《Energy for Sustainable Development》：Integration of digital twin and machine learning technologies in renewable energy–hydrogen systems for next-generation sustainable energy
编辑推荐：
Ibrahim B. Mansir|Talal F. Qahtan•探讨了用于开发可再生氢能系统的数字孪生与机器学习集成方法•涵盖的风能、太阳能、电解槽、储能以及氢能网络等均为数字孪生技术的应用领域•强调了数字孪生与机器学习在预测、异常检测以及系统性能衰退监测中的作用•指出了数据
Ibrahim B. Mansir|Talal F. Qahtan
- •
探讨了用于开发可再生氢能系统的数字孪生与机器学习集成方法
- •
涵盖的风能、太阳能、电解槽、储能以及氢能网络等均为数字孪生技术的应用领域
- •
强调了数字孪生与机器学习在预测、异常检测以及系统性能衰退监测中的作用
- •
指出了数据缺失、系统互操作性差、模型漂移以及安全问题等关键挑战
- •
提出了构建具备弹性、可扩展性且安全可靠的数字孪生与机器学习应用策略
引言
全球向净零碳体系转型的趋势推动了可再生能源与氢能在各类应用中的普及。由于成本降低，利用风能和太阳能驱动的水电解法生产可再生氢，已成为交通、工业和能源领域实现脱碳战略的关键环节（Shaner等人，2016）。然而，要确保这些一体化系统能够可靠、高效且经济地运行并非易事。在此背景下，数字孪生技术和机器学习技术被视作提升可再生氢能系统监控、优化、预测及自主控制能力的有效工具（Shahin与Lazarova-Molnar，2024）。在可再生氢能应用中，决策树已被用于优化工厂配置并估算生命周期成本。除了这类复杂的描述性框架外，回归分析、分类算法以及深度学习等机器学习方法也被用来处理海量数据、检测异常、预测系统性能衰退，并实现能源系统的自适应控制（Rahmani-Sane等人，2025）。在协同工作中，数字孪生技术与机器学习技术常常结合使用，形成混合模型，实现模型动态更新与系统健康状态监测。数字孪生技术为系统提供基于物理原理的结构建模，而机器学习技术则凭借其数据驱动的优势增强系统功能。对于那些结构复杂、存在较大不确定性以及非线性交互作用的系统而言，这种数字孪生与机器学习相结合的方法尤为重要（Torba等人，2025）。众多关于数字孪生与机器学习融合的研究表明，该技术可用于预测可再生能源的供应情况、评估氢气产出潜力、模拟电解槽的性能衰退、在可再生能源输出不稳定且需与电网交互的情况下优化氢能转换流程、预测储能设施和输氢管道的维护需求，以及通过系统级调度优化来在保障系统可靠性的同时降低氢能的平准化成本。尽管已有许多独立研究探讨了上述部分应用场景，但只有少数研究致力于将可再生能源、电解、储能、运输和消费等多个环节整合到统一的数字孪生与机器学习框架之中（Feng等人，2025）。此外，现有的大多数模型要么仅基于物理原理的数字孪生模型，要么以机器学习模型为主，很少有通过机器学习辅助学习来定期优化物理原理基础上的数字孪生模型的混合式方案。要建立强大的数据管道，以实现不同子系统（可再生能源、电解槽、储能装置和电网）之间的互操作性，同时解决数据质量、不确定性量化以及网络安全等方面的问题，面临着诸多挑战（Cao等人，2023）。Wang等人（Wang等人，2024）指出，氢能产业中的运营数据较为匮乏，相关设备较为新颖，相关标准也仍在制定中，因此训练机器学习模型和调整决策树时面临着数据不足、模型概念漂移以及模型验证困难等问题。数字孪生技术可通过创建与实际资产和工艺持续同步的虚拟副本来缓解这些问题，而机器学习技术则能将这些虚拟副本发展成具备预测能力和自适应功能的系统（de Lope等人，2025）。利用数字孪生与机器学习技术实现可再生氢能系统的实时自适应控制与闭环运行目前仍是一个被忽视的研究领域，尽管已有学术原型存在，但在实际工业环境中的应用仍然十分有限。若要让这些创新真正影响产业发展，就必须建立起以仿真研究为基础与实际氢能设施应用之间的桥梁。此外，目前的成本效益分析大多未能充分体现数字孪生与机器学习技术在降低氢能平准化成本、提高系统运行时间以及增强系统适应性方面的优势。另一个挑战是，可再生氢能系统需要在充满不确定性的环境下同时兼顾多个目标，这就要求在氢气生产成本、资产使用寿命、系统灵活性、电网稳定性以及系统安全性之间找到恰当的平衡点。尤其是在这一领域，基于强化学习的数字孪生控制器尚未得到充分验证。随着大型氢能设施的快速建设，以及各类监管措施对“绿色氢气”的重视，迫切需要开发出具备可扩展性、互操作性且以数据为中心的数字孪生与机器学习基础设施（de Lope等人，2025）。这类基础设施应能够支持持续学习、实现全集群部署、构建覆盖整个价值链的完整数字孪生模型，同时还应为投资者、运营方以及政策制定者提供必要的工具。因此，亟需对将数字孪生技术与机器学习技术整合到可再生氢能系统中的相关方法、架构、面临的障碍以及未来研究方向进行全面探讨（Okonkwo、Nwokolo、Alarifi等人，2025）。另外，由于可再生能源发电与电化学转化过程以及能源终端使用环节之间存在紧密关联，因此也需要全面了解其中涉及的各个流程。
