Nous publions notre méthode parce qu'une prévision qui ne peut pas être auditée ne sert pas à grand-chose pour décider. Cette page expose ce que nous observons, comment cela devient une trajectoire de dégradation, comment nous la validons face à des résultats mesurés et — tout aussi important — ce que cette approche ne peut pas vous dire.
Une batterie révèle l'usage qui en est fait par sa manière d'opérer sur son marché. C'est ce comportement — et non une fiche technique — qui détermine son vieillissement, et il peut être caractérisé à l'échelle d'une flotte.
Le vieillissement lithium-ion suit des mécanismes documentés depuis deux décennies : la perte calendaire, pilotée par le temps, la température et l'état de charge au repos, et la perte par cyclage, pilotée par la profondeur et la fréquence de chaque cycle.
Les paramètres génériques de la littérature sont un point de départ. Chaque actif, chimie, climat et millésime supplémentaire dans le corpus affine l'a priori de tous les autres. La précision est fonction de la couverture.
Nous assemblons en continu tout ce qui est connaissable sur chaque actif : comment il se charge et se décharge, quels services il fournit, sa configuration et sa chimie, le climat dans lequel il se trouve et — pour les clients — la télémétrie de sa propre centrale. Chaque entrée est versionnée avec sa provenance et son niveau de confiance.
Les flux de puissance deviennent une trajectoire d'état énergétique : un profil d'état de charge, dont nous tirons les cycles complets équivalents, l'énergie transitée, le régime C effectif et le temps passé à état de charge élevé — les variables auxquelles le vieillissement répond réellement.
Le comptage rainflow — la norme de l'analyse en fatigue adaptée aux batteries — décompose le profil en cycles individuels et en profondeurs. La distribution des profondeurs compte énormément : un cycle profond endommage bien plus que plusieurs cycles superficiels déplaçant la même énergie.
L'empreinte alimente un modèle de vieillissement calendaire + cyclage paramétré par chimie, avec propagation Monte-Carlo de l'incertitude des paramètres. En sortie : une trajectoire d'état de santé avec bande p05–p95, la durée de vie résiduelle sous forme de fourchette et le calendrier d'augmentation de capacité.
Là où des résultats mesurés existent — démonstrations de capacité, capacité accréditée, performances de flotte publiées, essais de capacité clients — le modèle est calibré sur eux. Les bandes se resserrent à mesure que la preuve s'accumule, par actif et à l'échelle de la flotte.
Nous utilisons la famille semi-empirique qui constitue le standard académique et industriel — la même base que celle employée par les laboratoires nationaux et les principaux éditeurs :
Références méthodologiques : modèles de vieillissement d'après Xu et al. (IEEE Transactions on Smart Grid) et Schmalstieg et al. (Journal of Power Sources, 2014) ; comptage rainflow et fonctions de contrainte en profondeur de décharge d'après Shi et al. (University of Washington, 2017) ; paramètres par chimie recoupés avec BLAST-Lite, l'outil open source du NREL. Les hypothèses complètes accompagnent chaque rapport.
| Preuve publiée | Valeur |
|---|---|
| Flotte ERCOT (Modo Energy, 2025) | ≈7 % / 365 EFC |
| Flotte de Grande-Bretagne (Modo Energy, 2024) | ≈4,4 % / 365 EFC |
| BESS à l'échelle du réseau, Italie — 3 ans (Energies, 2026) | ≈1,4 % / an |
| LFP à l'échelle du réseau, littérature (première décennie) | 2–3 % / an |
| Écrêtage des pointes vs réglage de fréquence | ≈1,8× de dégradation |
| Incidents de défaillance BESS 2018→2025 (EPRI) | taux −99 % |
L'écart entre l'ERCOT et la Grande-Bretagne est précisément le point : deux flottes de technologie comparable qui vieillissent à des rythmes différant d'un facteur 1,6 parce qu'elles sont exploitées différemment. La dégradation est le résultat d'un comportement, et le comportement se mesure.
Six classes de preuves indépendantes. Aucune ne suffit à elle seule ; ensemble, elles sont ce qui rend une prévision défendable.
La façon dont les actifs de stockage sont réellement chargés et déchargés sur les marchés électriques du monde entier, à la résolution la plus fine que chaque marché autorise — la base de toute empreinte de cyclage, et le seul moyen de savoir comment un actif est vraiment utilisé.
Capacité, durée de décharge, chimie, modèle de cellule et de conteneur, intégrateur et date de mise en service. Sans cette couche, une série temporelle est ininterprétable — modéliser la dégradation, c'est modéliser une cohorte, et la cohorte se définit ici.
Historique thermique ambiant et de site à résolution horaire, partout sur la planète. La température est le deuxième moteur du vieillissement calendaire après le temps, et c'est pourquoi un système identique vieillit différemment dans l'Atacama, au Texas et en Écosse.
Démonstrations de capacité, capacité accréditée et déclassée, performances de flotte publiées, registres d'incidents et de défaillances, et essais de capacité clients. C'est la vérité de terrain qui transforme un modèle en modèle validé.
Jeux de données de cyclage et de vieillissement en laboratoire, modèles de dégradation évalués par les pairs et implémentations de référence open source, couvrant des chimies allant du LFP et du NMC au sodium-ion et au LMFP.
Exports BMS, données de comptage, températures, résultats d'essais de capacité et configuration. La couche qui convertit une estimation bien fondée en une mesure de votre actif — et celle qui resserre le plus la bande.
C'est pourquoi le service est progressif. Nous vous disons ce que nous pouvons voir, et nous l'étiquetons pour ce que c'est. Vos données transforment une estimation en mesure. Nous ne présentons jamais la première pour la seconde.
Nous parcourrons le pipeline, les hypothèses, les références et un exemple traité reproductible sur un actif de votre choix.
Réserver une session technique