DOI：10.19981/j.CN23-1581/G3.2023.32.004

摘" 要：為解決風(fēng)電產(chǎn)電波動(dòng)大、運(yùn)維成本高、狀態(tài)監(jiān)測(cè)與故障診斷復(fù)雜、布局仿真計(jì)算效率低等問(wèn)題，在風(fēng)電數(shù)字孿生系統(tǒng)的框架下，總結(jié)并討論基于人工智能技術(shù)的數(shù)據(jù)驅(qū)動(dòng)模型與機(jī)理仿真模型的各自特點(diǎn)。具體分析2類建模方法在建模機(jī)理、數(shù)據(jù)需求、建模精度與計(jì)算效率、模型表現(xiàn)形式和典型模型算法等方面的優(yōu)勢(shì)與不足。進(jìn)一步地，通過(guò)辨析二者關(guān)聯(lián)，提出5種關(guān)于數(shù)據(jù)驅(qū)動(dòng)模型與機(jī)理仿真模型的組合使用策略。最后，對(duì)風(fēng)電預(yù)測(cè)、狀態(tài)監(jiān)測(cè)、故障診斷、優(yōu)化控制和布局優(yōu)化5項(xiàng)典型風(fēng)電應(yīng)用問(wèn)題提出各自對(duì)應(yīng)的模型組合使用方法，以綜合提升風(fēng)電數(shù)字孿生虛擬模型的精度及計(jì)算效率。該文的數(shù)字孿生模型使用與組合策略對(duì)與風(fēng)機(jī)類似的裝備有推廣意義。

關(guān)鍵詞：數(shù)字孿生；風(fēng)電；仿真模型；數(shù)據(jù)驅(qū)動(dòng)建模；模型組合策略

中圖分類號(hào)：TM614" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號(hào)：2095-2945（2023）32-0014-04

Abstract： In order to solve the problems of large fluctuation of wind power generation， high cost of operation and maintenance， complexity of condition monitoring and fault diagnosis， and low efficiency of layout simulation， under the framework of wind power digital twin system， the respective characteristics of data-driven model and mechanism simulation model based on artificial intelligence technology are summarized and discussed. The advantages and disadvantages of the two kinds of modeling methods in modeling mechanism， data requirements， modeling accuracy and computational efficiency， model expression， typical model algorithm and so on are analyzed in detail. Furthermore， by analyzing the relationship between the two， five strategies for the combined use of data-driven model and mechanism simulation model are proposed. Finally， the corresponding model combination methods are proposed for five typical wind power application problems， such as wind power prediction， condition monitoring， fault diagnosis， optimal control and layout optimization， in order to comprehensively improve the accuracy and computational efficiency of wind power digital twin virtual model. The use and combination strategy of the digital twin model in this paper is of great significance to the equipment similar to the fan.

Keywords： digital twin; wind power; simulation model; data-driven modeling; model combination strategy

近年來(lái)，我國(guó)為實(shí)現(xiàn)雙碳目標(biāo)，正在將能源體系向清潔能源方向進(jìn)行積極轉(zhuǎn)型。風(fēng)電由于其可再生、清潔、廣泛可獲取性等優(yōu)點(diǎn)，成為了可再生能源中占比最大的能源形式，是實(shí)現(xiàn)雙碳目標(biāo)最核心的轉(zhuǎn)型方向。根據(jù)國(guó)家能源局發(fā)布的數(shù)據(jù)，截至2022年底，全國(guó)可再生能源總裝機(jī)超過(guò)12億kW，風(fēng)機(jī)裝機(jī)容量為3.7億kW，同比增長(zhǎng)11.2%[1]。由此可見(jiàn)，風(fēng)電不僅已經(jīng)成為我國(guó)重要的一種能源形式，而且在未來(lái)仍然具有廣闊的發(fā)展空間。

