An online learning and monitoring approach for energy storage system

Lithium-ion batteries are pivotal in modern energy storage systems, particularly in applications such as electric vehicles and smart grids. The ability to monitor and optimize the performance of these batteries is crucial for enhancing their efficiency and extending their lifespan. This thesis proposes a novel approach to the real-time adaptation and monitoring of battery energy storage systems using a digital twin framework, empowered with machine learning techniques. The final goal of this work is to develop an AI-enabled digital twin that can autonomously adapt to the evolving conditions of a battery system. This includes accounting for changes due to aging and faulty sensor stream signals, i.e., voltage, current, and temperature. The proposed approach integrates change detection algorithms to monitor the parameter space of an equivalent circuit model of the battery (e.g the three dimensional cartesian space made by the Thevenin coefficient r0, rc and c) to continuously estimate the most up-to-date and the most representative set of parameters, i.e., a the current working state of the battery. The digital twin's adaptability is facilitated through the continuous parameter estimation process, indeed a sliding fixed window is adopted to estimate a continuous vector of parameters. Additionally, an online monitoring mechanism based on clustering and change detection techniques is employed to track any significant deviations from the expected battery behavior, indicating potential failures, degradation, or a change of performance. Experiments were conducted to evaluate the effectiveness of the proposed system, comparing the proposed evolutive digital twin that adapts in real-time against a static one, that relies only on an initial set of data from a new battery. The results demonstrate that the evolutive digital twin performs better in tracking real-time changes in battery behavior when abrupt changes and slow drifts occur, achieving lower error rates in reconstructing the voltage.

Le batterie a ioni di litio hanno visto un impiego sempre maggiore, in particolare in applicazioni come le auto elettriche e le reti di distribuzione elettrica di nuova generazione. La capacità di monitorare e ottimizzare determinate variabili di tali batterie è cruciale per migliorarne l'efficienza e prolungarne la vita effettiva. Questa tesi propone un approccio di adattamento in tempo reale per le batterie utilizzando un gemello digitale equipaggiato con tecniche di intelligenza artificiale, che sia in grado di riconoscere i cambiamenti non previsti e di autoaggiornarsi per seguire l'oggetto reale. Tra le varie tipologie di cambiamenti da riconoscere nella batteria reale ci sono l'invecchiamento, ad esempio dovuto al degrado delle componentistiche, e i segnali d'ingresso alterati, causati da malfunzionamenti. L'approccio proposto integra vari algoritmi di riconoscimento dei cambiamenti, impiegati nello spazio dei parametri del modello equivalente di Thevenin (ossia lo spazio cartesiano tridimensionale costituito dai coefficienti r0, rc e c). Tali algoritmi stimano in tempo reale la configurazione di parametri che meglio rappresenta la batteria al momento corrente. L'adattabilità del gemello digitale è facilitata dal processo continuo di stima dei parametri. Infatti, l'adozione di una finestra mobile fissata di dati sui segnali di tensione e corrente in ingresso facilita la stima continua dei parametri del modello elettrico. Inoltre, viene impiegato un meccanismo di monitoraggio online basato su tecniche di clustering per monitorare eventuali deviazioni significative dal comportamento previsto, indicando potenziali guasti, degrado o cambiamenti nelle prestazioni. Sono stati proposti vari esperimenti per valutare l'efficacia del metodo. In particolare si va a confrontare una versione adattativa del gemello digital con una versione statica, che utilizza una stima del modello di Thevenin risalente all'inizio del ciclo di vita della batteria. I risultati dimostrano che il gemello digitale adattivo performa meglio nel ricostruire il segnale di tensione rispetto a quello fissato.