1、2023 年 32 期创新前沿科技创新与应用Technology Innovation and Application风电的数字孪生模型使用与组合策略刘欣1，2，赵锡睿1，宫琳1，2*，刘敏霞1，项溪1，谢剑1（1.北京理工大学 机械与车辆学院，北京 100081；2.北京理工大学长三角研究院（嘉兴），浙江 嘉兴 314000）近年来，我国为实现双碳目标，正在将能源体系向清洁能源方向进行积极转型。风电由于其可再生、清洁、广泛可获取性等优点，成为了可再生能源中占比最大的能源形式，是实现双碳目标最核心的转型方向。根据国家能源局发布的数据，截至 2022 年底，全国可再生能源总装机超过12 亿kW，
2、风机装机容量为3.7亿 kW，同比增长 11.2%1。由此可见，风电不仅已经成为我国重要的一种能源形式，而且在未来仍然具有广阔的发展空间。然而，风电在实际应用中存在诸多挑战2。第一，风电具有高度随机性，影响电网稳定性，对电网调度带来了极大挑战，对此发生的“弃风限电”措施造成了风电资源的浪费3；第二，风力发电机组所处环境往往十分恶劣，容易发生故障且运维难度大4；第三，风作为流体，其尾流问题造成风机之间的产能与设备疲劳程度不均，需合理开展集群设备优化5。近年来，随着风机数据采集装置及数据管理平台的完善，风电领域已经成为工业智能化的示范性行业，产业及学术界都有很多应用创新与相关讨论2。其中，很多成果
3、都被视作数字孪生模型（Digital Twin，DT）的研究范畴6。数字孪生作为一种解决装备产品全生命周期管理问题的新兴工具，可以通过仿真模型、实时数基金项目：2023 年国家自然基金委青年基金项目（52207073）第一作者简介：刘欣（1994-），男，博士，副研究员。研究方向为可再生能源、数据科学。*通信作者院宫琳（1979-），男，博士，副教授。研究方向为复杂系统创新设计、大数据挖掘分析及体系设计与评价。摘要：为解决风电产电波动大、运维成本高、状态监测与故障诊断复杂、布局仿真计算效率低等问题，在风电数字孪生系统的框架下，总结并讨论基于人工智能技术的数据驱动模型与机理仿真模型的各自特点。具
4、体分析 2 类建模方法在建模机理、数据需求、建模精度与计算效率、模型表现形式和典型模型算法等方面的优势与不足。进一步地，通过辨析二者关联，提出 5 种关于数据驱动模型与机理仿真模型的组合使用策略。最后，对风电预测、状态监测、故障诊断、优化控制和布局优化 5 项典型风电应用问题提出各自对应的模型组合使用方法，以综合提升风电数字孪生虚拟模型的精度及计算效率。该文的数字孪生模型使用与组合策略对与风机类似的装备有推广意义。关键词：数字孪生；风电；仿真模型；数据驱动建模；模型组合策略中图分类号院TM614文献标志码院A文章编号院2095-2945渊2023冤32-0014-04Abstract:In o
5、rder tosolvethe problemsoflargefluctuationofwindpowergeneration,highcostofoperationandmaintenance,complexity of condition monitoring and fault diagnosis,and low efficiency of layout simulation,under the frameworkof wind power digital twin system,the respective characteristics of data-driven model an
6、d mechanism simulation model based onartificial intelligence technology are summarized and discussed.The advantages and disadvantages of the two kinds of modelingmethods in modeling mechanism,data requirements,modeling accuracy and computational efficiency,model expression,typicalmodel algorithm and
7、 so on are analyzed in detail.Furthermore,by analyzing the relationship between the two,five strategies forthe combineduse of data-drivenmodel andmechanismsimulationmodelareproposed.Finally,thecorrespondingmodelcombination methods are proposed for five typical wind power application problems,such as