然而，風(fēng)電在實(shí)際應(yīng)用中存在諸多挑戰(zhàn)[2]。第一，風(fēng)電具有高度隨機(jī)性，影響電網(wǎng)穩(wěn)定性，對(duì)電網(wǎng)調(diào)度帶來(lái)了極大挑戰(zhàn)，對(duì)此發(fā)生的“棄風(fēng)限電”措施造成了風(fēng)電資源的浪費(fèi)[3]；第二，風(fēng)力發(fā)電機(jī)組所處環(huán)境往往十分惡劣，容易發(fā)生故障且運(yùn)維難度大[4]；第三，風(fēng)作為流體，其尾流問(wèn)題造成風(fēng)機(jī)之間的產(chǎn)能與設(shè)備疲勞程度不均，需合理開(kāi)展集群設(shè)備優(yōu)化[5]。

近年來(lái)，隨著風(fēng)機(jī)數(shù)據(jù)采集裝置及數(shù)據(jù)管理平臺(tái)的完善，風(fēng)電領(lǐng)域已經(jīng)成為工業(yè)智能化的示范性行業(yè)，產(chǎn)業(yè)及學(xué)術(shù)界都有很多應(yīng)用創(chuàng)新與相關(guān)討論[2]。其中，很多成果都被視作數(shù)字孿生模型（Digital Twin， DT）的研究范疇[6]。數(shù)字孿生作為一種解決裝備產(chǎn)品全生命周期管理問(wèn)題的新興工具，可以通過(guò)仿真模型、實(shí)時(shí)數(shù)據(jù)、可視化技術(shù)及智能算法，全面支持裝備在設(shè)計(jì)、分析、運(yùn)營(yíng)維護(hù)、健康管理等各階段的實(shí)際應(yīng)用，在風(fēng)電領(lǐng)域同樣發(fā)揮著重要作用。由于數(shù)字孿生結(jié)合了機(jī)理仿真建模（Physics-based Modelling， PM）與數(shù)據(jù)驅(qū)動(dòng)建模（Data-driven Modelling， DM）2類模型，過(guò)往關(guān)于風(fēng)機(jī)數(shù)字孿生的算法研究也可對(duì)應(yīng)分為以機(jī)理仿真為主的“白盒”模型及以數(shù)據(jù)驅(qū)動(dòng)的“黑盒”模型。

過(guò)往基于機(jī)理仿真模型的研究主要面向剩余壽命預(yù)測(cè)、故障診斷、尾流計(jì)算和預(yù)測(cè)分析等應(yīng)用場(chǎng)景。例如，在剩余壽命預(yù)測(cè)中，研究人員使用熱量模型描述了海上風(fēng)機(jī)發(fā)電機(jī)的能量損失，進(jìn)而對(duì)風(fēng)機(jī)的功率轉(zhuǎn)換器提出了一種剩余壽命預(yù)測(cè)方法[7]。在預(yù)測(cè)分析方面，可以對(duì)風(fēng)電機(jī)組的傳動(dòng)系統(tǒng)及電氣系統(tǒng)，使用物理學(xué)公式進(jìn)行整體線性建模，并對(duì)氣動(dòng)系統(tǒng)使用了有限差分回歸向量、有限差分工作域等非線性建模方法，實(shí)現(xiàn)風(fēng)機(jī)系統(tǒng)的仿真[8]。

另一方面，屬于黑盒模型的數(shù)據(jù)模型利用風(fēng)機(jī)傳感器所采集的數(shù)據(jù)，對(duì)風(fēng)電系統(tǒng)進(jìn)行參數(shù)之間的規(guī)律擬合，在數(shù)據(jù)可用時(shí)，同樣可以實(shí)現(xiàn)上述幾點(diǎn)應(yīng)用。例如可以使用風(fēng)電場(chǎng)的實(shí)際輸出數(shù)據(jù)與風(fēng)力預(yù)測(cè)數(shù)據(jù)，通過(guò)Attention-GRU深度學(xué)習(xí)模型實(shí)現(xiàn)精準(zhǔn)的風(fēng)電預(yù)測(cè)[9]，或是結(jié)合深度學(xué)習(xí)的注意力機(jī)制，使用常微分神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)風(fēng)電短期的概率分布精準(zhǔn)預(yù)測(cè)，可以提升預(yù)測(cè)結(jié)果的時(shí)間分辨率，使預(yù)測(cè)結(jié)果更加自然平滑[10]。

