电池研发团队主要使用 MAE 和 MAPE 来评估 RUL 算法的准确性。 这些指标通过比较测试电芯的预测剩余使用寿命与实际失效时间或循环次数来进行评估。随着操作测试的进行，预测精度通常会提高，因为额外的退化数据（如容量损失和内阻增加）减少了不确定性和参数估计偏差。
核心要点： 使用 MAE 获取绝对 RUL 误差，使用 MAPE 获取比例归一化的百分比误差，并在需要考虑大误差和预测置信度时使用 RMSE 或不确定性区间。更多的操作数据通常能提高准确性，但其收益取决于数据质量、模型有效性以及测试负载配置文件的代表性。
如何衡量 RUL 准确性
平均绝对误差（MAE）衡量实际预测偏差
MAE 是预测 RUL 与实际 RUL 之间绝对差值的平均值：
[ MAE=\frac{1}{N}\sum_{i=1}^{N}\left|\widehat{RUL}_i-RUL_i\right| ]
它以与目标相同的单位表示，例如循环次数、小时或分钟。
较低的 MAE 意味着算法平均而言更接近实际失效时间。对于工程决策而言，这通常是最直观的指标，因为它直接回答了“预测偏差有多大？”这一问题。
平均绝对百分比误差（MAPE）对误差进行归一化
MAPE 表示相对于实际 RUL 的绝对预测误差：
[ MAPE=\frac{100}{N}\sum_{i=1}^{N} \left|\frac{\widehat{RUL}_i-RUL_i}{RUL_i}\right| ]
MAPE 允许在具有不同操作寿命的电芯或测试案例之间进行性能比较。
然而，当实际 RUL 非常小时，MAPE 会变得不稳定。在接近寿命终点时，较小的绝对误差可能会产生不成比例的巨大百分比误差，因此在没有 MAE 或其他绝对误差指标的情况下，不应解读 MAPE。
均方根误差（RMSE）强调较大的预测失败
均方根误差（RMSE） 也用于锂离子电池 RUL 验证：
[ RMSE=\sqrt{\frac{1}{N}\sum_{i=1}^{N} \left(\widehat{RUL}_i-RUL_i\right)^2} ]
由于误差被平方，RMSE 比 MAE 更严厉地惩罚较大的偏差。当少数严重的预测不足或预测过度可能导致安全、维护或保修风险时，该指标非常有用。
相对误差和可重复性显示更广泛的模型行为
研发项目还可以报告相对预测误差、误差标准差以及在重复充放电循环中的变化。
这些衡量标准有助于区分始终接近事实的模型与偶尔产生较大偏差的模型。在比较不同电芯批次、老化条件或动态操作配置文件的算法时，它们尤为重要。
应使用什么数据来验证算法？
实际失效时间是参考目标
RUL 预测必须与定义的地面实况（Ground Truth）进行比较，例如电芯达到寿命终点阈值的实际循环次数或时间。
该阈值可能基于容量退化、内阻、放电结束行为或其他特定于应用的准则。如果失效定义不一致，准确性指标将没有意义。
退化观测驱动预测更新
有用的输入包括容量测量、内阻进展、荷电状态（SOC）、温度、电流、电压和已过去的循环历史。
对于动态应用，测试系统还应捕获负载配置文件统计信息，如平均电流、电流变化、最大和最小电流以及阶段持续时间。这些变量有助于预测模型解释稳定实验室循环与实际操作需求之间的差异。
硬件在环（HIL）测试检查现实世界的鲁棒性
仅凭历史循环数据的离线准确性是不够的。硬件在环测试可以将预测算法连接到可编程电池设备，并使其暴露在变化的负载、环境条件和操作约束中。
此过程测试模型在必须在线估计 RUL 而不仅仅是拟合已完成的退化记录时，是否保持稳定。
为什么操作测试时间会影响预测精度
早期预测的退化证据有限
在测试开始时，算法仅拥有该单个电芯行为的简短历史。
它必须更多地依赖于群体层面的假设、初始参数估计或历史电芯数据。因此，制造差异和早期循环测量噪声可能会产生巨大的 RUL 不确定性。
额外的循环揭示了单独的退化路径
随着测试的继续，系统会观察到更多电芯的实际退化轨迹。
例如，累积的内阻测量值可以帮助更新退化率和危险模型参数。模型逐渐从通用的群体估计转向特定于电芯的预测，这通常会降低 MAE 和 MAPE。
后期数据通常产生更高的置信度
当电芯接近其定义的失效阈值时，其退化趋势更易于识别。
