Publicamos nuestro método porque un pronóstico que no se puede auditar no sirve de mucho para decidir. Esta página expone qué observamos, cómo se convierte en una trayectoria de degradación, cómo la validamos contra resultados medidos y —igual de importante— qué cosas este enfoque no puede decirte.
Una batería revela cómo se está usando a través de cómo opera en su mercado. Ese comportamiento —no un datasheet— es lo que determina cómo envejece, y se puede caracterizar a escala de flota.
El envejecimiento del litio sigue mecanismos documentados por dos décadas: pérdida calendaria por tiempo, temperatura y estado de carga en reposo, y pérdida por ciclado según la profundidad y frecuencia de cada ciclo.
Los parámetros genéricos de literatura son el punto de partida. Cada activo, química, clima y cohorte adicional en el corpus afina el prior de todos los demás. La exactitud es función de la cobertura.
Reunimos continuamente lo que se puede saber de cada activo: cómo carga y descarga, qué servicios presta, su configuración y química, el clima en que está y —para clientes— la telemetría de su propia planta. Cada insumo se versiona con su procedencia y nivel de confianza.
Los flujos de potencia se convierten en una trayectoria de estado de energía: un perfil de estado de carga, del que derivamos ciclos equivalentes, throughput, C-rate efectivo y tiempo en estado de carga alto — las variables a las que el envejecimiento responde.
El conteo rainflow —el estándar del análisis de fatiga adaptado a baterías— descompone el perfil en ciclos individuales y su profundidad. La distribución de profundidad importa enormemente: un ciclo profundo daña mucho más que varios someros que mueven la misma energía.
La huella alimenta un modelo de envejecimiento calendario + ciclado parametrizado por química, con propagación Monte Carlo de la incertidumbre. Resultado: trayectoria de SOH con banda p05–p95, vida remanente como rango y momento de augmentation.
Donde existen resultados medidos —pruebas de potencia y capacidad, capacidad acreditada, desempeño de flota publicado, pruebas del cliente— el modelo se calibra contra ellos. Las bandas se estrechan a medida que se acumula evidencia, por activo y en toda la flota.
Usamos la familia semi-empírica que constituye el estándar académico e industrial — la misma base que emplean los laboratorios nacionales y los proveedores líderes:
Referencias metodológicas: modelos de envejecimiento según Xu et al. (IEEE Transactions on Smart Grid) y Schmalstieg et al. (Journal of Power Sources, 2014); conteo rainflow y funciones de estrés por profundidad según Shi et al. (University of Washington, 2017); parámetros por química contrastados con BLAST-Lite de NREL (código abierto). Los supuestos completos acompañan cada informe.
| Evidencia publicada | Valor |
|---|---|
| Flota ERCOT (Modo Energy, 2025) | ≈7% / 365 ciclos |
| Flota de Gran Bretaña (Modo Energy, 2024) | ≈4,4% / 365 ciclos |
| BESS utility, Italia — 3 años (Energies, 2026) | ≈1,4% anual |
| LFP de gran escala, literatura (1ª década) | 2–3% anual |
| Peak shaving vs regulación de frecuencia | ≈1,8× degradación |
| Incidentes de falla BESS 2018→2025 (EPRI) | tasa −99% |
La brecha entre ERCOT y Gran Bretaña es justamente el punto: dos flotas de tecnología similar envejeciendo a ritmos que difieren 1,6× porque se operan distinto. La degradación es un resultado del comportamiento, y el comportamiento es medible.
Seis clases independientes de evidencia. Ninguna basta por sí sola; juntas son lo que hace defendible un pronóstico.
Cómo se cargan y descargan realmente los activos de almacenamiento en los mercados eléctricos del mundo, a la máxima resolución que cada mercado permite — la base de toda huella de ciclado y la única forma de saber cómo se está usando de verdad un activo.
Capacidad, duración, química, modelo de celda y contenedor, integrador y fecha de puesta en servicio. Sin esta capa una serie de tiempo es ininterpretable: modelar degradación es modelar cohortes, y la cohorte se define aquí.
Historia térmica ambiental y de sitio con resolución horaria en cualquier punto del planeta. La temperatura es el segundo driver del envejecimiento calendario después del tiempo, y explica por qué un sistema idéntico envejece distinto en Atacama, Texas y Escocia.
Pruebas de potencia y capacidad, capacidad acreditada y de-rateada, desempeño de flota publicado, registros de incidentes y fallas, y pruebas de capacidad del cliente. Es la verdad de campo que convierte un modelo en un modelo validado.
Datasets de ciclado y envejecimiento de laboratorio, modelos de degradación revisados por pares e implementaciones de referencia de código abierto, cubriendo desde LFP y NMC hasta sodio-ion y LMFP.
Exportaciones de BMS, datos de medidor, temperaturas, resultados de pruebas de capacidad y configuración. La capa que convierte una estimación bien fundada en una medición de tu activo — y la que más estrecha la banda.
Por eso el servicio es progresivo. Te decimos lo que podemos ver, y lo etiquetamos como lo que es. Tus datos convierten una estimación en una medición. Nunca presentamos lo primero como lo segundo.
Recorremos el pipeline, los supuestos, las referencias y un ejemplo reproducible sobre un activo que tú elijas.
Agendar sesión técnica