一种物理辅助的最优 LSTM 数字孪生框架，用于可再生能源发电系统的实时状态监测

《Neurocomputing》：A physics-assisted optimal LSTM digital twin framework for real-time condition monitoring of renewable energy generation system

　　

摘要
数字孪生建模为可再生能源发电系统的实时状态监测提供了一种有效方法，但在建模精度与计算效率之间取得平衡仍然具有挑战性。本文提出了 PhyOLNet，一种用于可再生能源系统轻量化数字孪生建模的物理辅助最优长短期记忆（LSTM）框架。与直接耦合物理模型和数据驱动模型的传统混合方法不同，该方法利用降阶物理模型作为结构化特征提取器，生成具有物理意义的状态表示。开发了一种物理 - 时间门控融合（Physical-Temporal Gating Fusion, PTGF）机制，用于自适应集成物理衍生特征、历史系统输出和环境观测，同时优化后的浅层 LSTM 网络学习残差非线性关系和时间依赖性。通过将物理知识转化为紧凑的特征表示，所提出的框架在保持适合在线部署的轻量化架构的同时，提高了模型的可追溯性。在光伏和风能系统上的实验评估表明，PhyOLNet 在不同的运行场景下均能实现准确且稳定的状态建模。特别是，在六种不同场景下的光伏验证显示，该方法在比较方法中始终取得最低的相对均方根误差（rRMSE），同时保持稳定的误差特性。结果验证了 PhyOLNet 作为可再生能源应用的轻量化数字孪生建模框架的有效性和泛化能力。

引言
在电力系统物联网（IoT）中，电力设备通常在复杂、恶劣的环境中运行，这使得全生命周期状态监测变得复杂 [1]。构建这些设备的数字孪生可以实现有效的实时监测 [2]、[3]，有助于故障诊断并支持智能决策 [4]。然而，建模的复杂性和硬件计算限制带来了重大挑战，使得数字孪生的快速部署成为一个关键问题。
数字孪生技术通过创建物理实体的虚拟副本，实现数字化转型和智能系统增强，从而允许对现实世界系统进行控制、优化和预测 [5]。它由三个核心组件组成：物理实体、虚拟模型以及由此产生的孪生数据 [6]。虚拟模型的保真度至关重要，因为它们支撑着所有数字孪生功能。TAO 的四维框架——几何、物理、规则和行为模型——已被广泛采用 [7]，其中行为建模对于捕获演化、实时响应和退化尤为关键。在能源领域，有效的行为模型需要高保真表示，包括准确模拟、实时同步以及在运行约束下的预测能力 [8]。
传统建模方法在满足能源领域数字孪生建模需求方面面临重大挑战。这些方法分为两类：基于物理定律的高精度物理模型和基于大数据集训练的机器学习（ML）模型 [9]、[10]。物理模型，特别是在多物理场耦合场景中，涉及高阶非线性方程，精度越高，计算复杂度越高 [11]。此外，这些模型是特定系统的，当结构发生变化时需要重新建模 [12]、[13]。相比之下，ML 模型擅长抽象，能够从大数据集中识别特征 [14]、[15]、[16]、[17]，并映射输入和输出之间的关系，从而实现精确建模。然而，这些数据驱动模型通常是“黑盒”模型，缺乏可解释性，且无法在运行过程中监测状态变量 [18]、[19]。此外，它们对大量训练数据的依赖引发了在应用于未见输入时的可靠性担忧 [12]、[20]。
数字孪生建模需要整合物理和 ML 模型以利用各自的优点，这推动了物理信息机器学习方法的出现 [21]。研究人员探索了将物理知识融入 ML 模型的各种方面，如数据、模型结构 [22]、损失函数 [23]、优化算法和推理机制 [24]、[25]。这些努力表明，整合物理先验可以增强结构化学习，并弥合 ML 的“黑盒”性质与理论可解释性之间的差距 [26]、[27]、[28]。通常，这些方法专注于利用物理模型信息丰富化 ML 数据，并将两种模型以串联或并联配置链接 [29]。在串联配置中，物理模型的输出作为 ML 模型的输入，先验知识辅助训练过程。例如，Jiang 等人 [30] 提出了一种具有双闭环自优化系统的数字孪生框架，用于优化铜盘铸造过程。Tu 等人 [31] 将锂离子电池的电化学模型或等效电路模型与 ML 相结合，利用物理模型状态信息来告知 ML 模型，在保持精度的同时简化了复杂度 [32]、[33]。然而，这种方法需要高度详细的物理模型，这在工业应用中可能具有挑战性。在并联配置中，物理和 ML 模型的输出通过最优加权或卡尔曼滤波等方法进行组合。例如，Delussu 等人 [34] 使用 Modelica 开发了光伏板的多物理场模型，并引入 LSTM 模型来估计物理模型误差，从而改善了光伏发电预测。这种方法要求两个模型都具有很高的精度，因为任一模型的缺陷都会影响耦合过程，通常需要大量计算资源。Zhang 等人 [35] 提出了一种基于实时混合机器学习和电磁暂态分析的舰船微电网数字孪生。Guo 和 Liu [36] 通过使用生成对抗网络用噪声增强 ML 特征空间，改进了串联和并联结构，提高了锅炉空气预热器转子热变形的预测。然而，所使用的物理模型过于简化，限制了其在能源领域常见的非线性系统中的应用。
总体而言，在数字孪生建模中平衡建模精度和计算复杂度仍然是一个重大挑战。高保真物理模型计算量需求大，且通常需要特定系统重建，而完全数据驱动的模型缺乏物理可追溯性，且在未见运行条件下可能泛化能力较差。现有的混合方法也严重依赖物理模型精度或固定的耦合策略。这些局限性限制了其在复杂工业系统和大部署规模中的应用。
因此，仍然存在一个明显的研究空白：当物理模型保真度和计算资源受限时，现有的数字孪生方法难以同时实现建模精度和计算效率。为了解决这一空白，PhyOLNet 使用降阶物理模型作为结构化特征生成器，而不是作为最终预测器或严格约束。PTGF 然后将生成的物理状态与历史输出和环境观测进行集成，而浅层优化 LSTM 学习简化物理模型未表示的残差关系。
总之，本文的贡献总结如下：
1. 提出了一种特征级物理辅助建模策略，其中降阶工程模型生成具有物理结构的状变量，而不是严格约束。这使学习组件能够专注于残差非线性，同时保留物理可追溯性。
2. 开发了一种物理 - 时间门控融合（PTGF）机制，用于动态组合当前物理衍生状态、历史系统输出和滞后环境观测。与固定的特征拼接不同，PTGF 根据运行条件调整物理分支和时间分支的贡献。
3. 通过特征和组件消融、六个光伏场景、六台风力涡轮机以及多种时间分辨率对框架进行了系统评估。结果显示的一层 LSTM 配置证明了所提出策略在不同可再生能源系统中的架构可迁移性。
本文其余部分组织如下。第 2 节介绍问题表述和 PhyOLNet 架构。第 3 节描述数据集、实验配置、特征选择和消融研究。第 4 节评估不同季节和系统场景下的光伏性能。第 5 节使用风力涡轮机数据检查跨技术泛化性和时间分辨率敏感性。第 6 节总结全文并讨论未来工作。