此外，也有研究實(shí)現(xiàn)了數(shù)據(jù)模型與機(jī)理模型二者的有機(jī)融合。例如，使用深度學(xué)習(xí)的注意力機(jī)制實(shí)現(xiàn)風(fēng)電場(chǎng)的態(tài)勢(shì)識(shí)別，并進(jìn)一步基于機(jī)理實(shí)現(xiàn)了雙饋發(fā)電機(jī)的全電磁暫態(tài)建模，通過(guò)二者的結(jié)合開(kāi)展亞毫秒級(jí)實(shí)時(shí)決策，可以精準(zhǔn)識(shí)別故障態(tài)勢(shì)[11]。

盡管已經(jīng)存在很多類型的風(fēng)機(jī)數(shù)字孿生建模方法，但關(guān)于這2類建模方法的使用場(chǎng)景及模型使用策略方面，仍缺乏系統(tǒng)性討論與指導(dǎo)原則。然而，數(shù)字孿生作為一種多要素有機(jī)集成的系統(tǒng)，必須定義清楚數(shù)據(jù)模型與機(jī)理模型間的關(guān)聯(lián)與交互關(guān)系。對(duì)此，本文面向風(fēng)電領(lǐng)域的數(shù)字孿生使用問(wèn)題，對(duì)數(shù)據(jù)模型及機(jī)理模型的各自特點(diǎn)、優(yōu)缺點(diǎn)及使用場(chǎng)景開(kāi)展對(duì)比分析，并面向4種典型的風(fēng)電相關(guān)的實(shí)際應(yīng)用服務(wù)，總結(jié)數(shù)據(jù)模型及機(jī)理模型的使用策略與組合方式，以提升風(fēng)機(jī)數(shù)字孿生的完備性與系統(tǒng)性。本文所提出的模型使用與組合策略有助于發(fā)揮數(shù)據(jù)模型及仿真模型各自的優(yōu)勢(shì)，以綜合提升建模精度及效率。

1" 模型組合策略

風(fēng)機(jī)數(shù)字孿生體的虛擬空間中，包含了機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)模型2類模型。其中，機(jī)理模型是基于現(xiàn)實(shí)世界中的物理規(guī)律（如熱力學(xué)、流體力學(xué)、電子電路和結(jié)構(gòu)力學(xué)等），對(duì)設(shè)備或系統(tǒng)的數(shù)學(xué)抽象描述。機(jī)理模型往往以物理公式或方框圖的形式進(jìn)行表征，建模時(shí)不需依賴于真實(shí)數(shù)據(jù)，模型信息源來(lái)自建模人員知識(shí)。因此當(dāng)現(xiàn)實(shí)噪聲較小，可以準(zhǔn)確滿足模型假設(shè)且模型參數(shù)規(guī)模適中時(shí)，機(jī)理模型的精準(zhǔn)度往往較高。機(jī)理模型往往用于數(shù)據(jù)無(wú)法采集或問(wèn)題機(jī)理十分清晰的場(chǎng)景；數(shù)據(jù)驅(qū)動(dòng)模型無(wú)需依賴于對(duì)現(xiàn)實(shí)世界的物理背景知識(shí)，其基于所采集到的真實(shí)數(shù)據(jù)，從概率視角下通過(guò)統(tǒng)計(jì)模型進(jìn)行關(guān)系擬合而構(gòu)建。數(shù)據(jù)驅(qū)動(dòng)建模可以將建模對(duì)象或系統(tǒng)視作一種函數(shù)，通過(guò)識(shí)別并定義函數(shù)的輸入與輸出，基于采集的數(shù)據(jù)構(gòu)建回歸映射以求得該模型。因此，數(shù)據(jù)驅(qū)動(dòng)模型要求系統(tǒng)有采集數(shù)據(jù)的能力，但并不需要具體描述系統(tǒng)內(nèi)部變量關(guān)系的知識(shí)。

