El crecimiento exponencial de los vehículos eléctricos e híbridos, que ahora suman cerca de 6 millones en las carreteras, ha resaltado la necesidad urgente de abordar el impacto ambiental de sus baterías de iones de litio a medida que se acercan a sus etapas de fin de vida. El reutilizar estas baterías como baterías de segunda vida (SLBs) para aplicaciones no automotrices menos exigentes es un camino prometedor para extender su utilidad y reducir el daño ambiental. Sin embargo, la vida útil más corta de las SLBs las acerca peligrosamente a su "rodilla de envejecimiento", un punto crítico donde su uso adicional conlleva riesgos de sobrecalentamiento y peligros de seguridad. Para mitigar estos riesgos, los sistemas efectivos de gestión de baterías deben predecir con precisión el estado de salud de estas baterías. En respuesta a este desafío, este estudio emplea modelos de inteligencia artificial de series temporales para pronosticar parámetros de degradación de la batería utilizando datos históricos de su primer ciclo de vida. A través de un análisis riguroso de una celda cilíndrica de litio NMC, el estudio sigue las tendencias en la disminución de la capacidad y la resistencia interna a lo largo de las etapas de la primera y segunda vida. Aprovechando las ideas obtenidas de los datos de la primera vida, se entrenan modelos predictivos como el método de Holt-Winters y la red neuronal autorregresiva no lineal (NAR) para anticipar los valores de capacidad y resistencia interna durante el período de segunda vida. Estos modelos demuestran altos niveles de precisión, con una tasa de error máxima de solo el 2%. Especialmente, el algoritmo basado en la red neuronal NAR destaca por su excepcional capacidad para predecir el ruido local dentro de los valores de resistencia interna. Estos hallazgos tienen implicaciones significativas para el desarrollo de sistemas de gestión de baterías específicamente diseñados para baterías de segunda vida.