成果简介：针对动力电池健康估计中存在的序列嵌入不足、领域知识表征缺失及大模型适应性差等问题，研发了领域知识嵌入大模型的动力电池健康估计技术。成果构建了电池非线性时序特征的多尺度嵌入机制，设计了可被大模型学习的电池衰退领域知识表征，并实现了领域知识与模型参数的协同优化。实际应用表明，在复杂工况下的健康评估误差较传统方法降低约15%，跨工况泛化性能提升20%以上，有效增强了模型的适应性与可解释性。

应用前景：1、新能源汽车：实现动力电池的智能健康监测与预测性维护，提升能量利用率和安全性。2、航空航天领域：保障高比能储能系统的可靠运行，降低安全风险。3、 救援无人机：实时评估电池状态，提升任务完成率和续航能力。4、特种作业机器人：实现复杂工况下电池的自适应寿命管理，显著降低故障率与维护成本，助力智能装备的安全高效运行。