《Energy Conversion and Management-X》：Digital twins in modern energy systems: a comprehensive review of multi-carrier integration, markets, and cyber-physical resilience
编辑推荐：
数字孪生（Digital Twin, DT）在现代能源系统中的综合评述：多载波集成、市场与网络物理韧性
•提出了一种面向现代能源系统的统一DT-Energy五层框架。
•六个核心能源领域被系统地映射到所提出的架构上。
•多时间尺度反馈回路确保实时控制与战略规划
数字孪生（Digital Twin, DT）在现代能源系统中的综合评述：多载波集成、市场与网络物理韧性
•提出了一种面向现代能源系统的统一DT-Energy五层框架。
•六个核心能源领域被系统地映射到所提出的架构上。
•多时间尺度反馈回路确保实时控制与战略规划。
•多载波能量枢纽与动态本地市场得以协同集成。
•网络物理威胁韧性被直接嵌入所有数字层。
数字孪生在能源系统中扮演着日益重要的角色，其从早期“镜像空间模型”理论构想发展为工业4.0框架下的核心实践工具。当前全球能源转型面临可再生能源间歇性、多载波综合能源系统（Integrated Energy Systems, IES）耦合复杂化以及分布式资源激增等多重挑战，而现有数字孪生（Digital Twin, DT）研究在应用领域、功能维度以及能量载体与时间尺度三个层面呈现显著碎片化，同时存在数据稀缺、网络物理脆弱性、标准化缺失以及经济可行性验证不足等问题。为此，研究人员遵循PRISMA系统综述方法，对2015至2026年间Scopus、Web of Science和IEEE Xplore数据库收录的文献进行筛选，最终纳入137项高质量研究，并运用VOSviewer进行文献计量与共现网络分析。此项工作系统梳理了DT的五个核心组件——物理实体、虚拟模型、数据、连接与服务，以及机器学习（Machine Learning, ML）算法与DT框架的深度融合。研究人员提出统一的“DT-Energy 5L框架”，该五层架构涵盖物理实体层、通信与数据层、建模与仿真层、分析与预测层以及决策与优化层，并嵌入短周期（毫秒至秒级）、中周期（分钟至小时级）与长周期（天至月级）三类反馈回路。研究人员将能源生产、传输、分配、消费、存储与市场六个核心领域系统映射至该架构，验证了其在多载波IES协调、动态能源市场运行以及网络物理威胁韧性等方面的通用性。该框架弥合了分散研究间的鸿沟，为数字孪生技术在智能、弹性及可持续能源系统中的工程实施提供了统一参考架构，推动了DT从静态仿真向具备自适应闭环控制能力的动态数字镜像转型。
为开展这项研究，研究人员首先依据PRISMA指南制定检索与筛选流程，从1168条初始记录中通过去重、标题与摘要筛查、全文评估及质量评分逐步缩减至137篇最终纳入文献。研究采用定性的主题综合法组织研究结果，同时基于VOSviewer（1.6.21版）对Scopus与Web of Science导出的元数据进行关键词共现分析，采用全计数方法以“作者关键词”为分析单元，设定最低出现阈值提取高频术语并生成共现网络图谱。此外，研究人员对实证型与综述型文献分别制定差异化的质量评价标准，以研究设计清晰性、数据收集恰适性、分析技术严谨性及结论有效性等维度进行0-2分制评分，排除低于4分的研究。最后，通过领域本体映射对模糊术语进行标准化，确保纳入研究均体现双向或动态闭环物理-虚拟耦合，而非静态数字模型或单向数字影子。
研究结果显示，数字孪生在能源生产方面，借助深度学习与可解释人工智能（Explainable AI, XAI）实现风电机组、光伏及水电设施的实时监测、故障预测与发电预测修正；在能源传输方面，DT通过实时仿真与数据驱动分析优化线路输送能力、识别同调发电机群并支撑输变电资产的状态评估与预测性维护；在能源分配方面，基于强化学习的数字模型支持配电网动态拓扑重构、需求优化与区域电能协调；在能源消费方面，DT结合非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）与需求响应（Demand Response, DR）框架，实现家庭能耗调度、建筑能效动态基准及电动汽车（Electric Vehicle, EV）充电协调与车网互联（Vehicle-to-Grid, V2G）下的频率平衡；在能源存储方面，DT融合扩展卡尔曼滤波与XGBoost等算法实现锂离子电池荷电状态（State of Charge, SoC）、健康状态（State of Health, SoH）与剩余使用寿命（Remaining Useful Life, RUL）的实时动态估计，并延伸至燃料电池、热存储及电池生产流程优化；在能源市场方面，DT与深度学习、区块链及博弈论结合，提升短期负荷与价格预测精度、实现点对点（Peer-to-Peer, P2P）安全交易及虚拟电厂（Virtual Power Plant, VPP）辅助服务管理。在多载波综合能源系统与能量枢纽方面，云边协同仿真平台如Cloud PSS-IES Lab实现统一时序潮流求解，混合整数线性规划与粒子群优化支撑低碳经济调度；多智能体深度强化学习（Multi-Agent Reinforcement Learning, MARL）则应用于P2P共享与随机性决策建模。在能源市场领域，消费者数字孪生（Consumer Digital Twins, CDT）结合层次分析法追踪用户热舒适边界；条件生成对抗网络与条件风险价值用于共享储能运营商的日内及实时动态定价；VPP及区块链智能合约实现去中心化交易与抗拒绝服务攻击的分布式优化。在网络物理安全方面，DT作为安全测试环境，结合图算法、变分自编码器与可解释人工智能识别虚假数据注入（False Data Injection, FDI）及时间目标黑盒攻击；具体案例中，径向基函数神经网络在直流微电网中过滤恶意信号，受限玻尔兹曼机与长短时记忆网络（Long Short-Term Memory, LSTM）用于检测针对水电机组及V2G的协同网络攻击，联邦学习与差分隐私则保障用户隐私。
讨论部分指出，当前数字孪生研究面临统一参考架构缺失、多物理场及多时间尺度建模不足、经济可行性与成本效益分析缺乏、网络安全机制滞后、以及标准化互操作性协议缺位等挑战。在技术层面，多载波多尺度系统的计算复杂度、云基础设施带宽需求以及分布式传感器时间同步问题构成主要瓶颈，需借助模型降阶、云边混合处理流水线及确定性通信协议（如IEC 61850 GOOSE与5G URLLC）予以缓解。在经济与制度层面，缺乏已验证的商业模型、标准化认证路径及相关技能人才储备阻碍广泛采用。研究结论表明，数字孪生已从理论构想演变为解决能源系统复杂工程问题的重要工具，其在发电、输电、配电、用电、储能等传统领域以及多载波综合能源系统、碳优化调度、虚拟电厂与去中心化P2P能源市场等新兴场景中均发挥了关键作用。同时，随着能源基础设施日益数字化，DT作为主动防御环境用于检测网络物理异常、保障智能电网的韧性。未来研究需聚焦实时数据流管理、集中式模型的单点故障安全、通信协议标准化以及开发计算高效且具备攻击韧性的机器学习模型，以充分释放数字孪生技术在全球能源部门安全、可持续与智能数字化转型中的潜力。
