综述：人工智能增强的数字孪生在太阳能热技术中的应用：面向气候行动的架构

《Energy Conversion and Management-X》：Artificial intelligence-enhanced digital twins for solar thermal technologies: Architectures for climate action

　　

先进数字时代涌现的技术之一是太阳能热技术。利用这一新兴技术，更高精度的模型与提供连续更新数据的系统相结合，充当系统设计、性能提升和简化维护的指南。本综述证明了人工智能（AI）如何帮助数字孪生（DT）超越静态模型，演变为先进的太阳能热技术。目前，先进的太阳能热技术，如真空管集热器、平板集热器、菲涅尔集热器、抛物面单元、碟式装置或先进塔式系统，已将AI和DT用作自适应辅助系统。本综述有助于理解DT系统的完整框架，包括代理建模、物联网（IoT）传感、混合计算以及边缘-云与SCADA/EMS平台的集成。若干纳入的研究报告了选定热参数的预测误差低于10%或接近单位1的R2值。然而，这些结果主要是在研究特定的验证条件下获得的，独立外部验证的证据仍然有限。所综述的系统支持跨越能量、?、经济和环境目标的多准则优化，而报告的好处仍取决于技术、数据集、运行条件和验证设计。本综述还指出了在规模上可信模型校准、数据质量和漂移、网络-物理安全以及跨异构资产的互操作性方面的持续挑战。最后，提出的CSP-GRID 4.0研究平台被用作自主、自学习太阳能孪生的前瞻性参考架构，该架构可协调存储和电网服务；它被提出作为一个研究方向，而非已完成或独立验证的工厂级部署。

1. 1.
   引言：太阳能热能的数字化转型
   太阳能热系统（STES）在全球向可持续和脱碳能源系统转型中日益被认可为基准。太阳能热技术通过利用太阳热为食品加工/清洁、化工生产、乳制品加工等工业应用提供了一条脱碳途径。与化石燃料温室气体排放（400-1000 gCO₂eq/kWh）相比，STES的排放显著降低至4-12 gCO₂eq/kWh。STES支持气候目标，尤其在住宅、商业和工业领域。太阳能塔、抛物面槽和菲涅尔反射器可产生150°C至>1000°C的热量，结合熔盐和相变材料（PCM）的储能材料可实现连续和间歇过程。与光伏（PV）及其他可再生能源结合进一步增强灵活性和可靠性。尽管潜力巨大，太阳能热仅占全球工业能源需求的一小部分，2019年全球仅741座工业太阳能热电厂，表明存在大量未开发潜力。全球南方等新兴地区的部署受基础设施、财政和政策限制。在此背景下，AI赋能的数字孪生可通过提高太阳能热效率和可靠性、支持碳减排和净零能源系统来加强气候行动。表1列出了关键政策驱动因素及其影响。STES的广泛使用和高效运行面临技术、经济和实践问题，如对天气变化敏感、能量供需不匹配、冷却效果差、温度分布不均和热损失。太阳能塔和高温应用需要先进材料和精密工程。将STES整合到现有结构需要独特设计、精确执行和维护技能。数字孪生（DT）技术是物理系统的实时虚拟副本，通过集成物联网（IoT）、人工智能（AI）和扩展现实（XR）等先进分析，实现更智能的监控、预测性维护和PV与STES装置的优化。DT用于解决太阳能资源波动性、系统平稳运行和效率提升问题，提供实时数据、系统行为建模和决策支持。DT诊断问题、预测故障并优化维护计划，减少停机和成本。DT通过模拟中断和隐私监控增强系统弹性，有助于向自动化控制过渡，构建更环保的能源网络。DT在PV、STES和风能系统中应用日益普遍，但各有其用途、应用水平和问题。STES DT专注于系统设计、热流优化和储能管理，但面临更高的建模复杂性、更少的标准化框架和有限的大规模部署。PV系统有许多已实施的DT应用，具有实时监控、预测性维护和运行优化等已证实的好处，标准化的数据协议和广泛的传感器使用支持DT快速采用。风能系统也显示出先进的DT使用，特别是用于远程监控、诊断和预测性维护，由风能系统的高价值和复杂性驱动。表2比较了DT在太阳能热、PV和风能系统中的适用性。本综述聚焦于AI与DT结合如何重塑太阳能技术，解释物理机械与模拟的协作及服务运行简化。目标为理解这些工具的现有优势和在支持更广泛可再生能源转型中的不足。首先收集DT进展及其与AI发展联系的知识；其次探究这些概念在不同太阳能电厂的应用；最后概述阻碍全实时使用的剩余差距及未来研究方向。综述分为六部分：第1节介绍背景和研究原因；第2节解释DT概念和支持技术；第3节考察主要温度水平的应用；第4节处理预测性维护优化和可量化收益；第5节转向技术和政策障碍；第6节以通向自学习、联网太阳能孪生的未来路径结尾，契合全球净零愿景。表3定位了本综述相对于近期相关综述的位置。
2. 2.
   系统评价方法学
   本节根据PRISMA 2020报告框架，使证据识别和选择过程透明可重复。系统核心检索于2026年7月24日在Scopus进行。上下文和基础参考文献仅用于解释定义、架构、标准和使能技术，不计入PRISMA核心证据集。