本文对有助于在可再生氢能系统中整合数字孪生技术与机器学习技术的各种技术进行了全面分析。研究重点涵盖了端到端系统集成、物理原理与数据驱动相结合的混合模型、大规模集群部署、实时自适应控制，以及在不确定性条件下的多目标优化等问题。文章还涉及了数字孪生技术架构、用于预测与优化的机器学习方法、数据管理流程、集群级/系统级集成方式以及相关案例研究。研究始终围绕端到端系统集成、物理原理与数据驱动相结合的混合模型、大规模集群部署、实时自适应控制，以及在不确定性条件下的多目标优化等重点内容展开。
章节要点
综述方法与文献整合框架
本研究采用结构化的叙事式综述方法，对数字孪生技术与机器学习技术在可再生氢能系统中的应用情况进行评估。虽然这并非严格的系统性综述，但通过透明的文献筛选与整合流程，力求确保研究的严谨性以及内容的全面性。
可再生能源领域的数字孪生技术
数字孪生技术已从单纯的物理资产的虚拟表征，发展为能够整合实时运行数据、基于物理原理的模型以及机器学习算法的智能信息物理系统，从而实现预测性监控、系统优化以及决策支持功能（Qian等人，2022）。在可再生氢能系统中，数字孪生技术尤为有用，因为它能够帮助应对质子交换膜电解槽、可再生能源微电网以及氢能基础设施在运行过程中所面临的复杂性问题
机器学习与数字孪生技术在可再生氢能系统中的设计与应用
将机器学习技术与数字孪生技术结合应用于可再生氢能系统，为提升这类混合能源系统的性能、可靠性以及可持续性提供了一种创新途径。这类系统通过整合现场传感器数据、基于物理原理的模型以及预测算法，能够构建出反映氢气生产、储存和输送环节运行状况的“动态数字孪生模型”（Feng等人，2025）。数字孪生技术还能通过持续学习不断优化电解槽的运行性能
数字孪生技术架构、机器学习算法与氢能技术的比较评估
在可再生氢能系统中应用数字孪生技术与机器学习技术时，面临的一个主要挑战就是缺乏一种普遍适用的最优建模框架。不同的数字孪生技术架构、机器学习算法以及氢能技术，在精度、可解释性、可扩展性、计算复杂度以及工业化成熟度等方面存在显著差异。因此，开展比较评估对于指导技术选型以及确定未来的研究方向至关重要。
可再生氢能系统面临的挑战与亟待解决的问题
模型可靠性与模型漂移问题是影响数字孪生/机器学习技术在可再生氢能系统中应用效果的重要因素，这些问题会降低相关系统的可靠性、精确度以及适应能力。数字孪生技术的正常运行在很大程度上依赖于来自各类基础设施的数据能够实现无缝收集、传输以及实时处理。这些基础设施包括可再生能源发电系统、电解槽系统、储能装置以及氢气输送网络等多个子系统（Cui与Aziz，2024）。不过，
可再生氢能系统面临的挑战与未来发展方向
可再生氢能系统的大规模应用仍然受到生产、储存、运输以及消费各环节之间存在的诸多技术、经济、运营以及监管方面障碍的制约。在各类电解槽技术中，质子交换膜电解槽、碱性电解槽以及固体氧化物电解槽在效率、灵活性、成本以及耐用性等方面各有优劣。虽然质子交换膜电解槽在适配可再生能源发电方面具有更出色的动态响应能力，但其催化剂老化以及膜材损耗问题依然十分突出
未来研究方向
基于物理原理的混合模型学习方法正在逐步成为推动可再生氢能系统在建模、优化以及控制方面实现突破性进展的关键路径。与仅依赖经验相关性、属于纯粹数据驱动方法的传统技术不同，这类新方法将物理模型以及守恒定律重新引入机器学习框架中，从而提升人工智能预测结果的可解释性，并扩大其泛化能力（Pagan等人，2023）。
结论
将数字孪生技术与机器学习技术相结合，正在彻底改变可再生氢能系统的监控、优化以及管理工作。最新研究表明，这类创新技术能够提升预测的精准度，延长资产的使用寿命，优化氢气生产流程，同时也有助于更深入地了解系统的整体完整性以及运行安全性。尽管已经取得了不少进展，但在数据管理、系统级理念的有机整合以及模型优化等方面仍存在诸多问题
CRediT作者贡献说明
Ibrahim B. Mansir： 文章撰写——综述与编辑、文章撰写——初稿编写、结果验证、研究监督、软件工具使用、资源协调、项目管理、研究方法设计、实地调研、资金筹措、正式数据分析、数据整理、研究构思。 Talal F. Qahtan： 文章撰写——综述与编辑、文章撰写——初稿编写、结果验证、软件工具使用、研究方法设计、正式数据分析、研究构思。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
作者感谢萨塔姆·本·阿卜杜勒阿齐兹王子大学通过项目编号（PSAU/2025/01/32207）为这项研究提供资金支持。
