编辑 | ScienceAI
在服役电池收受接管行业中，正极质料的收受接管价值极高。传统的处理方式（例如火法、湿法）通常不对正极质料进行分类，而以混合形式收受接管，资源利用效率低且利润有限。
相较之下，直接收受接管（修复）步骤可以显著提升经济价值，具有工艺流程短、二次能源消耗和污染低、经济效益高的优点，但需要事先获取电池的正极质料信息。这些信息涉及制造商、用户、科研机构等敏感数据，难以获取和集中利用。此外，电池制造标准多样性、历史运行条件差异和多方（收受接管合作家）协作时的数据隐衷问题加剧了服役电池分类的难度，制约了收受接管效率的提升和收受接管产业的规模化发展。
近日，清华大学深圳国际研究生院张璇、周光敏团队建立了鉴于联邦进修的服役电池快速分类模型（图1），无需历史运行数据，仅用少量现场测试信息即可实行服役电池正极质料的精确分类。
图 1：联邦进修实行服役电池共同分类收受接管的概念图。
相关研究成果以《通过联邦机器进修实行隐衷保护的服役电池共同分类和盈利性直接收受接管》（Collaborative and privacy-preserving retired battery sorting for profitable direct recycling via federated machine learning）为题发表在《自然·通讯》（Nature Communications）上。
论文链接：https://doi.org/10.1038/s41467-023-43883-y
团队收集了来自7个制造商、包含5种正极质料、具有不同历史使用情况（如来自实验室测试、电动汽车运行等）的130个服役电池的数据（图2）。尔后，仅利用收受接管现场测试的一次循环充放电数据，通过数据清洗和噪声处理（保留了人为和正极质同性引起的噪声），形成了适用于特征工程的标准化参数曲线。特征工程重点关注服役电池在最后一个周期的充放电信息，从电压-容量和dQ/dV曲线中提取了30个特征，用于指导电池分类。
图 2：特征工程结果。
研究人员采用联邦进修框架进行服役电池正极质料分类（图3）：首先使用各参与方（收受接管合作家）的当地数据、以并行方式训练当地随机森林模型，再通过Wasserstein-Distance投票（WDV）策略将参与方当地模型聚合成全局模型。联邦进修有效利用了来自多方的当地大规模电池数据，且数据无需在参与方之间共享，充分保护了多方协作时的数据隐衷。
图 3：鉴于联邦进修的电池收受接管分类框架。
同时，团队考虑了同质性（图4）和质同性（图5）服役场景，在两种场景下均实行了高精度分类。其中，采用WDV策略的联邦进修步骤相较于其它步骤分类精度高、隐衷预算（PB）高，在实行高精度分类的同时，极大降低了数据泄露风险。
图 4：同质性服役电池分类结果。
图 5：质同性服役电池分类结果。
团队还鉴于不同LFP/NMC比例的电池数据，对三种机器进修分类步骤（采用多数投票MV、Wasserstein-Distance投票WDV的联邦进修步骤和非联邦进修步骤）和三种电池收受接管步骤（火法、湿法和直接收受接管步骤）进行了经济性评估（图6）。研究发现，鉴于联邦进修的电池分类能高效共同收受接管合作家，保障大规模分布式的电池数据隐衷，并实行服役电池的盈利性直接收受接管。
图 6：服役电池收受接管的经济性评估。
清华大学深圳国际研究生院，清华-伯克利深圳学院2022级博士研究生陶晟宇为论文第一作家，2022级博士研究生刘海舟和2023级博士研究生孙崇博为论文共同第一作家，质料研究院2023级博士研究生季昊铖为论文第二作家。合作家包括复旦大学信息科学与工程学院智慧能源控制与仿真实验室的孙耀杰教授、王瑜副研究员，2022级博士研究生付诗意和腾讯人工智能实验室专家研究员荣钰博士等。清华大学深圳国际研究生院张璇副教授、周光敏副教授和清华大学、太原理工大学孙宏斌教授为共同通讯作家。该研究得到了深圳市科技创新委员会、山西省能源互联网研究院、清华大学深圳国际研究生院、深圳市鹏瑞基金会等科研经费支持。
供稿信息：
图文：陈雨欧、何鑫、马睿飞
审核：张璇