風電的數字孿生模型使用與組合策略

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

摘" 要：為解決風電產電波動大、運維成本高、狀態監測與故障診斷復雜、布局仿真計算效率低等問題，在風電數字孿生系統的框架下，總結并討論基于人工智能技術的數據驅動模型與機理仿真模型的各自特點。具體分析2類建模方法在建模機理、數據需求、建模精度與計算效率、模型表現形式和典型模型算法等方面的優勢與不足。進一步地，通過辨析二者關聯，提出5種關于數據驅動模型與機理仿真模型的組合使用策略。最后，對風電預測、狀態監測、故障診斷、優化控制和布局優化5項典型風電應用問題提出各自對應的模型組合使用方法，以綜合提升風電數字孿生虛擬模型的精度及計算效率。該文的數字孿生模型使用與組合策略對與風機類似的裝備有推廣意義。

關鍵詞：數字孿生；風電；仿真模型；數據驅動建模；模型組合策略

中圖分類號：TM614" " " 文獻標志碼：A" " " " " 文章編號：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，我國為實現雙碳目標，正在將能源體系向清潔能源方向進行積極轉型。風電由于其可再生、清潔、廣泛可獲取性等優點，成為了可再生能源中占比最大的能源形式，是實現雙碳目標最核心的轉型方向。根據國家能源局發布的數據，截至2022年底，全國可再生能源總裝機超過12億kW，風機裝機容量為3.7億kW，同比增長11.2%[1]。由此可見，風電不僅已經成為我國重要的一種能源形式，而且在未來仍然具有廣闊的發展空間。

然而，風電在實際應用中存在諸多挑戰[2]。第一，風電具有高度隨機性，影響電網穩定性，對電網調度帶來了極大挑戰，對此發生的“棄風限電”措施造成了風電資源的浪費[3]；第二，風力發電機組所處環境往往十分惡劣，容易發生故障且運維難度大[4]；第三，風作為流體，其尾流問題造成風機之間的產能與設備疲勞程度不均，需合理開展集群設備優化[5]。

近年來，隨著風機數據采集裝置及數據管理平臺的完善，風電領域已經成為工業智能化的示范性行業，產業及學術界都有很多應用創新與相關討論[2]。其中，很多成果都被視作數字孿生模型（Digital Twin， DT）的研究范疇[6]。數字孿生作為一種解決裝備產品全生命周期管理問題的新興工具，可以通過仿真模型、實時數據、可視化技術及智能算法，全面支持裝備在設計、分析、運營維護、健康管理等各階段的實際應用，在風電領域同樣發揮著重要作用。由于數字孿生結合了機理仿真建模（Physics-based Modelling， PM）與數據驅動建模（Data-driven Modelling， DM）2類模型，過往關于風機數字孿生的算法研究也可對應分為以機理仿真為主的“白盒”模型及以數據驅動的“黑盒”模型。

過往基于機理仿真模型的研究主要面向剩余壽命預測、故障診斷、尾流計算和預測分析等應用場景。例如，在剩余壽命預測中，研究人員使用熱量模型描述了海上風機發電機的能量損失，進而對風機的功率轉換器提出了一種剩余壽命預測方法[7]。在預測分析方面，可以對風電機組的傳動系統及電氣系統，使用物理學公式進行整體線性建模，并對氣動系統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，實現風機系統的仿真[8]。

另一方面，屬于黑盒模型的數據模型利用風機傳感器所采集的數據，對風電系統進行參數之間的規律擬合，在數據可用時，同樣可以實現上述幾點應用。例如可以使用風電場的實際輸出數據與風力預測數據，通過Attention-GRU深度學習模型實現精準的風電預測[9]，或是結合深度學習的注意力機制，使用常微分神經網絡實現風電短期的概率分布精準預測，可以提升預測結果的時間分辨率，使預測結果更加自然平滑[10]。

此外，也有研究實現了數據模型與機理模型二者的有機融合。例如，使用深度學習的注意力機制實現風電場的態勢識別，并進一步基于機理實現了雙饋發電機的全電磁暫態建模，通過二者的結合開展亞毫秒級實時決策，可以精準識別故障態勢[11]。

盡管已經存在很多類型的風機數字孿生建模方法，但關于這2類建模方法的使用場景及模型使用策略方面，仍缺乏系統性討論與指導原則。然而，數字孿生作為一種多要素有機集成的系統，必須定義清楚數據模型與機理模型間的關聯與交互關系。對此，本文面向風電領域的數字孿生使用問題，對數據模型及機理模型的各自特點、優缺點及使用場景開展對比分析，并面向4種典型的風電相關的實際應用服務，總結數據模型及機理模型的使用策略與組合方式，以提升風機數字孿生的完備性與系統性。本文所提出的模型使用與組合策略有助于發揮數據模型及仿真模型各自的優勢，以綜合提升建模精度及效率。