根據(jù)機(jī)理模型與數(shù)據(jù)模型的特點(diǎn)，以下提出5種模型組合使用策略。①補(bǔ)充型策略。該策略常以數(shù)據(jù)驅(qū)動(dòng)建模方法為核心主干來(lái)描述變量間關(guān)系。相比于單純的數(shù)據(jù)驅(qū)動(dòng)建模過(guò)程，補(bǔ)充型策略會(huì)充分利用專家知識(shí)或仿真模型輸出結(jié)果，將其作為額外信息補(bǔ)充輸入到數(shù)據(jù)模型中，以此增強(qiáng)數(shù)據(jù)模型的特征構(gòu)造及擬合能力。②代理型策略。該策略常使用數(shù)據(jù)模型替代機(jī)理模型，從而實(shí)現(xiàn)更高的計(jì)算效率。考慮到機(jī)理模型在部分場(chǎng)景下（如流體仿真計(jì)算）的計(jì)算量龐大，難以實(shí)現(xiàn)實(shí)時(shí)的仿真計(jì)算需求，而數(shù)據(jù)驅(qū)動(dòng)建模方法在實(shí)現(xiàn)關(guān)系擬合方面的算法選擇種類眾多，易于找到計(jì)算效率更高的模型。因此在給定初始部分仿真數(shù)據(jù)或真實(shí)數(shù)據(jù)后，可使用數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行代理模型構(gòu)建，以更高的計(jì)算效率來(lái)近似仿真模型。③互補(bǔ)型策略。該策略面向含有眾多參數(shù)與變量的系統(tǒng)，通過(guò)在不同變量之間交替使用對(duì)應(yīng)的仿真或數(shù)據(jù)模型，在系統(tǒng)層級(jí)上實(shí)現(xiàn)數(shù)據(jù)與機(jī)理的集成使用?？紤]風(fēng)機(jī)中部分變量之間具備十分清晰且確定性的機(jī)理關(guān)系（如齒輪箱的輸入輸出轉(zhuǎn)速關(guān)系），但也有部分變量間的關(guān)聯(lián)并不清晰（如風(fēng)況的歷史與未來(lái)數(shù)據(jù)關(guān)系），對(duì)此，可以對(duì)機(jī)理清晰的子系統(tǒng)使用機(jī)理建模，并對(duì)機(jī)理不清但有數(shù)據(jù)基礎(chǔ)的子系統(tǒng)使用數(shù)據(jù)建模，以實(shí)現(xiàn)對(duì)整個(gè)系統(tǒng)的參數(shù)關(guān)系建模。④糾正型策略。該策略通常以機(jī)理仿真模型為主要建模手段，但考慮到仿真模型容易忽視現(xiàn)實(shí)中的噪聲影響，其預(yù)測(cè)結(jié)果與現(xiàn)實(shí)觀測(cè)值之間可能存在差異。對(duì)此，數(shù)據(jù)驅(qū)動(dòng)模型可以基于機(jī)理模型的輸出結(jié)果與真實(shí)值建立聯(lián)系，實(shí)現(xiàn)對(duì)誤差的修正。此外，此處所使用的機(jī)理模型也可以替換為數(shù)據(jù)驅(qū)動(dòng)模型，而這種方法可被視作模型集成策略中的Boosting思想。⑤交替型策略。該策略交替使用機(jī)理模型與數(shù)據(jù)模型，考慮2個(gè)模型在計(jì)算精度與效率方面各自的優(yōu)勢(shì)，在不同階段進(jìn)行模型切換。該策略的應(yīng)用場(chǎng)景往往是高精度但低效率的仿真場(chǎng)景。通過(guò)構(gòu)建計(jì)算效率高且精度適當(dāng)?shù)臄?shù)據(jù)模型，對(duì)機(jī)理模型進(jìn)行初步代理。隨著模型使用需求的變化，如要求高精度或高效率，對(duì)模型進(jìn)行更新或切換，該策略常用于優(yōu)化問(wèn)題。

