Battery degradation models for integration into energy management systems optimization tools

The growing penetration of renewable energy sources (RES) in modern power systems requires battery degradation models that are accurate, computationally efficient, and easily integrated into optimization tools. Traditional physics-based models are often too complex for large-scale applications, while purely data-driven approaches may lack physical interpretability and struggle to generalize beyond the training conditions. This thesis addresses these limitations by developing and comparing two complementary models: a linearized physics-based model compatible with MILP formulations, and a neural-network-based model capable of capturing nonlinear dynamics while remaining suitable for system-level optimization workflows. A complete synthetic dataset was generated using a detailed physical degradation model, enabling supervised training of neural architectures able to predict both short-term State of Energy evolution and long-term degradation indicators such as remaining useful life. Several network configurations were evaluated, examining learning stability, sensitivity to variable scaling, and error propagation over extended horizons. The most reliable architecture was tested on monthly operating profiles and validated on four additional batteries not included in the training set. To limit long-term error accumulation, a rolling-horizon strategy with variable temporal resolutions was implemented, allowing the neural model to be periodically realigned with the physical reference trajectory. The results show that the neural model accurately reproduces degradation trends while significantly reducing computational complexity compared to physics-based formulations. The MILP-compatible model, although more conservative, offers an interpretable and tractable alternative for optimization environments. The comparative analysis highlights the trade-offs between accuracy, generalization, and efficiency, demonstrating how hybrid approaches can support energy management strategies that explicitly account for battery ageing.

L’aumento della penetrazione delle fonti di energia rinnovabili (FER) nei sistemi elettrici moderni richiede modelli di degradazione delle batterie accurati, computazionalmente efficienti e integrabili negli strumenti di ottimizzazione. I modelli fisici tradizionali risultano spesso troppo complessi per applicazioni su larga scala, mentre gli approcci puramente data driven possono mancare di interpretabilità fisica e generalizzare con difficoltà oltre le condizioni di addestramento. Questa tesi affronta tali limiti sviluppando e confrontando due modelli complementari: un modello fisico linearizzato, compatibile con formulazioni MILP, e un modello basato su reti neurali capace di catturare dinamiche non lineari mantenendo la compatibilità con flussi di ottimizzazione a livello di sistema. Un dataset sintetico completo è stato generato tramite un modello fisico dettagliato, consentendo l’addestramento supervisionato di architetture neurali in grado di prevedere sia l’evoluzione a breve termine dello Stato di Energia sia indicatori di degradazione a lungo termine, come la vita residua. Sono state valutate diverse configurazioni di rete, analizzando stabilità dell’apprendimento, sensibilità alla scalatura delle variabili e propagazione degli errori su orizzonti estesi. L’architettura più affidabile è stata testata su profili operativi mensili e validata su quattro batterie non incluse nel training. Per limitare l’accumulo degli errori, è stata implementata una strategia rolling horizon con risoluzioni temporali variabili. I risultati mostrano che il modello neurale riproduce con buona accuratezza le tendenze di degradazione, riducendo significativamente la complessità computazionale rispetto ai modelli fisici. Il modello MILP compatibile, pur più conservativo, offre un’alternativa interpretabile e trattabile per ambienti di ottimizzazione. L’analisi comparativa evidenzia i compromessi tra accuratezza, generalizzazione ed efficienza, dimostrando come approcci ibridi possano supportare una gestione energetica realmente consapevole dell’invecchiamento delle batterie.