapacita batérií používaných a batérií po dobe životnosti z elektrických vozidiel presiahne do roku 2050 32 až 62 terawattov, čo je výrazne viac, ako sa odhaduje v scenároch Medzinárodnej agentúry pre obnoviteľnú energiu a Storage Lab [4]. Batérie z elektrických vozidiel po dobe životnosti sú však prísne regulované s obrovskou nevyužitou hodnotou zostávajúcej kapacity, zvyčajne nad 80 % menovitej kapacity [5, 6]. Ak sa s nimi nenakladá správne, vedie to k ekonomickým záťažiam [7] pre výrobcov a používateľov, ako aj k následným environmentálnym a spoločenským problémom [8], vrátane plytvania zdrojmi, rizík dodávateľského reťazca a emisií uhlíka [9, 10, 11]. Sľubné stratégie na riešenie obáv týkajúcich sa prerušovaného nárastu likvidácie batérií sú opätovné použitie [6, 12, 13] a recyklácia [14]. Pri opätovnom použití sa batérie po dobe životnosti prerobia na aplikácie, ako sú systémy skladovania energie pripojené k sieti [15], rezidenčné napájacie zdroje [16] a nízkorychlostné vozidlá. Opätovné použitie si však vyžaduje predbežné úpravy, vrátane skríningu konzistencie [17], triedenia kapacity [18] a zoskupovania [19, 20], aby spĺňali požiadavky aplikácie [21]. Napriek spusteniu pilotných programov [22, 23, 24] absencia prísnych štandardov pre scenáre použitia a cesty likvidácie bráni racionálnemu využitiu zvyšnej kapacity [25]. Recyklácia alternatívne využíva zostatkové hodnoty batérií po dobe životnosti prostredníctvom extrakcie materiálov alebo opravy štruktúry [26, 27], vhodná pre nenávratne degradované batérie po dobe životnosti. V porovnaní s pyrometalurgiou a hydrometalurgiou [28, 29] priama recyklácia vyniká superiornou ziskovosťou, nižšou spotrebou energie a zníženými emisiami uhlíka [26, 27, 30]. Využitím doplnenia lítia a následného spracovania katódových materiálov dosahuje priama recyklácia efektívnu opravu štruktúry materiálu a obnovenie výkonu [31]. Stav zdravia (SOH) však určuje potrebné chemické činidlo a predpokladané dávky doplnenia lítia pri formulovaní stratégie priamej recyklácie [32, 33, 34]. Nedostatočné dávkovanie môže viesť k neúplnej oprave, zatiaľ čo nadmerné dávkovanie môže viesť k tvorbe zvyškového alkalického materiálu na povrchu katódy, čím sa zhorší výkon obnovy [27, 35]. Nanešťastie, získavanie SOH vyžaduje invazívnu charakterizáciu materiálu [36, 37] a dlhé testy kalibrácie kapacity, pričom neinvazívne, rýchle a udržateľné získavanie SOH zostáva otvorenou výzvou. Na zabezpečenie konzistentných informácií o SOH monitorujú EV batérie a prevádzkové údaje zaznamenávajú cloudové platformy [38] a pasy batérií [24]. Európsky parlament prijal 14. júna 2023 smernicu o batériách, aby sa zabezpečilo, že batérie po dobe životnosti budú môcť byť po skončení životnosti opätovne použité, renovované alebo recyklované [39]. Požadovaný postup monitorovania a zaznamenávania je však prístupný iba vo fáze servisu EV, batérie po dobe životnosti už nie sú pripojené k monitorovaciemu zariadeniu vo vozidle. Preto je náročné získať SOH údaje dostupné v teréne. Integrita údajov o životnosti zostáva hlavnou výzvou, čo si vyžaduje odhad SOH len pomocou údajov z terénu, na rozdiel od historických údajov alebo za kontrolovateľných podmienok [30, 40, 41]. Jedným z riešení je vykonať test kalibrácie kapacity v zbernom mieste batérií po dobe životnosti, t. j. kondicionovanie stavu nabitia (SOC), čo je priame, ale vyžaduje si to neúnosné