Sera：语义表示聚合，用于可靠且可解释的电池健康预测

电池健康状态 (SoH) 预测对于电池管理非常重要，但由于电池之间的非线性退化和异质性，仍然具有挑战性。现有的数据驱动方法主要使用时间模型来从数值电池时间序列中学习，并且通常没有明确表示更高级别的退化特征。然而，这些特征可以提供退化指导以支持可靠的预测并使退化的影响更容易解释。在本文中，我们提出了 \textsc{Sera}，一个 \underline{se}mantic \underline{r}representation \underline{a} 聚合框架，它用退化语义补充了时间建模。在电池领域专业知识的指导下，\textsc{Sera} 从时间序列中提取退化语义，并使用基于规则的知识和基于 LLM 的解释构建两个互补的表示。这些表示被独立编码，并通过门控聚合与时间模型学习的表示集成。在主流基准上进行的实验 多个预测范围和不同的时间模型表明， \textsc{Sera} 持续提高了预测性能，在时间基线上实现了高达 37.3\% 的预测误差降低，并增强了泛化性。反事实分析检查预测如何响应退化语义的变化以评估可解释性。结果表明，预测响应与测试范围内关键退化描述符的含义一致。总之，这些发现表明，结构化退化语义和有效聚合可以提高预测准确性，并支持可靠且可解释的电池健康预测，以实现高级电池管理。