Sera：用于可靠且可解释电池健康预测的语义表示聚合

电池健康状态（SoH）预测对电池管理至关重要，但由于电池退化具有非线性以及不同电池之间存在异质性，仍面临挑战。现有数据驱动方法主要使用时序模型从数值型电池时间序列中学习，而更高层次的退化特征通常未得到显式表示。然而，这些特征能够为预测提供退化指导，从而支持可靠的预测，并使退化的影响更具可解释性。在本文中，我们提出 Sera，一种以退化语义补充时序建模的语义表示聚合框架。在电池领域知识的指导下，Sera 从时间序列中提取退化语义，并利用基于规则的知识和基于 LLM 的解释构建两种互补表示。这些表示经过独立编码，并通过门控聚合与时序模型学习到的表示进行融合。在主流基准数据集上，针对多个预测时间跨度和不同的时序模型开展的实验表明，Sera 能够持续提升预测性能，相较于时序基线模型，预测误差最多降低 37.3%，并增强泛化能力。反事实分析考察了预测结果如何响应退化语义的变化，以评估模型的可解释性。结果表明，在测试的各个预测时间跨度上，预测响应均与关键退化描述符的含义一致。综上，这些发现表明，结构化退化语义与有效的聚合方法能够提升预测准确性，并支持面向先进电池管理的可靠且可解释的电池健康预测。