Creating a data-driven digital twin for battery energy storage systems

This thesis presents the development of a data-driven digital twin for Battery Energy Storage Systems (BESS) using a novel Stochastic Hybrid Automaton (SHA) learning methodology. The research addresses the critical challenge of intelligent monitoring and predictive maintenance for modern energy storage assets, which are becoming increasingly vital for renewable energy integration and grid stability. The methodology combines active automata learning, specifically an adapted L^*_{SHA} algorithm, with sophisticated data processing techniques to automatically discover formal behavioral models from raw operational data. The approach was validated through a real-world industrial case study involving Libattion AG's second-life BESS, part of the European Union's Horizon AUTO-TWIN project. Key contributions include: (1) Adaptation and extension of an existing SHA learning framework for Battery Energy Storage Systems, including development of battery-specific data processing pipelines and event extraction logic, (2) Comprehensive data integration methodology for multi-source battery operational datasets, enabling automated preprocessing of raw time-series data into structured symbolic representations, (3) Complete system implementation and validation framework specifically tailored for battery applications, with optimal configurations achieving 100% trace acceptance rates, average State of Charge prediction error of 9.58%, and consistent voltage prediction accuracy of approximately 1%, and (4) Comprehensive experimental evaluation identifying optimal operational parameters and performance boundaries for SHA-based battery digital twins. The results demonstrate that the learned 18-state, 20-edge SHA model successfully captures both discrete operational logic and continuous physical dynamics of the BESS, enabling predictive maintenance capabilities and supporting the transition toward sustainable energy storage management.

Questa tesi presenta lo sviluppo di un gemello digitale basato sui dati per i Sistemi di Accumulo di Energia a Batteria (BESS) utilizzando una metodologia di apprendimento di Automi Stocastici Ibridi (SHA). La ricerca affronta la sfida critica del monitoraggio intelligente e della manutenzione predittiva per i moderni asset di accumulo di energia, che stanno diventando sempre più vitali per l'integrazione delle energie rinnovabili e la stabilità della rete. La metodologia combina l'apprendimento attivo di automi, specificamente un algoritmo L^*_{SHA} adattato, con tecniche sofisticate di elaborazione dei dati per scoprire automaticamente modelli comportamentali formali dai dati operativi grezzi. L'approccio è stato validato attraverso un caso di studio industriale del mondo reale che coinvolge il BESS basato su batterie riciclate di Libattion AG, parte del progetto Horizon AUTO-TWIN dell'Unione Europea. I contributi chiave includono: (1) Adattamento ed estensione di un framework di apprendimento SHA esistente per i Sistemi di Accumulo di Energia a Batteria, incluso lo sviluppo di pipeline di elaborazione dati specifiche per batterie e logica di estrazione di eventi, (2) Metodologia di integrazione dati completa per dataset operativi di batterie multi-sorgente, abilitando il preprocessamento automatico di dati di serie temporali grezzi in rappresentazioni simboliche strutturate, (3) Implementazione completa del sistema e framework di validazione specificamente adattato per applicazioni batterie, con configurazioni ottimali che raggiungono tassi di accettazione delle tracce del 100%, errore medio di previsione dello Stato di Carica del 9.58%, e accuratezza consistente nella previsione della tensione di circa l'1%, e (4) Valutazione sperimentale completa che identifica parametri operativi ottimali e confini delle prestazioni per gemelli digitali di batterie basati su SHA. I risultati dimostrano che il modello SHA appreso con 18 stati e 20 archi cattura con successo sia la logica operativa discreta che le dinamiche fisiche continue del BESS, abilitando capacità di manutenzione predittiva e supportando la transizione verso una gestione sostenibile dell'accumulo di energia.