A hybrid A-UKF-PINN digital twin architecture for real-time state estimation in Smart Grids

Abstract

The increasing variability, nonlinearity, and real-time operational requirements of Smart Grids (SGs) make static digital models insufficient for reliable state estimation and control of distributed assets such as Vehicle-to-Grid (V2G) storage systems. The purpose of the study was a formal and model-based substantiation of the advantages of dynamic digital twins (DTs) over static data model (DM) in real-time lithium-ion storage system condition assessment tasks. To achieve this, a hybrid adaptive unscented Kalman filter – physics-informed neural network (A-UKF-PINN) architecture was proposed, combining an A-UKF (Adaptive Unscented Kalman Filter), which provided robust state estimation in the presence of noise and uncertainty, with a physics-informed PINN (Physics-Informed Neural Network) model that considers the dynamics and nonlinear processes of the battery cell. The originality of the study lies in the integration of these components into a single model that supports bidirectional synchronisation, which improves forecast stability and significantly reduces desynchronisation between the model and the physical object in SG conditions. Simulation validation was carried out on V2G operating cycles with modelled Phasor Measurement Unit / Internet of Things sensor noise. The obtained Root Mean Square Error (RMSE) of 0.87% demonstrated a 44% accuracy improvement compared to a traditional DM (ECM (equivalent circuit models) + UKF, RMSE 1.98%) and a 56% improvement relative to the baseline digital twin (pure PINN). The architectural assessment confirmed the necessity of using a hierarchical Edge-Cloud platform that ensures optimal distribution of computational workloads: PINN training in the cloud environment and high-frequency state estimation at the edge. The proposed architecture forms the basis for scalable dynamic DTs in SG, helps to reduce operational risks, supports the implementation of proactive maintenance strategies, and increases the efficiency of the energy infrastructure life cycle.

Зростаюча мінливість, нелінійність та вимоги до роботи в режимі реального часу розумних енергомереж роблять статичні цифрові моделі недостатніми для надійної оцінки стану та контролю розподілених активів, таких як системи зберігання Vehicle-to-Grid (V2G). Метою дослідження було формальне та імітаційне обґрунтування переваг динамічних цифрових двійників (DTs) порівняно зі статичними data model (DM) у задачах оцінювання стану літій-іонних накопичувачів у реальному часі. Для цього запропоновано гібридну архітектуру A-UKF–PINN, що поєднує адаптивний несцентований фільтр Калмана (A-UKF), який забезпечує стійке оцінювання стану за наявності шумів і невизначеностей, із фізично інформованою моделлю PINN (Physics-Informed Neural Network), яка враховує динаміку та нелінійні процеси акумуляторного елемента. Новизна роботи полягає в інтеграції цих компонентів в єдину модель із двобічною синхронізацією, що підвищує стабільність прогнозування та істотно зменшує десинхронізацію між моделлю й фізичним об’єктом в умовах Smart Grid. Імітаційну валідацію проведено на робочих циклах V2G з урахуванням змодельованих шумів датчиків PMU/IoT (Phasor Measurement Unit / Internet of Things). Отримане значення Root Mean Square Error (RMSE) 0,87 % продемонструвало підвищення точності на 44 % порівняно з традиційною DM (ECM (equivalent circuit models) + UKF, RMSE 1,98 %) та на 56 % відносно базового цифрового двійника (чистий PINN). Архітектурна оцінка підтвердила необхідність використання ієрархічної платформи Edge-Cloud, що забезпечує оптимальний розподіл обчислювальних навантажень: навчання PINN у хмарному середовищі та високочастотне оцінювання стану на периферії. Запропонована архітектура формує основу для масштабованих динамічних DT у Smart Grid, сприяє зниженню операційних ризиків, підтримує впровадження стратегій проактивного технічного обслуговування та підвищує ефективність життєвого циклу енергетичної інфраструктури