以上5種模型組合策略，可以視風(fēng)電系統(tǒng)的應(yīng)用場(chǎng)景、應(yīng)用目標(biāo)、數(shù)據(jù)可用性及機(jī)理精準(zhǔn)度等情況進(jìn)行配置使用。相比于直接應(yīng)用仿真模型及數(shù)據(jù)分析，模型組合可以更好地實(shí)現(xiàn)數(shù)字孿生整體的集成性，實(shí)現(xiàn)虛擬空間信息知識(shí)的高效利用，并綜合提升虛擬空間模型精度及計(jì)算效率。

2" 基于模型組合的風(fēng)電數(shù)字孿生應(yīng)用

在風(fēng)電系統(tǒng)的設(shè)計(jì)、運(yùn)維、管理與優(yōu)化的過(guò)程中，各處均有利用數(shù)字孿生模型開(kāi)展分析、預(yù)測(cè)及決策的應(yīng)用要求。以下針對(duì)風(fēng)電系統(tǒng)中的4種具體應(yīng)用場(chǎng)景，總結(jié)各自的數(shù)據(jù)模型與機(jī)理模型使用方法，并對(duì)應(yīng)提出二者的組合策略。

2.1" 風(fēng)電預(yù)測(cè)

由于風(fēng)力發(fā)電具有極強(qiáng)的波動(dòng)性，為確保電網(wǎng)運(yùn)行穩(wěn)定，必須對(duì)風(fēng)電的未來(lái)發(fā)電量給予精準(zhǔn)預(yù)測(cè)。精準(zhǔn)的風(fēng)電預(yù)測(cè)是風(fēng)電運(yùn)行與管理的核心要求及應(yīng)用之一。單獨(dú)使用機(jī)理模型或數(shù)據(jù)驅(qū)動(dòng)模型的預(yù)測(cè)模型建模方法如圖1所示。

糾正型策略是用于風(fēng)電預(yù)測(cè)的一種適當(dāng)策略，其將氣象機(jī)構(gòu)的仿真模型預(yù)測(cè)結(jié)果用作初始解，并與真實(shí)觀測(cè)到的結(jié)果進(jìn)行關(guān)聯(lián)，基于數(shù)據(jù)驅(qū)動(dòng)建模糾正天氣預(yù)報(bào)的風(fēng)速預(yù)測(cè)誤差，提升風(fēng)速預(yù)測(cè)精度。獲得糾正的風(fēng)速預(yù)測(cè)結(jié)果后，可以進(jìn)一步使用風(fēng)機(jī)動(dòng)力模型或其代理模型進(jìn)行風(fēng)電輸出值計(jì)算。

2.2" 狀態(tài)監(jiān)測(cè)

風(fēng)電機(jī)組常安裝于自然條件惡劣的環(huán)境和場(chǎng)所，其故障常有發(fā)生且運(yùn)維工作十分不便，因此必須對(duì)風(fēng)機(jī)開(kāi)展遠(yuǎn)程監(jiān)測(cè)，以使系統(tǒng)提前生成預(yù)警信息，避免裝備發(fā)生故障。對(duì)數(shù)據(jù)與仿真模型使用代理型策略，可以實(shí)現(xiàn)更精準(zhǔn)實(shí)時(shí)的狀態(tài)監(jiān)測(cè)。