1" 模型組合策略

風機數字孿生體的虛擬空間中，包含了機理模型與數據驅動模型2類模型。其中，機理模型是基于現實世界中的物理規律（如熱力學、流體力學、電子電路和結構力學等），對設備或系統的數學抽象描述。機理模型往往以物理公式或方框圖的形式進行表征，建模時不需依賴于真實數據，模型信息源來自建模人員知識。因此當現實噪聲較小，可以準確滿足模型假設且模型參數規模適中時，機理模型的精準度往往較高。機理模型往往用于數據無法采集或問題機理十分清晰的場景；數據驅動模型無需依賴于對現實世界的物理背景知識，其基于所采集到的真實數據，從概率視角下通過統計模型進行關系擬合而構建。數據驅動建模可以將建模對象或系統視作一種函數，通過識別并定義函數的輸入與輸出，基于采集的數據構建回歸映射以求得該模型。因此，數據驅動模型要求系統有采集數據的能力，但并不需要具體描述系統內部變量關系的知識。

根據機理模型與數據模型的特點，以下提出5種模型組合使用策略。①補充型策略。該策略常以數據驅動建模方法為核心主干來描述變量間關系。相比于單純的數據驅動建模過程，補充型策略會充分利用專家知識或仿真模型輸出結果，將其作為額外信息補充輸入到數據模型中，以此增強數據模型的特征構造及擬合能力。②代理型策略。該策略常使用數據模型替代機理模型，從而實現更高的計算效率。考慮到機理模型在部分場景下（如流體仿真計算）的計算量龐大，難以實現實時的仿真計算需求，而數據驅動建模方法在實現關系擬合方面的算法選擇種類眾多，易于找到計算效率更高的模型。因此在給定初始部分仿真數據或真實數據后，可使用數據驅動方法進行代理模型構建，以更高的計算效率來近似仿真模型。③互補型策略。該策略面向含有眾多參數與變量的系統，通過在不同變量之間交替使用對應的仿真或數據模型，在系統層級上實現數據與機理的集成使用。考慮風機中部分變量之間具備十分清晰且確定性的機理關系（如齒輪箱的輸入輸出轉速關系），但也有部分變量間的關聯并不清晰（如風況的歷史與未來數據關系），對此，可以對機理清晰的子系統使用機理建模，并對機理不清但有數據基礎的子系統使用數據建模，以實現對整個系統的參數關系建模。④糾正型策略。該策略通常以機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實中的噪聲影響，其預測結果與現實觀測值之間可能存在差異。對此，數據驅動模型可以基于機理模型的輸出結果與真實值建立聯系，實現對誤差的修正。此外，此處所使用的機理模型也可以替換為數據驅動模型，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。該策略交替使用機理模型與數據模型，考慮2個模型在計算精度與效率方面各自的優勢，在不同階段進行模型切換。該策略的應用場景往往是高精度但低效率的仿真場景。通過構建計算效率高且精度適當的數據模型，對機理模型進行初步代理。隨著模型使用需求的變化，如要求高精度或高效率，對模型進行更新或切換，該策略常用于優化問題。

以上5種模型組合策略，可以視風電系統的應用場景、應用目標、數據可用性及機理精準度等情況進行配置使用。相比于直接應用仿真模型及數據分析，模型組合可以更好地實現數字孿生整體的集成性，實現虛擬空間信息知識的高效利用，并綜合提升虛擬空間模型精度及計算效率。

2" 基于模型組合的風電數字孿生應用

在風電系統的設計、運維、管理與優化的過程中，各處均有利用數字孿生模型開展分析、預測及決策的應用要求。以下針對風電系統中的4種具體應用場景，總結各自的數據模型與機理模型使用方法，并對應提出二者的組合策略。

2.1" 風電預測

由于風力發電具有極強的波動性，為確保電網運行穩定，必須對風電的未來發電量給予精準預測。精準的風電預測是風電運行與管理的核心要求及應用之一。單獨使用機理模型或數據驅動模型的預測模型建模方法如圖1所示。

糾正型策略是用于風電預測的一種適當策略，其將氣象機構的仿真模型預測結果用作初始解，并與真實觀測到的結果進行關聯，基于數據驅動建模糾正天氣預報的風速預測誤差，提升風速預測精度。獲得糾正的風速預測結果后，可以進一步使用風機動力模型或其代理模型進行風電輸出值計算。

2.2" 狀態監測

風電機組常安裝于自然條件惡劣的環境和場所，其故障常有發生且運維工作十分不便，因此必須對風機開展遠程監測，以使系統提前生成預警信息，避免裝備發生故障。對數據與仿真模型使用代理型策略，可以實現更精準實時的狀態監測。

通常基于仿真模型或知識的監測需要實現根據經驗來設定監測規則，然而經驗很難顯而易見地給出各種潛在故障下的規則定義，具有一定局限性。對此，代理型策略使用數據驅動模型對監測變量的歷史數據進行統計與分析，通過統計規則或動態的特征挖掘，設定監測變量的正常行為閾值區間，實現數據驅動模型對經驗的替換。