这通常使算法能够比从早期寿命数据中更自信地预测失效。实际上，随着测试积累了更多信息性观测值，预测区间通常会缩小。
更多时间并不保证更好的预测
额外的操作时间仅在产生可靠且具有代表性的数据时才有帮助。
传感器噪声、不规则采样、温度变化、未建模的负载条件或不正确的退化模型都可能阻碍准确性的提高。与具有精确、信息量大测量值的较短测试相比，具有低质量或无代表性数据的较长测试可能价值较低。
应如何报告预测不确定性
点准确性不能说明全部情况
MAE、MAPE 和 RMSE 总结了预测与实际结果之间的距离，但它们并未说明单个预测的确定性如何。
因此，RUL 系统在可能的情况下还应报告预测区间、置信区间或概率分布。
置信区间量化可能的误差范围
拟合到 RUL 输出的分布可用于估计区间，例如 68% 和 95% 的置信水平。
这些区间有助于工程师了解预测是高度集中还是高度不确定。一个平均误差较低但区间校准不良的模型在维护或任务规划方面可能仍然是不安全的。
偏斜的失效分布需要谨慎对待
电池失效时间并不总是呈正态分布。退化变异性和电芯间的差异可能会产生偏斜的 RUL 分布。
对于此类情况，可以选择固定宽度区间以最大化真实 RUL 落入区间内的概率。最大功率区间（Maximum Power Interval）方法比简单地将区间居中于平均值或中位数更能直接解决这一目标。
理解权衡
MAPE 可能会夸大接近失效时的误差
MAPE 因易于在数据集之间进行比较而具有吸引力，但其分母是实际 RUL。
随着实际 RUL 接近零，MAPE 可能会变得不成比例地大。请将其与 MAE、RMSE 或其他百分比指标一起使用，而不是作为唯一的验收标准。
较低的平均误差可能掩盖危险的异常值
模型可能获得良好的 MAE，但偶尔会产生严重的预测误差。
当后期预测可能导致过放电、错过维护或电池过早更换时，应审查 RMSE、最大误差、误差百分位数和单电芯结果。
后期准确性可能无法代表早期可用性
在寿命终点附近变得高度准确的算法，在任务或保修期的早期和中期可能仍然过于不确定。
因此，评估应按操作寿命进行分层，例如早期循环、中期寿命和后期寿命预测点。
更快的测试可能会降低可观测性
加速老化减少了日历时间，但可能会改变正常操作中看到的退化机制或负载条件。
由此产生的算法可能准确预测加速测试行为，但在现场配置文件下表现不佳。验证应包括动态配置文件，并在适当的情况下包括硬件在环或具有代表性的操作测试。
为您的目标做出正确的选择
最有用的评估是与 RUL 算法必须支持的决策相匹配的指标集。
- 如果您的主要关注点是平均工程准确性： 使用 MAE 作为主要指标，并以循环次数、小时或分钟为单位进行报告。
- 如果您的主要关注点是不同寿命电芯之间的比较： 添加 MAPE 或相对误差，同时谨慎对待接近零 RUL 的结果。
- 如果您的主要关注点是避免严重的预测遗漏： 包括 RMSE、最大误差和误差分布以暴露异常值。
- 如果您的主要关注点是维护或任务安全： 除了点误差指标外，还要报告预测区间或校准的置信水平。
- 如果您的主要关注点是早期寿命预测： 在多个操作寿命阶段评估准确性，而不是仅报告最终或后期性能。
- 如果您的主要关注点是现场部署： 使用动态负载配置文件、精确的退化测量和硬件在环测试来验证模型。
可靠的 RUL 评估结合了绝对误差、相对误差、不确定性和操作时间内的性能，从而证明了精度的提高，而不是假设其提高。
总结表：
| 指标 | 描述 | 使用场景 |
|---|---|---|
| MAE | 预测 RUL 与实际 RUL 之间的平均绝对差值 | 直接工程决策，直观的误差幅度 |
| MAPE | 相对于实际 RUL 的百分比误差 | 在不同寿命的电芯之间进行比较；在寿命终点附近需谨慎 |
| RMSE | 均方根误差，惩罚大误差 | 突出严重的预测遗漏 |
| 相对误差 | 作为实际 RUL 一部分的误差 | 更广泛的模型行为分析 |
| 预测区间 | 预期真实 RUL 处于置信度内的范围 | 维护和安全规划 |
利用我们先进的测试解决方案优化您的电池研发。立即联系我们，以提高 RUL 预测准确性并延长电池寿命。取得联系！