testovacie časy a dodatočné náklady na elektrickú energiu. Hybridný pulzný charakterizačný test je alternatívou pre odhad SOH pomocou dynamickej pulznej injekcie, ale kompletný testovací postup trvá viac ako 12 hodín. Tao a kol. využili krátke impulzy na odhad SOH batérií po dobe životnosti za predpokladu, že sa vykonalo kondicionovanie SOC na 5 % SOC, čo bolo sotva kompatibilné s náhodnými podmienkami likvidácie SOC [41]. Najnovšie pokroky v senzorových meraniach zahŕňajú röntgenové zobrazovanie [42], elektrochemickú impedanciu [43, 44], optické vlákno-senzoriku [45, 46], akustickú senzoriku [47, 48], čiastočné nabíjanie [49, 50] a pulznú injekciu [17, 41]. Senzorové techniky sú v laboratórnej fáze kvôli invazivite, zatiaľ čo pulzná injekcia umožňuje rozlíšiť degradáciu batérie bez fyzického poškodenia, pričom je súčasne rýchlejšia ako metódy na báze čiastočného nabíjania a elektrochemickej impedancie [17, 51, 52, 53, 54, 55]. Pulzná injekcia je však dátovo orientovaná metóda, ktorá je uskutočniteľná iba za ideálneho predpokladu, že fyzicky namerané údaje zahŕňajú podmienky likvidácie vo fáze nasadenia modelu, známe ako bežný problém posunu domény v komunite strojového učenia. Napriek pokrokom v metódach prenosového učenia a adaptácie domén [56, 57, 58], problémy pretrvávajú, pretože cieľová doména na prispôsobenie si stále vyžaduje predchádzajúce informácie pri nasadení a existujúce učebné metódy sa ťažko aktualizujú pre náhodné podmienky likvidácie [59]. Alternatívou je rozšírenie rozsahu testovania údajov za nepreskúmaných podmienok likvidácie na zmiernenie nedostatku a heterogenity údajov, aj keď to môže viesť k zvýšeným nákladom. Wang a kol. navrhli metódu teplotnej extrakcie na interpoláciu preferencií reakčnej kinetiky pri rôznych medzistavoch počas termochemického procesu, čo umožňuje konštrukciu rozsiahlych tréningových databáz pri minimálnej mierke a nákladoch na termochemické experimenty ako augmentáciu údajov pre tréning modelov strojového učenia [60]. Okrem toho generatívne učenie tiež demonštruje možnosti odhadu SOH s augmentovanými údajmi z čiastočne cyklovaných profilov, čím šetrí požadované fyzicky testované údaje [61, 62]. Avšak nedostatok a heterogenita údajov v kontexte opätovného použitia a recyklácie batérií je ešte zložitejšia kvôli zmesi typov katódových materiálov, fyzických formátov, konštrukcií kapacity a historických spôsobov použitia, čo obmedzuje potenciálnu integráciu poznatkov o degradácii špecifických pre dané podmienky do modelov strojového učenia. Preto je rozumné zvážiť závislosť medzi podmienkami likvidácie a pulznými napäťovými odozvami na generovanie údajov, bez dlhých časových kalibrácií kapacity a dodatočných fyzikálnych experimentov súčasne, na zlepšenie výkonu odhadu SOH. V tejto štúdii vykonávame predbežnú úpravu batérií po dobe životnosti, t. j. odhad SOH, pomocou údajov o pulzných napäťových odozvách generovaných pozornostným variančným autoenkodérom pri ušetrenom čase a nákladoch na fyzikálne meranie. Všeobecný postup predbežných úprav, tréning generatívneho modelu a kroky nasadenia praktického modelu sú znázornené na Obr. [1]. Hlavná myšlienka výskumu spočíva vo využití generatívneho učenia na preskúmanie už nameraných údajov na prieskum pulzných napäťových odoziev v nepretržitých podmienkach likvidácie, t. j. distribúcia SOC v štádiu zberu batérií po dobe životnosti. Následný odhad SOH