2.3" 故障診斷

在風電機組發生故障時，靠人工進行故障定位與診斷，十分低效且不便。因此需要智能化的故障診斷算法，自動地根據所采集到的風機運行數據以及外部數據，判斷風機的故障類型，使運維人員可以有針對性地開展維修工作。對仿真模型和數據模型使用補充型策略，可以實現更準確的故障診斷。

補充型策略使用仿真模型來為數據驅動模型補充信息，即使用專家知識選擇有代表性的物理量參數，例如根據故障表現，有針對性地選擇部分參數的振動信號、溫度數據、加速度信息等，構建有意義的輸入特征。但該特征僅作為補充信息輸入到機器學習分類模型中去，并不替代原有的數據挖掘過程，由此可以提升故障診斷模型的輸入特征表征準確性。

2.4" 設備控制

風力發電機需面向變動的環境，對槳距角、偏航角、輸出功率、轉矩和轉速等參數進行實時控制，以滿足在發電量、振動等多方面的要求。風機的控制模型可以以仿真或數據驅動建模或二者結合的形式實現。對此，互補型策略是用于設備控制模型建模的理想途徑。

在訓練風機的控制策略時，需先對風機模型中的控制與輸出參數關系進行描述。其中，機理較為清晰的子模型可以直接使用仿真模型建模，例如，使用氣體動力學、齒輪傳動比等領域知識對風機傳動系統建模；而機理復雜且噪聲波動大的模型可以在數據可獲取時，通過數據驅動模型建模，例如，使用時間序列算法描述環境風的動態變化規律、使用回歸模型獲得控制參數與溫度及振動的預測關系等。該互補型策略可為風機控制策略優化提供精準的仿真計算環境。

2.5" 布局優化

風電場存在復雜的尾流效應，即風在經過上游風機后，在下游會發生風速衰減，進而影響下游風機的產能。為最大化整個風電場的發電量，必須從全局的角度控制風場尾流，而這極大程度取決于風電場在設計時的布局方案。對此，精確高效的尾流計算模型是風電場設計的基礎。

尾流模型大多是通過流體力學、動量計算等物理公式以機理的角度來描述的，而在使用不同類型的機理模型時，其精度、計算效率也有較大差異。例如，基于動量的計算模型假設簡單，計算效率高，但精度較低；流體力學仿真模型精度較高，對風場描述的細粒度也更高，但計算復雜度高，仿真時間長。數據驅動模型則可以通過獲取風力數據（如測風塔、氣象數據等），使用無監督學習（如自編碼機）獲得風場中各個點位之間的關系，或是使用監督式學習算法（卷積神經網絡、循環神經網絡等）獲得指定地點間的關系及時間上的演變規律，其計算速度與精度可以根據模型復雜度的不同靈活調整。

為提升建模精度和效率，可以面向布局優化應用采用交替型策略。風場布局優化往往以方案迭代的形式展開，需反復評價布局方案對應的發電量，對應多次調用尾流模型計算發電效能。因此，可以針對在優化過程的不同階段對精度與效率的需求，交替使用機理仿真模型與數據驅動模型。例如，在優化搜索的初始階段，可以使用計算效率高的數據驅動模型作為主要評價模型，確定解的大致搜索方向，進行高效的粗略搜索；在后階段的精確搜索過程中，使用高精度流體力學機理仿真模型進行尾流的精確評價，由此改善求解精度、提升布局效果。

3" 結束語

本文討論了風電系統數字孿生模型的使用與組合策略。首先，分別介紹了數字孿生體中的機理仿真模型與數據驅動建模各自特點，并對比了兩者在建模方法、數據需求、精度、計算效率和模型表示形式等方面的區別；其次，對這2類模型提出了5種模型組合方法，包括補充型、代理型、互補型、交替型及糾正型策略，并說明了這些組合方法的優點與使用場景；最后，本文面向風力發電機與風電場的典型問題，針對風電預測、風機狀態監測、故障診斷、控制優化和布局優化共5個風電核心問題提出了不同的模型組合使用建議，以提升風電預測的精準程度、風機狀態監控與故障診斷的準確率及控制優化精度。

本文所提出的模型管理與組合方法，有助于實現數字孿生體中的仿真模型與傳感器數據2個核心部分的高效集成；同時，本文所提出的模型組合方法在其他相似領域也具有較好的推廣應用能力，可以為通用的數字孿生模型構建提供參考架構。

參考文獻：

[1] 國家能源局發布2022年全國電力工業統計數據[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.基于數字孿生的風機實時載荷預估研究[J].機械與電子，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，王蔚然，房方，等.風電機組運行動態數字孿生建模及半物理仿真[J/OL].系統仿真學報：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.基于數字孿生混合儲能的風電功率波動平抑策略[J].電網技術，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.風電并網系統數字孿生及故障態勢辨識[J].電工電能新技術，2022，41（11）：43-58.

基金項目：2023年國家自然基金委青年基金項目（52207073）

第一作者簡介：劉欣（1994-），男，博士，副研究員。研究方向為可再生能源、數據科學。

*通信作者：宮琳（1979-），男，博士，副教授。研究方向為復雜系統創新設計、大數據挖掘分析及體系設計與評價。