退役电池分类方法

分类误差低至1%

无需历史运行数据，即可按正极材料精确分类退役锂电池，保护各方数据隐私。

陶晟宇 · Liu, Haizhou · Sun, Chongbo · Ji, Guanjun · Han, Zhiyuan · Gao, Runhua · 马君 · Ruifei, Ma · Shiyi, Fu · Wang, Yu · 孙耀杰 · Rong, Yu · 张轩 · 周光敏 · 孙宏斌

Nature Communications 2023

参数信息

正极分类误差（同质回收设置）

1 %

正极分类误差（异构回收设置）

3 %

技术优势

无需历史数据

仅利用寿命末期充放电循环提取的特征即可完成分类，绕开了对历史运行数据的依赖。

隐私不共享

联邦学习让各回收方数据不出本地即可协同训练，解决了数据隐私顾虑。

异构场景更稳

即使电池来自不同制造商、运行历史各异，分类误差仍保持在3%以内。

应用场景

• 电池回收与梯次利用：将退役电池按正极材料精准分流，提升直接回收产线的经济性。
• 退役动力电池：快速识别退役动力电池的正极类型，为梯次利用或材料回收提供自动化分选手段。
• 电池资产管理与溯源：在不掌握历史数据的情况下完成正极识别，支撑退役电池资产分级与溯源管理。
• 分布式数据隐私保护：在多方数据不出本地的条件下协同训练分类模型，保护电池回收各参与方的数据隐私。