sa realizuje bez fyzicky nameraných údajov o pulznej odozve, čím sa šetria náklady na elektrickú energiu na predbežné spracovanie a emisie uhlíka, ktoré by inak boli potrebné na kondicionovanie SOC na predpokladanú úroveň. V porovnaní s metódou integrácie ampér-hodín a pulznou injekciou pomocou strojového učenia, generatívne učenie podčiarkuje rýchlejšiu rýchlosť generovania a presný odhad. S generovanými údajmi jednoduchý regresor úspešne odhaduje SOH s nízkou chybou za neznámych alebo nedostupných podmienok likvidácie SOC v databáze, čo je náročná otázka mimo distribúcie (OOD). Problém OOD je vyriešený učením sa dedičného fyzikálneho vzoru medzi stavom SOC a napäťovou odozvou vyvolanou rýchlym impulzom. Demonštrujeme zovšeobecniteľnosť našej metódy overením pomocou 2700 fyzicky nameraných vzoriek, pokrývajúcich 3 typy katódových materiálov, 3 fyzické formáty, 4 konštrukcie kapacity a 4 historické spôsoby použitia (1 laboratórne zrýchlené starnutie, 1 čisté elektrické vozidlo a 2 hybridné elektrické vozidlo). Generatívne učenie je vhodné na interpoláciu a extrapoláciu integráciou predchádzajúcich znalostí o podmienkach likvidácie do škálovania latentného priestoru parametrov modelu, čím šetrí čas merania, náklady na elektrickú energiu a následné emisie uhlíka, bez toho, aby sa znížila presnosť odhadu SOH. Konzervatívna globálna prípadová štúdia likvidácie batérií v roku 2030 zdôrazňuje význam rýchleho a udržateľného odhadu SOH v podmienkach pyrometalurgie, hydrometalurgie a priamej recyklácie. Prostredníctvom technicko-ekonomickej analýzy by odhad SOH asistovaný generatívnym učením mohol do roku 2030 celosvetovo ušetriť 4,9 miliardy USD nákladov na elektrickú energiu a 35,8 miliárd kg emisií CO2. Diskutujeme o interpretovateľnosti modelu, dôsledkoch predbežného spracovania pri recyklácii a širších aspektoch budúcich smerov predbežného spracovania inteligentnej recyklácie integrovanej so strojovým učením. Kroky predbežného spracovania batérií po dobe životnosti zahŕňajú kondicionovanie SOC, fyzikálne merania, strojové učenie pre diagnostiku SOH a proces rozhodovania o druhom živote pred opätovným použitím alebo recykláciou. Kondicionovanie SOC znamená úpravu hodnôt SOC batérií po dobe životnosti na požadované úrovne pomocou tradičnej metódy konštantného prúdu a konštantného napätia (CCCV). Schéma pozornostného variančného autoenkodéra na generovanie údajov o pulzných napäťových odozvách. Praktické použitie modelu generovania údajov na odhad SOH nevyžaduje dodatočné kondicionovanie SOC. Trénovaný model strojového učenia je dohliadaný generovanými údajmi a prijíma okamžité pulzné napäťové odozvy vo fáze nasadenia. Ekonomické a environmentálne výhody a rýchla rýchlosť generovania našej metodiky generatívneho učenia úsporou nákladov na kondicionovanie SOC v globálnom scenári likvidácie batérií v roku 2030. a b c d Výsledky Získanie dátovej sady Nedostatok a heterogenita údajov sú hlavnými výzvami v dátovo orientovanej diagnostike a prognostike batérií, najmä pre batérie po dobe životnosti. Zozbierali sme 2700 vzoriek z 270 fyzicky stiahnutých batérií s ukončenou životnosťou v širokom rozsahu hladín SOC, t. j. od 5 % do 50 % s krokom 5 %. Na obrázku [2a] dátová sada pokrýva 3 prevládajúce typy katódových materiálov, vrátane 119 fyzicky získaných batérií NMC (oxid nikel-mangán-kobaltu), 56 batérií LFP (fosforečnan lítno-železnatý) a 95 batérií