通?；诜抡婺Ｐ突蛑R(shí)的監(jiān)測(cè)需要實(shí)現(xiàn)根據(jù)經(jīng)驗(yàn)來(lái)設(shè)定監(jiān)測(cè)規(guī)則，然而經(jīng)驗(yàn)很難顯而易見(jiàn)地給出各種潛在故障下的規(guī)則定義，具有一定局限性。對(duì)此，代理型策略使用數(shù)據(jù)驅(qū)動(dòng)模型對(duì)監(jiān)測(cè)變量的歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與分析，通過(guò)統(tǒng)計(jì)規(guī)則或動(dòng)態(tài)的特征挖掘，設(shè)定監(jiān)測(cè)變量的正常行為閾值區(qū)間，實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)模型對(duì)經(jīng)驗(yàn)的替換。

2.3" 故障診斷

在風(fēng)電機(jī)組發(fā)生故障時(shí)，靠人工進(jìn)行故障定位與診斷，十分低效且不便。因此需要智能化的故障診斷算法，自動(dòng)地根據(jù)所采集到的風(fēng)機(jī)運(yùn)行數(shù)據(jù)以及外部數(shù)據(jù)，判斷風(fēng)機(jī)的故障類型，使運(yùn)維人員可以有針對(duì)性地開(kāi)展維修工作。對(duì)仿真模型和數(shù)據(jù)模型使用補(bǔ)充型策略，可以實(shí)現(xiàn)更準(zhǔn)確的故障診斷。

補(bǔ)充型策略使用仿真模型來(lái)為數(shù)據(jù)驅(qū)動(dòng)模型補(bǔ)充信息，即使用專家知識(shí)選擇有代表性的物理量參數(shù)，例如根據(jù)故障表現(xiàn)，有針對(duì)性地選擇部分參數(shù)的振動(dòng)信號(hào)、溫度數(shù)據(jù)、加速度信息等，構(gòu)建有意義的輸入特征。但該特征僅作為補(bǔ)充信息輸入到機(jī)器學(xué)習(xí)分類模型中去，并不替代原有的數(shù)據(jù)挖掘過(guò)程，由此可以提升故障診斷模型的輸入特征表征準(zhǔn)確性。

2.4" 設(shè)備控制

風(fēng)力發(fā)電機(jī)需面向變動(dòng)的環(huán)境，對(duì)槳距角、偏航角、輸出功率、轉(zhuǎn)矩和轉(zhuǎn)速等參數(shù)進(jìn)行實(shí)時(shí)控制，以滿足在發(fā)電量、振動(dòng)等多方面的要求。風(fēng)機(jī)的控制模型可以以仿真或數(shù)據(jù)驅(qū)動(dòng)建?；蚨呓Y(jié)合的形式實(shí)現(xiàn)。對(duì)此，互補(bǔ)型策略是用于設(shè)備控制模型建模的理想途徑。

在訓(xùn)練風(fēng)機(jī)的控制策略時(shí)，需先對(duì)風(fēng)機(jī)模型中的控制與輸出參數(shù)關(guān)系進(jìn)行描述。其中，機(jī)理較為清晰的子模型可以直接使用仿真模型建模，例如，使用氣體動(dòng)力學(xué)、齒輪傳動(dòng)比等領(lǐng)域知識(shí)對(duì)風(fēng)機(jī)傳動(dòng)系統(tǒng)建模；而機(jī)理復(fù)雜且噪聲波動(dòng)大的模型可以在數(shù)據(jù)可獲取時(shí)，通過(guò)數(shù)據(jù)驅(qū)動(dòng)模型建模，例如，使用時(shí)間序列算法描述環(huán)境風(fēng)的動(dòng)態(tài)變化規(guī)律、使用回歸模型獲得控制參數(shù)與溫度及振動(dòng)的預(yù)測(cè)關(guān)系等。該互補(bǔ)型策略可為風(fēng)機(jī)控制策略優(yōu)化提供精準(zhǔn)的仿真計(jì)算環(huán)境。

