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.