LMO (oxid lítno-mangánový) po dobe životnosti, pokrývajúcich 3 fyzické formáty (valcové, vrecúškové, prizmatické) a 4 historické spôsoby použitia (1 laboratórny urýchlený test, 3 spôsoby použitia v EV, vrátane 1 čisto elektrifikovaného pohonu a 2 hybridných pohonov). Zdôrazňujeme, že zahrnutie vysoko heterogénnych testovacích vzoriek robí našu dátovú sadu najväčšou dátovou sadou založenou na rýchlej pulznej metóde pre odhad SOH batérií po dobe životnosti až do súčasnosti, čím sa uľahčuje zovšeobecniteľnosť modelu nad rámec fyzicky nameraných dátových sád. Sankeyho diagram pre distribúciu batérií po dobe životnosti, zahŕňajúci typy katódových materiálov, fyzické formáty, konštrukcie kapacity a historické spôsoby použitia. Pulzný prúd a následná napäťová odozva batérií po dobe životnosti, kde sa vlastnosti extrahujú z bodov obratu, t. j. bodov s nulovou druhou deriváciou krivky napäťovej odozvy. Extrahovaných je 21 bodov vlastností, od U1 do U21. Frekvencia záznamu pre surové údaje je 100 Hz. Čas odpočinku medzi jednotlivými impulzmi v C-rate je 25 sekúnd. Poznámka, že C znamená rýchlosť nabíjania (vybíjania), keď sa vykonáva 1 hodina nabíjania (vybíjania). Okolitá teplota je kontrolovaná na 25 ℃. Distribúcia stavu zdravia (SOH) (Gaussovské prispôsobenie) batérií s kapacitou 2,1 Ah a 21 Ah po dobe životnosti pre ilustráciu, resp. Pre distribúciu SOH iných typov batérií, pozri doplnkový obrázok [1]. Vzťah medzi nameranou pulznou napäťovou odozvou a kalibrovaným SOH z testu kalibrácie kapacity, s meniacimi sa podmienkami stavu nabitia (SOC). Ilustrovaná je prvá dimenzia vlastností, U1. Ilustrácia prípadu generovania údajov pre interpoláciu a extrapoláciu za rôznych distribúcií SOC likvidácie batérií. Podrobné nastavenia testovania sú v [Doplnkové poznámky 1 a 2], pričom sa poznamenáva, že nastavenie C-rate je rovnaké pre všetky typy katódových materiálov. Zdrojové údaje sú poskytnuté ako súbor zdrojových údajov. a b c d e Na rozdiel od bežného testovania s konštantným prúdom a konštantným napätím (CCCV) pulzný test nespôsobuje dlhý testovací čas a dodatočné poškodenie batérií po dobe životnosti. Preto používame výsledky CCCV ako referenčné hodnoty kapacity SOH. Údaje z pulzného testu sa používajú ako tréningové údaje pre generatívny model učenia. Aj keď sa typ katódového materiálu batérie líši, vykonávame štandardizované a prístupné inžinierstvo vlastností, čím zabezpečujeme kompatibilitu v praktickom použití. Obrázok [2b] demonštruje extrakciu vlastností po injekcii pulzného prúdu. Experimentálne nastavenia CCCV a pulznej injekcie nájdete v Doplnkovacej poznámke [1]. Pre prvých päť injekčných impulzov sa body obratu, t. j. body s nulovou druhou deriváciou napäťových odoziev, zaznamenávajú ako vlastnosti, čo vedie k 21-dimenzionálnym vlastnostiam. Napriek pulznému času v rozsahu 5 s vykonávame aj meranie citlivosti na šírku pulzu s dvojakým cieľom overiť robustnosť pulzu a ďalej skrátiť testovací čas, v rozsahu od 30 ms do 5 s. Zvažujeme urýchlené starnutie v laboratórnych testoch (Doplnková poznámka [2]) a skutočné starnutie pri jazde v EV, aj keď neberieme do úvahy explicitné jazdné profily kvôli obmedzeniam ochrany osobných údajov. Na obrázku [2c] je ilustrovaná distribúcia SOH batérií zo zrýchleného starnutia (NMC, 2,1 Ah) a batérií zo starnutia pri jazde v EV (NMC, 21 Ah). Všimnite si, že hodnoty SOH sú komplementárne v širokom