2.5" 布局優(yōu)化

風(fēng)電場(chǎng)存在復(fù)雜的尾流效應(yīng)，即風(fēng)在經(jīng)過(guò)上游風(fēng)機(jī)后，在下游會(huì)發(fā)生風(fēng)速衰減，進(jìn)而影響下游風(fēng)機(jī)的產(chǎn)能。為最大化整個(gè)風(fēng)電場(chǎng)的發(fā)電量，必須從全局的角度控制風(fēng)場(chǎng)尾流，而這極大程度取決于風(fēng)電場(chǎng)在設(shè)計(jì)時(shí)的布局方案。對(duì)此，精確高效的尾流計(jì)算模型是風(fēng)電場(chǎng)設(shè)計(jì)的基礎(chǔ)。

尾流模型大多是通過(guò)流體力學(xué)、動(dòng)量計(jì)算等物理公式以機(jī)理的角度來(lái)描述的，而在使用不同類型的機(jī)理模型時(shí)，其精度、計(jì)算效率也有較大差異。例如，基于動(dòng)量的計(jì)算模型假設(shè)簡(jiǎn)單，計(jì)算效率高，但精度較低；流體力學(xué)仿真模型精度較高，對(duì)風(fēng)場(chǎng)描述的細(xì)粒度也更高，但計(jì)算復(fù)雜度高，仿真時(shí)間長(zhǎng)。數(shù)據(jù)驅(qū)動(dòng)模型則可以通過(guò)獲取風(fēng)力數(shù)據(jù)（如測(cè)風(fēng)塔、氣象數(shù)據(jù)等），使用無(wú)監(jiān)督學(xué)習(xí)（如自編碼機(jī)）獲得風(fēng)場(chǎng)中各個(gè)點(diǎn)位之間的關(guān)系，或是使用監(jiān)督式學(xué)習(xí)算法（卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）獲得指定地點(diǎn)間的關(guān)系及時(shí)間上的演變規(guī)律，其計(jì)算速度與精度可以根據(jù)模型復(fù)雜度的不同靈活調(diào)整。

為提升建模精度和效率，可以面向布局優(yōu)化應(yīng)用采用交替型策略。風(fēng)場(chǎng)布局優(yōu)化往往以方案迭代的形式展開(kāi)，需反復(fù)評(píng)價(jià)布局方案對(duì)應(yīng)的發(fā)電量，對(duì)應(yīng)多次調(diào)用尾流模型計(jì)算發(fā)電效能。因此，可以針對(duì)在優(yōu)化過(guò)程的不同階段對(duì)精度與效率的需求，交替使用機(jī)理仿真模型與數(shù)據(jù)驅(qū)動(dòng)模型。例如，在優(yōu)化搜索的初始階段，可以使用計(jì)算效率高的數(shù)據(jù)驅(qū)動(dòng)模型作為主要評(píng)價(jià)模型，確定解的大致搜索方向，進(jìn)行高效的粗略搜索；在后階段的精確搜索過(guò)程中，使用高精度流體力學(xué)機(jī)理仿真模型進(jìn)行尾流的精確評(píng)價(jià)，由此改善求解精度、提升布局效果。

3" 結(jié)束語(yǔ)

本文討論了風(fēng)電系統(tǒng)數(shù)字孿生模型的使用與組合策略。首先，分別介紹了數(shù)字孿生體中的機(jī)理仿真模型與數(shù)據(jù)驅(qū)動(dòng)建模各自特點(diǎn)，并對(duì)比了兩者在建模方法、數(shù)據(jù)需求、精度、計(jì)算效率和模型表示形式等方面的區(qū)別；其次，對(duì)這2類模型提出了5種模型組合方法，包括補(bǔ)充型、代理型、互補(bǔ)型、交替型及糾正型策略，并說(shuō)明了這些組合方法的優(yōu)點(diǎn)與使用場(chǎng)景；最后，本文面向風(fēng)力發(fā)電機(jī)與風(fēng)電場(chǎng)的典型問(wèn)題，針對(duì)風(fēng)電預(yù)測(cè)、風(fēng)機(jī)狀態(tài)監(jiān)測(cè)、故障診斷、控制優(yōu)化和布局優(yōu)化共5個(gè)風(fēng)電核心問(wèn)題提出了不同的模型組合使用建議，以提升風(fēng)電預(yù)測(cè)的精準(zhǔn)程度、風(fēng)機(jī)狀態(tài)監(jiān)控與故障診斷的準(zhǔn)確率及控制優(yōu)化精度。