8、 wind power prediction,conditionmonitoring,faultdiagnosis,optimal control andlayout optimization,inordertocomprehensivelyimprove the accuracyandcomputational efficiency of wind power digital twin virtual model.The use and combination strategy of the digital twin model inthis paper is of great signif
9、icance to the equipment similar to the fan.Keywords:digital twin;wind power;simulation model;data-driven modeling;model combination strategyDOI：10.19981/j.CN23-1581/G3.2023.32.00414-创新前沿科技创新与应用Technology Innovation and Application2023 年 32 期据、可视化技术及智能算法，全面支持装备在设计、分析、运营维护、健康管理等各阶段的实际应用，在风电领域同样发挥着重要作用
10、。由于数字孪生结合了机理仿真建模（Physics-based Modelling，PM）与数据驱动建模（Data-driven Modelling，DM）2 类模型，过往关于风机数字孪生的算法研究也可对应分为以机理仿真为主的“白盒”模型及以数据驱动的“黑盒”模型。过往基于机理仿真模型的研究主要面向剩余寿命预测、故障诊断、尾流计算和预测分析等应用场景。例如，在剩余寿命预测中，研究人员使用热量模型描述了海上风机发电机的能量损失，进而对风机的功率转换器提出了一种剩余寿命预测方法7。在预测分析方面，可以对风电机组的传动系统及电气系统，使用物理学公式进行整体线性建模，并对气动系统使用了有限差分回归向量、
11、有限差分工作域等非线性建模方法，实现风机系统的仿真8。另一方面，属于黑盒模型的数据模型利用风机传感器所采集的数据，对风电系统进行参数之间的规律拟合，在数据可用时，同样可以实现上述几点应用。例如可以使用风电场的实际输出数据与风力预测数据，通过 Attention-GRU 深度学习模型实现精准的风电预测9，或是结合深度学习的注意力机制，使用常微分神经网络实现风电短期的概率分布精准预测，可以提升预测结果的时间分辨率，使预测结果更加自然平滑10。此外，也有研究实现了数据模型与机理模型二者的有机融合。例如，使用深度学习的注意力机制实现风电场的态势识别，并进一步基于机理实现了双馈发电机的全电磁暂态建模，通
12、过二者的结合开展亚毫秒级实时决策，可以精准识别故障态势11。尽管已经存在很多类型的风机数字孪生建模方法，但关于这 2 类建模方法的使用场景及模型使用策略方面，仍缺乏系统性讨论与指导原则。然而，数字孪生作为一种多要素有机集成的系统，必须定义清楚数据模型与机理模型间的关联与交互关系。对此，本文面向风电领域的数字孪生使用问题，对数据模型及机理模型的各自特点、优缺点及使用场景开展对比分析，并面向 4 种典型的风电相关的实际应用服务，总结数据模型及机理模型的使用策略与组合方式，以提升风机数字孪生的完备性与系统性。本文所提出的模型使用与组合策略有助于发挥数据模型及仿真模型各自的优势，以综合提升建模精度及效
13、率。1模型组合策略风机数字孪生体的虚拟空间中，包含了机理模型与数据驱动模型 2 类模型。其中，机理模型是基于现实世界中的物理规律（如热力学、流体力学、电子电路和结构力学等），对设备或系统的数学抽象描述。机理模型往往以物理公式或方框图的形式进行表征，建模时不需依赖于真实数据，模型信息源来自建模人员知识。因此当现实噪声较小，可以准确满足模型假设且模型参数规模适中时，机理模型的精准度往往较高。机理模型往往用于数据无法采集或问题机理十分清晰的场景；数据驱动模型无需依赖于对现实世界的物理背景知识，其基于所采集到的真实数据，从概率视角下通过统计模型进行关系拟合而构建。数据驱动建模可以将建模对象或系统视作一
14、种函数，通过识别并定义函数的输入与输出，基于采集的数据构建回归映射以求得该模型。因此，数据驱动模型要求系统有采集数据的能力，但并不需要具体描述系统内部变量关系的知识。根据机理模型与数据模型的特点，以下提出 5 种模型组合使用策略。淤补充型策略。该策略常以数据驱动建模方法为核心主干来描述变量间关系。相比于单纯的数据驱动建模过程，补充型策略会充分利用专家知识或仿真模型输出结果，将其作为额外信息补充输入到数据模型中，以此增强数据模型的特征构造及拟合能力。于代理型策略。该策略常使用数据模型替代机理模型，从而实现更高的计算效率。考虑到机理模型在部分场景下（如流体仿真计算）的计算量庞大，难以实现实时的仿真
15、计算需求，而数据驱动建模方法在实现关系拟合方面的算法选择种类众多，易于找到计算效率更高的模型。因此在给定初始部分仿真数据或真实数据后，可使用数据驱动方法进行代理模型构建，以更高的计算效率来近似仿真模型。盂互补型策略。该策略面向含有众多参数与变量的系统，通过在不同变量之间交替使用对应的仿真或数据模型，在系统层级上实现数据与机理的集成使用。考虑风机中部分变量之间具备十分清晰且确定性的机理关系（如齿轮箱的输入输出转速关系），但也有部分变量间的关联并不清晰（如风况的历史与未来数据关系），对此，可以对机理清晰的子系统使用机理建模，并对机理不清但有数据基础的子系统使用数据建模，以实现对整个系统的参数关系建