rozsahu SOH od 0,6 do 1, nazbierané údaje sú reprezentatívne pre scenáre likvidácie batérií, aj s extrémne skorými prípadmi likvidácie. Distribúcie SOH iných nazbieraných batérií (LMO, 10 Ah a LFP 35 Ah) pokrývajú širokú distribúciu SOH, pozri Doplnkový obrázok [1]. Pulzné testy sa opakujú pri rôznych úrovniach SOC, v rozsahu od 5 % do 50 %, aby sa simulovala náhodnosť zberu batérií po dobe životnosti. Testovaný rozsah SOC je za predpokladu, že batérie po dobe životnosti vykazujú nízky SOC alebo podliehajú nútenému vybitiu pre požiadavky na bezpečné skladovanie v stacionárnych skladoch, preto je horná hranica SOC nastavená na 50 %. Na obrázku [2d] je ilustrovaná prvá dimenzia extrahovaných vlastností z batérií urýchleného starnutia (NMC, 2,1 Ah) a batérií zo starnutia v EV (NMC, 21 Ah). Napriek rozdielom v konštrukciách kapacity a historických spôsoboch použitia, pulzné napäťové odozvy vykazujú konzistentný vzor degradácie, rovnako ako aj iné batérie po dobe životnosti pre iné dimenzie vlastností, pozri Doplnkové obrázky [2–5]. Distribúcia SOC batérií po dobe životnosti je však spojitá, a preto ju nemožno vyčerpať fyzickými meraniami. Namiesto rozširovania rozsahu testovania údajov používame už testované údaje o pulzných napäťových odozvách na generovanie rozmanitejších údajov naprieč podmienkami SOC. Na obrázku [2e] sú ilustrované dva scenáre generovania, t. j. interpolácia a extrapolácia, s úsporami za jednotkové kondicionovanie, úsporami elektrickej energie, znížením emisií CO2 a ich metódami výpočtu prezentovanými v Doplnkových tabuľkách [1–3], resp. Generovanie údajov o pulzných napäťových odozvách Najprv zvážime použitie už nameraných údajov o pulzných napäťových odozvách na ich rekonštrukciu, namiesto priameho generovania nových vzoriek údajov. Rekonštrukcia znamená, že namerané údaje sú najprv komprimované do latentného priestoru premenných, pričom sa zachováva naučená štruktúra z pôvodných štatistických distribúcií (Doplnkový obrázok [6]), a potom sa dekomprimujú do pôvodných dimenzií. V tejto štúdii je rekonštrukcia ekvivalentná dohľadu nad tréningovou fázou enkóderovej neurónovej siete a dekodérovej neurónovej siete, ako je znázornené na obrázku [1b]. Základnou myšlienkou je vyvážiť využitie obmedzených nameraných údajov a prieskum rozšíreného priestoru údajov pomocou latentných závislostí medzi podmienkami likvidácie a údajmi o pulzných napäťových odozvách s mechanizmami krížovej pozornosti, pozri „Metódy“. Potom sa namerané údaje spojené s podmienenými informáciami podávajú do enkóderovej neurónovej siete, čím sa získajú latentné premenné obsahujúce podmienky likvidácie. Komprimované latentné premenné sa dekomprimujú tréningom dekodérovej neurónovej siete a rekonštrukciou vstupných vzoriek údajov, tiež riadených podmienkami dopredného stavu likvidácie. Ďalším vstupom dekodérovej neurónovej siete je iba náhodný šum, podliehajúci Gaussovmu predpokladu (Doplnkový obrázok [7]), čo nevyžaduje žiadne fyzikálne experimentálne meranie, inak zahrnuté s dodatočným testovacím časom, spotrebou energie a dokonca aj bezpečnostnými rizikami. Obrázok [3a] ukazuje výsledky rekonštrukcie údajov pre prvú dimenziu vlastností U1 pri vybraných hodnotách SOC (35 % a 50 %) s priemernou absolútnou percentuálnou chybou (MAPE) nižšou ako 1 %, čo naznačuje, že model sa naučil závislosti medzi údajmi o pulzných napäťových odozvách a podmienkami SOC. Tieto