iMOE: predicción de la trayectoria de degradación de baterías en segunda vida mediante una mezcla interpretable de expertos

Por qué importan las segundas vidas de las baterías de coche

A medida que millones de coches eléctricos alcanzan el final de su primera vida, sus baterías todavía retienen una sorprendente cantidad de energía utilizable. Dar a estas baterías “retiradas” una segunda vida en sistemas de energía de reserva o microrredes en poblaciones rurales podría reducir costes y residuos a nivel mundial. Pero hay un problema: nadie sabe con certeza a qué velocidad seguirá degradándose una batería usada individual, y equivocarse puede provocar fallos, incendios o inversiones malgastadas. Este estudio presenta una nueva forma de pronosticar cómo envejecerá una batería de segunda mano usando solo una comprobación rápida y no destructiva, con el potencial de cambiar cómo reutilizamos baterías a gran escala.

Del coche a la red: un problema de predicción

Hoy, evaluar una batería retirada de un coche es lento, caro y a menudo destructivo. Los métodos tradicionales o bien desmontan las celdas para pruebas de laboratorio o las someten a ciclos completos de carga y descarga que pueden tardar días por paquete. Muchas técnicas avanzadas de sensores siguen confinadas a laboratorios de investigación. Además, usos en segunda vida como almacenamiento doméstico o sistemas fuera de la red pueden exponer las baterías a patrones de carga, descarga y temperatura muy distintos de los que experimentaron en el vehículo. Dado que el desgaste de la batería depende mucho de su uso pasado y futuro, la mayoría de modelos basados en datos fallan cuando carecen de años de historial o cuando cambian las condiciones de operación. El reto es mirar una batería una sola vez, con el nivel de carga que tenga, y aun así predecir su salud futura bajo nuevas condiciones.

Una revisión rápida en lugar de una historia clínica completa

Los autores proponen un enfoque llamado mezcla interpretable de expertos, o iMOE, que pretende hacer exactamente eso. En lugar de exigir largos historiales, el método usa señales fáciles de recopilar en el campo durante una única carga controlada. Los técnicos cargan parcialmente la batería desde el estado de carga en que llega y luego la dejan en reposo. A partir de cómo cambia el voltaje durante esta carga breve y la relajación posterior, el modelo extrae un puñado de características físicamente motivadas que reflejan la resistencia interna, la polarización y cuánto litio utilizable queda. Estas pistas condensadas, junto con una descripción del patrón de uso futuro planificado —como tasas de carga y descarga y temperatura— forman la entrada al sistema de predicción.

Muchos especialistas, un pronóstico combinado

Dentro de iMOE, estas entradas son procesadas por un conjunto de «expertos» virtuales, cada uno ajustado a un patrón típico de desgaste de la batería. Algunos se parecen al comportamiento de vida temprana dominado por el crecimiento de películas protectoras en los electrodos, otros capturan el engrosamiento de esa película a mitad de vida, y otros representan procesos de etapas tardías como el enchapado de litio y la pérdida de material activo. Un módulo de enrutamiento examina las características físicas y decide qué peso dar a cada experto para la batería en cuestión, clasificando de facto su modo dominante de degradación sin haber visto jamás su historial. La combinación ponderada de las salidas de los expertos forma una tendencia a corto plazo de cómo es probable que cambie la capacidad a continuación.

Mirando hacia adelante a través de muchos ciclos de carga y descarga

La tendencia a corto plazo por sí sola no es suficiente; también importa con qué dureza se tratará la batería en su segunda vida. Para abordar esto, un segundo módulo, una red neuronal recurrente, toma la tendencia junto con el perfil de carga futuro planificado por ciclo —tasa de carga, tasa de descarga y temperatura— y proyecta la predicción hacia adelante a lo largo de docenas a cientos de ciclos futuros. Probado en tres grandes conjuntos de datos que abarcan 295 celdas comerciales, 93 condiciones de operación y más de 84.000 ciclos, iMOE predijo de forma consistente trayectorias completas de capacidad futura con errores típicamente por debajo del 1–3 %, incluso cuando las condiciones futuras eran aleatorias o cuando las baterías habían envejecido profundamente bajo usos previos desconocidos. También funcionó más rápido y de forma más eficiente que los principales modelos de pronóstico de series temporales y usando menos datos de entrenamiento.

Viendo dentro de la caja negra

A diferencia de muchos sistemas de aprendizaje automático, iMOE está diseñado para ser comprensible por científicos e ingenieros de baterías. Al examinar cómo el enrutador asigna pesos a diferentes expertos a lo largo de la vida de una celda, los autores muestran que el modelo separa de forma natural las etapas de degradación temprana, media y tardía, alineándose con procesos físicos conocidos. Las baterías retiradas con mayor salud tienden a ser dirigidas a ciertos expertos, mientras que las muy desgastadas activan otros. Cuando los investigadores perturbaron deliberadamente características físicas específicas o forzaron al enrutador a usar expertos incorrectos, los errores de predicción aumentaron, lo que subraya que el sistema no se limita a ajustar curvas sino que está ligado a comportamientos internos significativos.

Qué significa esto para los futuros sistemas energéticos

En términos sencillos, este trabajo presenta una forma de decir, en milisegundos y sin una prueba larga, cómo es probable que envejezca una batería usada en su segunda función. Esa capacidad podría permitir a recicladores, operadores de red y promotores de proyectos clasificar grandes volúmenes de celdas retiradas en roles seguros y adecuados —como almacenamiento estacionario de larga duración frente a usos a corto plazo— o enviar directamente a reciclaje los paquetes de alto riesgo. Aunque el método sigue basándose en vínculos estadísticos más que en causalidad física completa y asume que se conocen planes de uso futuro aproximados, representa un paso hacia una reutilización de baterías más inteligente, segura y económica, ayudando a estirar el valor de los materiales ya extraídos y fabricados.

Cita: Huang, X., Tao, S., Liang, C. et al. iMOE: prediction of second-life battery degradation trajectory using interpretable mixture of experts. Nat Commun 17, 2549 (2026). https://doi.org/10.1038/s41467-026-69369-1

Palabras clave: baterías de segunda vida, predicción de degradación de baterías, aprendizaje automático para almacenamiento de energía, mezcla de expertos, salud de baterías de ion-litio