2.1 综述目标与研究问题

目标是识别和严格分类与太阳能热技术相关的人工智能赋能数字孪生研究。四个问题：RQ1哪些太阳能热技术具有运行或实验支持的DT实施？RQ2使用了哪些物理、虚拟、通信、AI和控制架构？RQ3报告了哪些验证证据和部署成熟度？RQ4哪些技术障碍阻碍了从离线预测向同步闭环控制的进展？

2.2 相对于现有综述的定位

近期综述未结合太阳能热特定技术范围、明确的DT成熟度分类和结构化质量评估框架。表3比较了本综述与六篇近期相关综述的范围、方法、DT成熟度处理等，并陈述了本综述的额外贡献。

2.3 信息来源、检索日期和检索式

检索在Scopus数据库标题-摘要-关键词字段进行，出版窗口2015-2026，语言限英语，考虑期刊文章、会议论文和综述。完整检索表达式包含数字孪生、数字阴影、虚拟孪生、数字线程、网络物理系统等与太阳能集热器、平板集热器、真空管集热器、抛物面槽、线性菲涅尔、太阳能塔、中央接收器、太阳能碟、热能存储、聚光太阳能发电（CSP）等术语的组合。

2.4 合格标准

研究涉及太阳能热集热器、聚光太阳能发电系统、太阳能热存储单元、太阳能海水淡化或干燥过程、太阳能区域供热系统或直接耦合热子系统，并报告数字孪生、数字阴影、同步虚拟模型、实时监控框架、预测控制系统或明确识别的DT使能组件。排除纯光伏研究、通用制造或生物医学孪生、无关的地热或热泵系统以及缺乏明确太阳能热联系的论文。离线CFD、ANN或优化研究仅作为DT使能证据保留，不计入已演示的闭环孪生。

2.5 研究选择和PRISMA流程

Scopus检索识别47条记录，无重复，25条在标题筛选排除，剩余22条进行全文评估，全部符合标准，最终证据库包含22项研究。表4提供了22项纳入研究的综合研究级证据提取，链接每项研究到研究问题、技术、数据来源、验证、质量、DT成熟度和主要发现。RQ4作为跨研究综合问题处理。

2.6 数字孪生分类框架

每项纳入研究使用最小连接性和操作标准分类。数字模型为无自动数据交换的离线表示；数字阴影接收自动单向数据；监控孪生维持同步状态信息并支持可视化或异常检测；预测孪生使用持续运行数据更新预测；规定孪生推荐优化动作；闭环孪生向物理系统发送验证命令；自主孪生结合在线学习、决策和执行，有定义的人员监督和故障保护约束。仅提供CFD数据、AI代理、优化算法或传感器架构的研究标记为DT使能研究。最终语料库中最先进的证据包括监控/预测实施和基于网络或定期更新的决策支持系统，无研究提供充分记录的自主现场部署太阳能热孪生或完全验证的双向闭环证据。

2.7 数据提取和质量评估

对每项研究提取技术类型、物理资产、运行环境、传感器输入、采样和同步、建模方法、AI算法、数据源、验证程序、性能指标、不确定性处理、计算成本、控制能力和部署成熟度。应用预定义的12项质量框架，每项评分0-2，最高24分。19-24分为高证据质量，13-18分为中等，0-12分为低。缺失方法细节记0分而非从性能指标推断。质量评分和DT成熟度独立评估，因此高预测精度不自动意味着高部署成熟度。表5提供了研究级质量矩阵。