章节片段
问题表述
物理系统通常可以表示为一个 n 阶非线性映射：
其中... 和... 分别表示系统输入和输出；...；... 代表全阶物理系统的输入 - 输出关系。尽管增加模型阶数和输入维度可以提高物理保真度，但这也会增加计算成本并限制实时部署。
在工程应用中，因此通常采用降阶模型：
其中... 表示降阶...
数据集与实验配置
使用了来自 Delussu 等人 [34] 和 Theristis 等人 [38] 的两个开放数据集，分别称为数据集 1 和数据集 2。
数据集 1：来自单个逆变器的光伏发电数据，989 天（2016 年 2 月至 2018 年 11 月）内按小时采样，存在缺失日期。每个样本包括八个天气变量和一个光伏发电值，如温度（...，℃）、辐照度（...，W/m2）和光伏输出（...，Wh）。
数据集 2：六种具有不同光伏配置、位置、气候和组件... 的场景
光伏性能验证与讨论
继第 3 节的模型配置实验之后，本节验证完整的 PhyOLNet 框架。进行了两项互补的评估。在数据集 1 上的季节比较检查了在辐照度和温度随时间变化的情况下的预测精度和误差稳定性。在数据集 2 上的六系统比较评估了在不同装机容量、位置、气候和组件配置下的跨设备和跨场景泛化性。并且所有...
跨技术验证与时间分辨率分析
为了评估所提出的架构是否可以应用于光伏系统之外，PhyOLNet 被实例化用于风力发电建模，使用降阶涡轮机模型。该实验评估了跨技术的架构可迁移性，因为模型在使用风力涡轮机数据重新训练的同时，保留了相同的物理辅助建模原理、特征融合机制、预处理程序和评估指标。风力涡轮机在发电期间捕获的功率可以...
结论
为了平衡可再生能源发电系统数字孪生建模中的模型保真度和计算复杂度，本文提出了 PhyOLNet，一种物理辅助最优 LSTM 框架。PhyOLNet 将工程降阶物理模型重构为结构化特征工程模块，从环境观测中提取具有物理意义的先验。一种物理 - 时间门控融合机制动态融合时间对齐的物理状态、历史输出和...
未引用参考文献
[44]
CRediT 作者贡献声明
Chengyun Li：撰写 – 原稿，可视化，验证，方法论，调查，形式化分析，概念化。Dongsheng Yang：撰写 – 审阅与编辑，监督，资金支持获取。Huanying Han：可视化，监督。Jing He：监督。
利益冲突声明
作者声明以下可能存在潜在利益冲突的财务利益/个人关系：Dongsheng Yang 报告提供了中国国家自然科学基金联合基金的财务支持。如果有其他作者，他们声明没有已知可能影响本文所报告工作的竞争性财务利益或个人关系。
Chengyun Li 目前就职于中国东北大学信息科学与工程学院，沈阳。Li 的研究兴趣包括数字孪生建模、可再生能源系统的机器学习、电力系统状态监测以及多智能体系统的协同控制。
Chengyun Li | Dongsheng Yang | Huanying Han | Jing He
中国东北大学信息科学与工程学院，沈阳 110004