《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Digital twin-driven condition monitoring methods for power electronic devices: Application and challenges
编辑推荐：
数字孪生技术在电力电子设备状态监测中的应用研究构建了五维DT框架，分析了多时间尺度传感器数据与物理模型的融合机制，探讨了退化监测、温度评估和剩余寿命预测的DT驱动方法，提出物理约束与数据驱动的协同优化路径，为新能源电力系统可靠性提升提供理论支撑。
李启英|何云泽|耿学峰|娜一鸣|苏建斌|刘秀罗|邓宝源|曾强|张凯
湖南大学电气与信息工程学院，长沙，410082，中国
摘要
为了提高新电力系统中可再生能源的利用率，需要使用大量的电力电子设备进行能量转换。这些电力电子设备的可靠性对于确保新电力系统的安全稳定运行至关重要，因此对这些设备进行状态监测是必不可少的。数字孪生（DT）技术可以实现物理对象与虚拟模型之间的实时交互，并且与深度学习和云计算等先进方法兼容。这项技术有潜力提升电力电子设备的监测能力智能化水平以及在线更新监测模型的能力。因此，本文总结了基于DT的电力电子设备状态监测方法。首先，构建了一个适用于电力电子设备监测的五维DT框架，强调了传感器数据和建模的重要性。随后，从三个主要方面概述了基于DT的电力电子设备监测技术的最新发展：退化监测、温度评估和寿命预测。最后，讨论了与基于DT的电力电子设备监测方法相关的挑战和研究趋势。电力电子设备是可再生能源发电技术中的关键组件，因此本研究将有助于促进可再生能源在新电力系统中的稳定整合和大规模应用。
引言
传统的电力系统主要通过燃烧煤炭来发电[1]，这种发电方式具有单一的能源结构和强烈的资源依赖性。为了提高发电技术的多样性并加速能源结构的转型，中国提出了新电力系统的概念[2]。新电力系统旨在大力发展可再生能源作为主要的电力来源，并促进高比例的可再生能源消费[3]。与传统电力系统相比，新电力系统的一个重要特点是高比例的可再生能源并网发电以及电动汽车等动态电力负荷的显著增加[4]。由于电力电子设备（PED）是电能转换技术的核心组件[5]，这些特点导致了电力电子设备的广泛使用。确保新电力系统的稳定运行并促进可再生能源发电系统的大规模应用，因此对PED进行状态监测至关重要。
传统的PED状态监测方法通常基于传感器数据，主要观察设备退化过程中产生的物理参数变化。数据分析方法被结合使用以实现状态评估。基于传感器数据的监测方法通常需要额外的硬件电路[6]，这会导致在复杂拓扑电路中监测PED时产生较高的硬件成本。此外，由于传感器数据主要关注物理资产的局部区域，这些方法难以全面反映整个物理资产的地理空间信息。同时，也难以将状态变化背后的物理机制与传感器数据联系起来。基于仿真模型的监测方法可以在建模过程中考虑物理定律的约束，从而便于分析影响参数变化的物理因素。虽然可以模拟组件在不同工作状态下的物理行为，但模型的准确性会受到材料属性精度[7]、网格尺寸[8]以及无法在线更新模型参数等因素的影响。基于模型的监测方法的计算成本通常较高。基于传感器和基于模型的监测方法都依赖于单一的信息来源，这从根本上限制了它们提供全面、可解释和适应性强的状态评估的能力。这些局限性表明需要一种能够将传感器数据、物理模型和在线更新集成在一个统一框架中的监测范式。数字孪生（DT）技术可以为传感器数据与仿真模型之间的双向交互建立桥梁。基于双向数据交互能力，DT驱动的监测技术可以利用传感器数据实时更新PED的虚拟模型，从而实现无需过多物理传感器成本的远程在线状态监测。此外，DT框架还可以集成物联网、云计算和人工智能等支持技术，以支持数据采集、处理和决策验证[[9], [10], [11], [12]]。因此，基于DT的监测代表了从静态数据解释向连续的虚拟-物理对齐的转变。
