Publicamos o nosso método porque uma previsão que não pode ser auditada é de pouca utilidade para uma decisão. Esta página expõe o que observamos, como isso se transforma numa trajetória de degradação, como a validamos contra resultados medidos e — igualmente importante — o que esta abordagem não lhe consegue dizer.
Uma bateria revela como está a ser utilizada através da forma como opera no seu mercado. É esse comportamento — não uma ficha técnica — que determina como envelhece, e pode ser caracterizado à escala da frota.
O envelhecimento do ião de lítio segue mecanismos documentados ao longo de duas décadas: perda de calendário conduzida pelo tempo, pela temperatura e pelo estado de carga em repouso, e perda por ciclagem conduzida pela profundidade e pela frequência de cada ciclo.
Os parâmetros genéricos da literatura são um ponto de partida. Cada ativo, química, clima e geração adicional no corpus afina a distribuição a priori de todos os outros. A exatidão é função da cobertura.
Reunimos continuamente tudo o que é possível saber sobre cada ativo: como carrega e descarrega, que serviços presta, a sua configuração e química, o clima em que se encontra e — para clientes — a telemetria da sua própria central. Cada entrada é versionada com a respetiva proveniência e nível de confiança.
Os fluxos de potência tornam-se uma trajetória de estado energético: um perfil de estado de carga, a partir do qual derivamos ciclos completos equivalentes, energia processada, C-rate efetiva e tempo passado com estado de carga elevado — as variáveis a que o envelhecimento efetivamente responde.
A contagem rainflow — a norma da análise de fadiga adaptada a baterias — decompõe o perfil em ciclos individuais e nas respetivas profundidades. A distribuição de profundidades importa enormemente: um ciclo profundo danifica muito mais do que vários ciclos superficiais que movimentem a mesma energia.
A impressão digital alimenta um modelo de envelhecimento calendário + ciclagem parametrizado por química, com propagação Monte Carlo da incerteza dos parâmetros. Resultado: uma trajetória de estado de saúde com banda p05–p95, a vida útil remanescente como intervalo e o momento do aumento de capacidade (augmentation).
Onde existem resultados medidos — ensaios de demonstração de capacidade, capacidade acreditada, desempenho de frota publicado, ensaios de capacidade de clientes — o modelo é calibrado contra eles. As bandas estreitam-se à medida que a evidência se acumula, por ativo e em toda a frota.
Usamos a família semi-empírica que constitui a norma académica e industrial — a mesma base utilizada pelos laboratórios nacionais e pelos principais fornecedores:
Referências metodológicas: modelos de envelhecimento segundo Xu et al. (IEEE Transactions on Smart Grid) e Schmalstieg et al. (Journal of Power Sources, 2014); contagem rainflow e funções de esforço em função da profundidade de descarga segundo Shi et al. (University of Washington, 2017); parâmetros por química cruzados com o BLAST-Lite, de código aberto, do NREL. Todos os pressupostos acompanham cada relatório.
| Evidência publicada | Valor |
|---|---|
| Frota ERCOT (Modo Energy, 2025) | ≈7% / 365 EFC |
| Frota da Grã-Bretanha (Modo Energy, 2024) | ≈4,4% / 365 EFC |
| BESS de utility, Itália — 3 anos (Energies, 2026) | ≈1,4% / ano |
| LFP à escala da rede, literatura (primeira década) | 2–3% / ano |
| Peak shaving vs. regulação de frequência | ≈1,8× de degradação |
| Incidentes de falha em BESS 2018→2025 (EPRI) | taxa −99% |
A diferença entre o ERCOT e a Grã-Bretanha é precisamente o ponto: duas frotas de tecnologia semelhante a envelhecer a ritmos que diferem 1,6× porque são operadas de forma diferente. A degradação é um resultado comportamental, e o comportamento é mensurável.
Seis classes independentes de evidência. Nenhuma é suficiente por si só; em conjunto, são o que torna uma previsão defensável.
Como os ativos de armazenamento são efetivamente carregados e descarregados nos mercados elétricos de todo o mundo, na resolução mais fina que cada mercado permite — a base de todas as impressões digitais de ciclagem e a única forma de saber como um ativo está realmente a ser utilizado.
Capacidade, duração, química, modelo de célula e de contentor, integrador e data de entrada em serviço. Sem esta camada, uma série temporal é ininterpretável — modelar degradação é modelar coortes, e é aqui que a coorte se define.
Histórico térmico ambiente e do local, com resolução horária, em qualquer ponto do planeta. A temperatura é o segundo motor do envelhecimento de calendário, a seguir ao tempo, e é a razão pela qual um sistema idêntico envelhece de forma diferente no Atacama, no Texas e na Escócia.
Ensaios de demonstração de capacidade, capacidade acreditada e reduzida, desempenho de frota publicado, registos de incidentes e falhas e ensaios de capacidade de clientes. É esta a verdade de campo que transforma um modelo num modelo validado.
Conjuntos de dados laboratoriais de ciclagem e envelhecimento, modelos de degradação revistos por pares e implementações de referência de código aberto, abrangendo químicas desde LFP e NMC até ião-sódio e LMFP.
Exportações do BMS, dados do contador, temperaturas, resultados de ensaios de capacidade e configuração. A camada que converte uma estimativa bem fundamentada numa medição do seu ativo — e a que mais estreita a banda.
É por isto que o serviço é progressivo. Dizemos-lhe o que conseguimos ver e rotulamo-lo pelo que é. Os seus dados transformam uma estimativa numa medição. Nunca apresentamos a primeira como sendo a segunda.
Percorremos consigo o pipeline, os pressupostos, as referências e um exemplo resolvido e reprodutível sobre um ativo à sua escolha.
Marcar uma sessão técnica