16、模。榆纠正型策略。该策略通常以机理仿真模型为主要建模手段，但考虑到仿真模型容易忽视现实中的噪声影响，其预测结果与现实观测值之间可能存在差异。对此，数据驱动模型可以基于机理模型的输出结果与真实值建立联系，实现对误差的修正。此外，此处所使用的机理模型也可以替换为数据驱动模型，而这15-2023 年 32 期创新前沿科技创新与应用Technology Innovation and Application种方法可被视作模型集成策略中的 Boosting 思想。虞交替型策略。该策略交替使用机理模型与数据模型，考虑 2 个模型在计算精度与效率方面各自的优势，在不同阶段进行模型切换。该策略的应用场景往往是高
17、精度但低效率的仿真场景。通过构建计算效率高且精度适当的数据模型，对机理模型进行初步代理。随着模型使用需求的变化，如要求高精度或高效率，对模型进行更新或切换，该策略常用于优化问题。以上 5 种模型组合策略，可以视风电系统的应用场景、应用目标、数据可用性及机理精准度等情况进行配置使用。相比于直接应用仿真模型及数据分析，模型组合可以更好地实现数字孪生整体的集成性，实现虚拟空间信息知识的高效利用，并综合提升虚拟空间模型精度及计算效率。2基于模型组合的风电数字孪生应用在风电系统的设计、运维、管理与优化的过程中，各处均有利用数字孪生模型开展分析、预测及决策的应用要求。以下针对风电系统中的 4 种具体应用场
18、景，总结各自的数据模型与机理模型使用方法，并对应提出二者的组合策略。2.1风电预测由于风力发电具有极强的波动性，为确保电网运行稳定，必须对风电的未来发电量给予精准预测。精准的风电预测是风电运行与管理的核心要求及应用之一。单独使用机理模型或数据驱动模型的预测模型建模方法如图 1 所示。纠正型策略是用于风电预测的一种适当策略，其将气象机构的仿真模型预测结果用作初始解，并与真实观测到的结果进行关联，基于数据驱动建模纠正天气预报的风速预测误差，提升风速预测精度。获得纠正的风速预测结果后，可以进一步使用风机动力模型或其代理模型进行风电输出值计算。图 1风电预测的机理模型与数据驱动模型示意图2.2状态监测
19、风电机组常安装于自然条件恶劣的环境和场所，其故障常有发生且运维工作十分不便，因此必须对风机开展远程监测，以使系统提前生成预警信息，避免装备发生故障。对数据与仿真模型使用代理型策略，可以实现更精准实时的状态监测。通常基于仿真模型或知识的监测需要实现根据经验来设定监测规则，然而经验很难显而易见地给出各种潜在故障下的规则定义，具有一定局限性。对此，代理型策略使用数据驱动模型对监测变量的历史数据进行统计与分析，通过统计规则或动态的特征挖掘，设定监测变量的正常行为阈值区间，实现数据驱动模型对经验的替换。2.3故障诊断在风电机组发生故障时，靠人工进行故障定位与诊断，十分低效且不便。因此需要智能化的故障诊断
20、算法，自动地根据所采集到的风机运行数据以及外部数据，判断风机的故障类型，使运维人员可以有针对性地开展维修工作。对仿真模型和数据模型使用补充型策略，可以实现更准确的故障诊断。补充型策略使用仿真模型来为数据驱动模型补充信息，即使用专家知识选择有代表性的物理量参数，例如根据故障表现，有针对性地选择部分参数的振动信号、温度数据、加速度信息等，构建有意义的输入特征。但该特征仅作为补充信息输入到机器学习分类模型中去，并不替代原有的数据挖掘过程，由此可以提升故障诊断模型的输入特征表征准确性。2.4设备控制风力发电机需面向变动的环境，对桨距角、偏航角、输出功率、转矩和转速等参数进行实时控制，以满足在发电量、振
21、动等多方面的要求。风机的控制模型可以以仿真或数据驱动建模或二者结合的形式实现。对此，互补型策略是用于设备控制模型建模的理想途径。在训练风机的控制策略时，需先对风机模型中的控制与输出参数关系进行描述。其中，机理较为清晰的子模型可以直接使用仿真模型建模，例如，使用气体动力学、齿轮传动比等领域知识对风机传动系统建模；而机理复杂且噪声波动大的模型可以在数据可获取时，通过数据驱动模型建模，例如，使用时间序列算法描述环境风的动态变化规律、使用回归模型获得控制参数与温度及振动的预测关系等。该互补型策略可为风机控制策略优化提供精准的仿真计算环境。2.5布局优化风电场存在复杂的尾流效应，即风在经过上游风机后，在
22、下游会发生风速衰减，进而影响下游风机的产天气预报风速预测风机动力模型历史数据时序建模实时数据风电输出预测机理模型数据模型机理模型数据驱动模型16-创新前沿科技创新与应用Technology Innovation and Application2023 年 32 期能。为最大化整个风电场的发电量，必须从全局的角度控制风场尾流，而这极大程度取决于风电场在设计时的布局方案。对此，精确高效的尾流计算模型是风电场设计的基础。尾流模型大多是通过流体力学、动量计算等物理公式以机理的角度来描述的，而在使用不同类型的机理模型时，其精度、计算效率也有较大差异。例如，基于动量的计算模型假设简单，计算效率高，但精度较