表1比较了近期关于电力电子领域DT的代表性综述。可以看出，大多数现有研究[[13], [14], [15], [16]]主要集中在技术格局、应用场景或控制导向的视角。相比之下，数字孪生虚拟模型的构建逻辑、它们的在线更新机制以及电力电子设备的连续虚拟-物理对齐很少被系统地分析。特别是，传感器监测数据往往被视为模型的前提条件或直接输入，而数据更新频率、多时间尺度交互、数据可靠性以及异常或受损数据对虚拟模型演化的影响等问题受到的关注有限。在现有研究的基础上，本综述从方法论的角度重新组织了相关工作，明确将监测数据视为连续虚拟-物理对齐的核心驱动因素，并系统地分析了虚拟模型和传感器数据如何在不同应用场景中跨多个时间尺度进行集成和更新。
传感器数据和模型是电力电子设备（PED）DT的重要组成部分。通过传感技术获得的传感器数据可以作为虚拟模型的输入，其准确性取决于DT模型的精度。根据不同的虚拟-物理更新机制，PED的DT模型可以分为基于物理的建模、基于数据的建模和混合驱动的建模。本工作的意义在于了解基于DT的状态监测在PED组件层面的最新应用，并分析涉及的传感器数据类型和主要建模方法。本综述对基于DT的PED监测方法的主要贡献总结如下：
●本文系统地分析了PED的DT模型构建，特别强调了虚拟模型和传感器数据的集成。
●与将监测数据主要视为静态输入的现有DT研究不同，本综述重点关注多时间尺度操作下的在线更新机制和连续的虚拟-物理对齐。详细讨论了在不同类型DT模型中集成虚拟模型和传感器数据的方法。
●全面讨论了数据更新频率、可靠性以及异常或受损数据对DT演化的影响。
本研究的局限性在于它仅依赖于现有的公开方法和已发表的研究来进行回顾和分析。一些PED的监测方法可能是某些公司的专有信息，没有在公共领域共享。此外，本研究中也可能出现错误。PED的建模通常依赖于大量通过实验确定的参数以及一些理论计算参数。这些参数的错误应用可能导致模型结果的偏差。在监测新PED的状态时，这一点尤为重要，因为制造过程和其他因素可能导致参数发生变化，使得现有的实验和理论参数不再适用。因此，需要进一步的实验验证来确保参数误差最小化。
部分内容摘录
电力电子设备状态监测的DT框架
Michael Grieves于2002年提出了DT的概念[17]，最初用于工业产品的生命周期管理。随后，DT的具体含义不断得到完善，直到NASA在2012年将其定义为充分利用物理模型数据、传感器更新数据和运行历史数据来整合多学科、多物理、多尺度和多概率的仿真过程[18]。该框架是DT概念的具体体现
基于DT的电力电子设备监测技术的应用
基于DT的监测方法有助于监测PED的退化参数、温度评估和剩余使用寿命（RUL），分别在3.1节退化监测、3.2节温度评估和3.3节寿命预测中进行了讨论。这些基于DT的PED监测方法的特点在表2（3.3节）中进行了总结。DT建模方法选择中的挑战
PED的监测参数多种多样，这给基于不同应用场景选择合适的DT建模方法带来了挑战。目前，PED的DT建模方法大致可以分为三类：基于物理的建模方法、基于数据的建模方法和混合驱动的建模方法。基于物理的DT建模方法根据PED的物理特性建立系统级电路模型或组件级FEM模型。这些模型提供了强大的理论支持
物理约束与数据驱动更新的深度集成
基于物理的DT模型往往难以捕捉复杂的运行条件，而纯粹的数据驱动方法则存在泛化能力有限和物理解释性较弱的问题。因此，电力电子设备DT虚拟模型的一个更广泛的趋势是物理约束与数据驱动学习的深度集成，其中监测数据用于提高适应性，同时物理知识限制模型的演化。这种集成不仅仅是可选的建模方式结论
PED的状态监测技术有助于将可再生能源可靠地整合到新电力系统中。DT技术可以构建PED的虚拟模型，以便在线监测和优化状态参数，促进PED与监测模型之间的双向交互。传感器数据和虚拟模型是实现基于DT的PED监测技术中双向交互的关键组件。因此，本文回顾了传感器数据和建模
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作部分得到了国家自然科学基金（项目编号：52537001）的支持，部分得到了岳麓山产业创新中心（项目编号：2025YCII0220）的支持。
