新火種
2023-12-21 
清華大學張璇、周光敏團隊在聯邦學習實現退役電池協同分類回收研究中取得新進展
編輯 | ScienceAI
在退役電池回收行業中，正極材料的回收價值極高。傳統的處理方式（例如火法、濕法）通常不對正極材料進行分類，而以混合形式回收，資源利用效率低且利潤有限。
相較之下，直接回收（修復）方法可以顯著提升經濟價值，具有工藝流程短、二次能源消耗和污染低、經濟效益高的優點，但需要事先獲取電池的正極材料信息。這些信息涉及制造商、用戶、科研機構等敏感數據，難以獲取和集中利用。此外，電池制造標準多樣性、歷史運行條件差異和多方（回收合作者）協作時的數據隱私問題加劇了退役電池分類的難度，制約了回收效率的提升和回收產業的規模化發展。
近日，清華大學深圳國際研究生院張璇、周光敏團隊建立了基于聯邦學習的退役電池快速分類模型（圖1），無需歷史運行數據，僅用少量現場測試信息即可實現退役電池正極材料的精確分類。
圖 1：聯邦學習實現退役電池協同分類回收的概念圖。
相關研究成果以《通過聯邦機器學習實現隱私保護的退役電池協同分類和盈利性直接回收》（Collaborative and privacy-preserving retired battery sorting for profitable direct recycling via federated machine learning）為題發表在《自然·通訊》（Nature Communications）上。
團隊收集了來自7個制造商、包含5種正極材料、具有不同歷史使用情況（如來自實驗室測試、電動汽車運行等）的130個退役電池的數據（圖2）。爾后，僅利用回收現場測試的一次循環充放電數據，通過數據清洗和噪聲處理（保留了人為和正極質異性引起的噪聲），形成了適用于特征工程的標準化參數曲線。特征工程重點關注退役電池在最后一個周期的充放電信息，從電壓-容量和dQ/dV曲線中提取了30個特征，用于指導電池分類。
圖 2：特征工程結果。
研究人員采用聯邦學習框架進行退役電池正極材料分類（圖3）：首先使用各參與方（回收合作者）的本地數據、以并行方式訓練本地隨機森林模型，再通過Wasserstein-Distance投票（WDV）策略將參與方本地模型聚合成全局模型。聯邦學習有效利用了來自多方的本地大規模電池數據，且數據無需在參與方之間共享，充分保護了多方協作時的數據隱私。
圖 3：基于聯邦學習的電池回收分類框架。
同時，團隊考慮了同質性（圖4）和質異性（圖5）退役場景，在兩種場景下均實現了高精度分類。其中，采用WDV策略的聯邦學習方法相較于其它方法分類精度高、隱私預算（PB）高，在實現高精度分類的同時，極大降低了數據泄露風險。
圖 4：同質性退役電池分類結果。
圖 5：質異性退役電池分類結果。
團隊還基于不同LFP/NMC比例的電池數據，對三種機器學習分類方法（采用多數投票MV、Wasserstein-Distance投票WDV的聯邦學習方法和非聯邦學習方法）和三種電池回收方法（火法、濕法和直接回收方法）進行了經濟性評估（圖6）。研究發現，基于聯邦學習的電池分類能高效協同回收合作者，保障大規模分布式的電池數據隱私，并實現退役電池的盈利性直接回收。
圖 6：退役電池回收的經濟性評估。
清華大學深圳國際研究生院，清華-伯克利深圳學院2022級博士研究生陶晟宇為論文第一作者，2022級博士研究生劉海舟和2023級博士研究生孫崇博為論文共同第一作者，材料研究院2023級博士研究生季昊鋮為論文第二作者。合作者包括復旦大學信息科學與工程學院智慧能源控制與仿真實驗室的孫耀杰教授、王瑜副研究員，2022級博士研究生付詩意和騰訊人工智能實驗室專家研究員榮鈺博士等。清華大學深圳國際研究生院張璇副教授、周光敏副教授和清華大學、太原理工大學孫宏斌教授為共同通訊作者。該研究得到了深圳市科技創新委員會、山西省能源互聯網研究院、清華大學深圳國際研究生院、深圳市鵬瑞基金會等科研經費支持。
供稿信息：
圖文：陳雨歐、何鑫、馬睿飛
審核：張璇
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