2.8 定量主张的研究级可信度评估

由于若干研究报告极高精度、相关或R²值，应用单独的可信度筛选，记录数据来源、训练测试分离、时间验证和外部验证。未报告项编码为NR。因此，高数值指标不视为外部有效性证据，除非明确报告相应验证设计。大多数研究报告实验、CFD或基于模型的验证，但未报告独立外部验证，故接近完美的R²或相关值解释为研究内性能而非现场可泛化证据。

2.9 综合策略和版权状态

证据按太阳能热技术综合，比较物理保真度、数据需求、时间分辨率、计算负担、可解释性、可迁移性、验证强度、控制能力和技术就绪水平。未进行定量值合并，因为研究使用异构资产、气候、数据集、基线和指标。所有重用或改编的图表均获得许可。

1. 3.
   太阳能热系统数字孪生架构基础
   3.1 数字孪生的演变和定义
   数字孪生可描述为物理对象或过程的实时数字副本，随实物变化而更新。DT概念最初在航空航天形成，用于跟踪复杂硬件状态，后进入制造、医疗和能源。工程师从传感器提取数据输入模型，比较预测和测量行为，反馈调整设置或测试场景，无需接触设备。DT不仅是副本，更是学习和进化的功能体，能执行模拟、发现问题并辅助维护决策。技术持续演进，趋势指向自主推理、跨平台通信和工厂网络中的更好性能。

3.2 数字孪生的核心组件

太阳能系统中的DT基于三层协调架构：物理层用于传感和采集，虚拟层用于模型和模拟，网络层用于AI驱动决策和反馈。该三层架构提供同步状态感知、弹性控制和生命周期知识保留，实现可靠实时太阳能孪生运行。

3.2.1 物理层：传感器和数据采集

物理层是任何DT系统的基础，通过传感器网络和数据采集单元链接真实设备与虚拟副本，记录温度、压力、运动等变化。传感器作为核心元素，包括热、压力、振动、光学和成像传感器，形成原始数据。数据采集系统同步信号并通过板卡或IoT网关发送，本地存储或推至云端。现代设计常合并传感和通信，节省硬件并简化连接。表7列出物理层组件及其作用。

3.2.2 虚拟层：模型和模拟

虚拟层负责创建、更新和模拟物理系统的数字表示，实现实时监控、预测、优化和决策。几何和物理建模构建2D/3D模型，模拟变形、热行为和负载。模拟引擎使用有限元、有限差分等方法复制系统动态，支持离线和在线模式。混合和数据驱动模型结合物理模型与机器学习（ML）或代理模型，提高精度和效率。模型管理和互操作性使用模块化、分层和多尺度方法。模拟和实时交互从物理层接收传感器数据，更新DT模型，实现闭环控制。

3.2.3 网络层：AI/ML、决策和反馈

网络层是DT系统的智能核心，使用AI和ML执行优化、异常检测、预测性维护和自动控制。可解释AI（XAI）使决策透明，建立信任。决策和自主性支持资产级和系统级自动决策，人类在环提供监督。反馈机制包括闭环控制，比较预测和实际结果以更新决策，以及自适应学习，从新数据学习改进准确性。

3.3 能源系统中的数字孪生类型

基于运行需求、复杂性和过程多样性，DT按保真度、连接性、规模和应用领域分类。按行为分为静态、多状态或瞬态；按连接性分为间接、单向直接和双向直接；按相似性分为1D、2D、3D；按规模从组件级到电网级。表8列出能源系统中DT主要类型和应用。

3.4 DT成熟度/就绪水平

DT成熟度模型评估实时和历史数据，基于技术就绪水平（TRL）框架。DT成熟度水平（DT-ML）从基本数据收集到自主自优化系统，常见级别包括描述、信息、预测、综合和自主。评估维度包括上下文、数据、计算、建模、集成、控制和人机界面。TRL尺度1-9用于评估DT技术成熟度，从概念到全面部署。图4代表DT技术的详细成熟度水平（ML 0到5）。

3.5 明确的双向反馈回路（物理?虚拟?控制）

双向反馈回路是先进DT模型的重要特征，通过物理资产、虚拟模型与控制系统间连续交换数据和命令，实现实时同步、控制和优化。结构包括从传感器到虚拟模型的数据流，以及从虚拟模型到物理执行器的命令流，形成闭环优化。