závislosti majú všeobecnosť v širokom rozsahu SOH, od 0,6 do 0,95. Pokiaľ ide o iné dimenzie vlastností, výsledky rekonštrukcie sú stále uspokojivé s MAPE nižšou ako 1 %, pozri obrázok [3b]. Výsledky rekonštrukcie pre iné typy batérií po dobe životnosti (NMC, 21 Ah, LMO, 10 Ah a LFP, 35 Ah) sú uvedené v Doplnkových obrázkoch [8–10], demonštrujúc zovšeobecniteľnosť a flexibilitu modelu. Poznamenáva sa, že nižšie regióny SOC vykazujú relatívne vyššiu MAPE rekonštrukcie, hoci stále nižšiu ako 1 %, čo možno vysvetliť citlivosťou polarizačnej odozvy v nižších regiónoch SOC. Preto sa odporúča vykonávať pulznú injekciu v strednom regióne SOC pre spoľahlivú reprezentáciu degradácie batérie. Avšak, ako zdôrazňujeme náhodné podmienky likvidácie s rôznymi SOC, pulzná injekcia pri pevnom SOC vyžaduje rozsiahly čas kondicionovania a spotrebu energie, čo zhoršuje dilemu medzi regiónmi pulznej injekcie a neúnosným časom kondicionovania a nákladmi, pozri Doplnkový obrázok [11]. Graf parity výsledkov tréningu modelu (rekonštrukcia), s vlastnosťou U1 pri vybranej podmienke stavu nabitia (SOC) (35 % a 50 %), je ilustrovaný. Tepelná mapa výkonu tréningu modelu pre vlastnosti U1 až U21. Simulácia SOC batérií po dobe životnosti za náhodných scenárov likvidácie, vrátane prípadov interpolácie a extrapolácie. Výkon generovania údajov za náhodných scenárov likvidácie, kde intervaly chýb indikujú štandardnú odchýlku (σ) vypočítanú naprieč 21-dimenzionálnymi vlastnosťami (n = 21 pri každom SOC v každom prípade) a výška pruhu indikuje jeho priemer. Úspory nákladov na elektrickú energiu a zníženie emisií CO2 pre rôzne rozsahy likvidácie batérií pomocou rôznych nastavení prípadov generovania údajov. Poznámka, že rozsah likvidácie batérií je logaritmický. Všetky výsledky sú pre ilustráciu z batérií NMC, 2,1 Ah. Zdrojové údaje sú poskytnuté ako súbor zdrojových údajov. a b c d e S navrhovanou metodikou generatívneho učenia zdôrazňujeme, že už namerané údaje na účely tréningu sú za cenu dodatočných fyzikálnych testov, avšak generovanie je bez dodatočných nákladov. Na obrázku [3c] overujeme osem prípadov generovania údajov, vrátane interpolácie a extrapolácie. V interpolačných prípadoch (od Prípadu 0 do Prípadu 3) sú dolná a horná hranica SOC pre tréningové údaje pevne stanovené na 5 % a 50 %, resp. V porovnaní s tým, extrapolačné prípady (od Prípadu 4 do Prípadu 7) znamenajú, že už namerané údaje sú exkluzívne s neznámymi OOD údajmi, ktoré sa majú generovať, čo je náročná a otvorená otázka v komunitách strojového učenia. Tu používame predchádzajúce znalosti batérií po dobe životnosti na škálovanie latentnej distribúcie v enkóderovej neurónovej sieti, čím zovšeobecňujeme už namerané údaje na OOD podmienky, pozri Metódy. Poznamenávame, že Prípad 4 a Prípad 5 sú hračkové príklady, pretože náklady na tréning týchto prípadov sú vyššie ako úspory nákladov na generovanie rovnakého objemu údajov za neznámych podmienok SOC. Používame však hračkové prípady na demonštráciu robustnosti škálovania latentného priestoru v všeobecnejších nastaveniach likvidácie batérií. V praktickom použití by si preto používatelia mohli prispôsobiť stratégiu generovania údajov na základe kompromisu medzi nákladmi na tréning modelu a presnosťou generovania údajov. Na obrázku [3d] je ilustrovaný výkon generovania údajov založený na vzdialenosti za neznámych podmienok likvidácie. Poznamenáva sa, že nat