23、低；流体力学仿真模型精度较高，对风场描述的细粒度也更高，但计算复杂度高，仿真时间长。数据驱动模型则可以通过获取风力数据（如测风塔、气象数据等），使用无监督学习（如自编码机）获得风场中各个点位之间的关系，或是使用监督式学习算法（卷积神经网络、循环神经网络等）获得指定地点间的关系及时间上的演变规律，其计算速度与精度可以根据模型复杂度的不同灵活调整。为提升建模精度和效率，可以面向布局优化应用采用交替型策略。风场布局优化往往以方案迭代的形式展开，需反复评价布局方案对应的发电量，对应多次调用尾流模型计算发电效能。因此，可以针对在优化过程的不同阶段对精度与效率的需求，交替使用机理仿真模型与数据驱动模型。例
24、如，在优化搜索的初始阶段，可以使用计算效率高的数据驱动模型作为主要评价模型，确定解的大致搜索方向，进行高效的粗略搜索；在后阶段的精确搜索过程中，使用高精度流体力学机理仿真模型进行尾流的精确评价，由此改善求解精度、提升布局效果。3结束语本文讨论了风电系统数字孪生模型的使用与组合策略。首先，分别介绍了数字孪生体中的机理仿真模型与数据驱动建模各自特点，并对比了两者在建模方法、数据需求、精度、计算效率和模型表示形式等方面的区别；其次，对这 2 类模型提出了 5 种模型组合方法，包括补充型、代理型、互补型、交替型及纠正型策略，并说明了这些组合方法的优点与使用场景；最后，本文面向风力发电机与风电场的典型问
25、题，针对风电预测、风机状态监测、故障诊断、控制优化和布局优化共 5 个风电核心问题提出了不同的模型组合使用建议，以提升风电预测的精准程度、风机状态监控与故障诊断的准确率及控制优化精度。本文所提出的模型管理与组合方法，有助于实现数字孪生体中的仿真模型与传感器数据 2 个核心部分的高效集成；同时，本文所提出的模型组合方法在其他相似领域也具有较好的推广应用能力，可以为通用的数字孪生模型构建提供参考架构。参考文献院1 国家能源局发布 2022 年全国电力工业统计数据EB/OL.http:/ EBRAHIMI A.Challenges of developing a digital twin model
26、of renewable energy generators C/2019 IEEE 28th interna原tional symposium on industrial electronics（ISIE）.IEEE，2019：1059-1066.3 FAHIM M，SHARMA V，CAO T V，et al.Machine learn原ing-based digital twin for predictive modeling in wind tur原binesJ.IEEE Access，2022，10：14184-14194.4 卢晓光，李凤格.基于数字孪生的风机实时载荷预估研究J.机
27、械与电子，2021，39（6）：24-28，34.5 ZHAO H，ZHAO J，QIU J，et al.Cooperative wind farmcontrol with deep reinforcement learning and knowledge-as原sisted learning J.IEEE Transactions on Industrial Informat原ics，2020，16（11）：6912-6921.6 HAGHSHENAS A，HASAN A，OSEN O，et al.Predictivedigital twin for offshore wind farms
28、J.Energy Informatics，2023，6（1）：1-26.7 SIVALINGAM K，SEPULVEDA M，SPRING M，et al.AReview and Methodology Development for Remaining UsefulLife Prediction of Offshore Fixed and Floating Wind turbinePower Converter with Digital Twin Technology PerspectiveC/2018 2nd International Conference on Green Energy
29、 andApplications（ICGEA），Singapore，2018：197-204.8 胡阳，王蔚然，房方，等.风电机组运行动态数字孪生建模及半物理仿真J/OL.系统仿真学报：1-122023-03-16.https：/doi.org/10.16182/j.issn1004731x.joss.22-1307.9 刘宇凝，王迎丽，徐明文，等.基于数字孪生混合储能的风电功率波动平抑策略J.电网技术，2021，45（7）：2503-2514.10 LIU X，YANG，L，ZHANG Z.The attention-assisted ordinarydifferential equation networks for short-term probabilisticwind power predictions J.Applied Energy，2022（324）：119794.11 陈厚合，杨政，裴玮.风电并网系统数字孪生及故障态势辨识J.电工电能新技术，2022，41（11）：43-58.17-