本文所提出的模型管理與組合方法，有助于實(shí)現(xiàn)數(shù)字孿生體中的仿真模型與傳感器數(shù)據(jù)2個(gè)核心部分的高效集成；同時(shí)，本文所提出的模型組合方法在其他相似領(lǐng)域也具有較好的推廣應(yīng)用能力，可以為通用的數(shù)字孿生模型構(gòu)建提供參考架構(gòu)。

參考文獻(xiàn)：

[1] 國(guó)家能源局發(fā)布2022年全國(guó)電力工業(yè)統(tǒng)計(jì)數(shù)據(jù)[EB/OL].http：//www.nea.gov.cn/2023-01/18/c_1310691509.htm.

[2] EBRAHIMI A. Challenges of developing a digital twin model of renewable energy generators[C]//2019 IEEE 28th international symposium on industrial electronics （ISIE）. IEEE， 2019：1059-1066.

[3] FAHIM M， SHARMA V， CAO T V， et al. Machine learning-based digital twin for predictive modeling in wind turbines[J].IEEE Access，2022，10：14184-14194.

[4] 盧曉光，李鳳格.基于數(shù)字孿生的風(fēng)機(jī)實(shí)時(shí)載荷預(yù)估研究[J].機(jī)械與電子，2021，39（6）：24-28，34.

[5] ZHAO H， ZHAO J， QIU J， et al. Cooperative wind farm control with deep reinforcement learning and knowledge-assisted learning[J].IEEE Transactions on Industrial Informatics， 2020，16（11）：6912-6921.

[6] HAGHSHENAS A， HASAN A， OSEN O， et al. Predictive digital twin for offshore wind farms[J].Energy Informatics， 2023，6（1）：1-26.

[7] SIVALINGAM K， SEPULVEDA M， SPRING M ，et al. A Review and Methodology Development for Remaining Useful Life Prediction of Offshore Fixed and Floating Wind turbine Power Converter with Digital Twin Technology Perspective[C]//2018 2nd International Conference on Green Energy and Applications （ICGEA）， Singapore， 2018：197-204.

[8] 胡陽(yáng)，王蔚然，房方，等.風(fēng)電機(jī)組運(yùn)行動(dòng)態(tài)數(shù)字孿生建模及半物理仿真[J/OL].系統(tǒng)仿真學(xué)報(bào)：1-12[2023-03-16].https：//doi.org/10.16182/j.issn1004731x.joss.22-1307.

[9] 劉宇凝，王迎麗，徐明文，等.基于數(shù)字孿生混合儲(chǔ)能的風(fēng)電功率波動(dòng)平抑策略[J].電網(wǎng)技術(shù)，2021，45（7）：2503-2514.

[10] LIU X，YANG，L，ZHANG Z. The attention-assisted ordinary differential equation networks for short-term probabilistic wind power predictions[J]. Applied Energy， 2022（324）：119794.

[11] 陳厚合，楊政，裴瑋.風(fēng)電并網(wǎng)系統(tǒng)數(shù)字孿生及故障態(tài)勢(shì)辨識(shí)[J].電工電能新技術(shù)，2022，41（11）：43-58.

基金項(xiàng)目：2023年國(guó)家自然基金委青年基金項(xiàng)目（52207073）

第一作者簡(jiǎn)介：劉欣（1994-），男，博士，副研究員。研究方向?yàn)榭稍偕茉础?shù)據(jù)科學(xué)。

*通信作者：宮琳（1979-），男，博士，副教授。研究方向?yàn)閺?fù)雜系統(tǒng)創(chuàng)新設(shè)計(jì)、大數(shù)據(jù)挖掘分析及體系設(shè)計(jì)與評(píng)價(jià)。