《Wind Energy》：Digital Twins for Offshore Wind Operation and Maintenance: A Review
海上风电已成为实现碳中和的关键焦点。然而，海上风力发电机组（offshore wind turbine, OWT）由于恶劣的环境条件和难以进入的现场，面临着相当大的运行与维护（operation and maintenance, O&M）挑战。集成数字孪生（digital twin, DT）技术有助于支持运维活动。研究人员对近期风能数字孪生研究进行了系统文献综述，旨在识别风能数字孪生的潜在建模趋势，评估其实现成熟度及其与所采用数字孪生定义的符合性，对支持海上风电运维的功能进行分类，并考察新兴使能技术的集成情况。研究结果表明，建模方法呈现尺度依赖的重新分布：基于物理的方法在部件层面占主导，数据驱动方法在机组层面突出，而数据驱动与混合方法在风电场层面均有应用。功能分析进一步表明，预测性维护（predictive maintenance, PM）与实时监控（real-time monitoring, RM）在部件层面的数字孪生应用中占主导，而风电场层面的数字孪生日益展现出组合多种功能的集成能力。同时，包括物联网（Internet of Things, IoT）、云计算和机器学习在内的使能技术正日益集成到数字孪生系统中，为更智能、更自主的运维策略奠定了基础。研究结果还揭示，大多数现有数字孪生研究仍处于预实施阶段，仅有少数满足完整数字孪生的要求。因此，研究与实际运维部署之间仍存在显著差距，特别是在从虚拟模型到物理资产的有效反馈机制方面。
1 引言（Introduction）
文章指出传统能源枯竭与碳排放问题推动可再生能源转型，海上风电因资源丰富、靠近负荷中心等优势成为实现碳中和的重要途径。然而，恶劣环境导致海上风电机组故障率高、维护成本大，数字孪生（digital twin, DT）技术集成有助于支持运行与维护（operation and maintenance, O&M）活动，降低项目总成本。
1.1 DT定义与分类（DT Definitions and Classifications）
文中比较了多种DT定义，采用英国数字工程研究所（IDE）的定义，包含数字表示、适当保真度、物理资产、行为、同步、查询和价值七个要素。通过对比SCADA、传统仿真、独立监控系统和独立预测系统，指出DT综合了上述要素，尤其以行为模拟、同步连接和可查询性为关键判别特征。DT按建模方法分为基于物理（physics-based）、数据驱动（data-driven）和混合（hybrid）三类；混合方法进一步涵盖物理引导神经网络（PGNN）、物理信息神经网络（PINN）、修正源项、数据同化和数据驱动方程发现等。
1.2 已有文献综述（Previous Literature Reviews）
已有综述从历史发展、预测能力、漂浮式结构、建模方法等角度研究了风电DT，但鲜有从运维视角进行系统分析。本文的贡献包括：跨部件、整机和风电场三个层级进行系统综述；分析建模趋势的驱动因素；评估实现成熟度与定义符合性；分类运维功能；综合使能技术；识别研究空白。
2 文献综述方法（Literature Review Methodology）
采用系统文献综述（systematic literature review, SLR）方法，选择2020–2025年文献，通过关键词组合和三级筛选（标题与摘要、全文筛选、精读），最终纳入99篇文献，包括期刊论文、会议论文、网页、报告和书籍。
3 近期进展（Recent Advancements）
3.1 关键部件DT（DT for Wind Turbine's Critical Components）
针对齿轮箱、变流器、叶片与轮毂、塔架、下部结构、发电机分别综述。齿轮箱DT通过物理或数据驱动方法进行温度/振动监测和剩余寿命（remaining useful life, RUL）估计；变流器DT用于损伤累积预测和实时状态评估；叶片DT包括高保真有限元、降阶模型和多保真结构模型；塔架DT用于气动载荷估计和虚拟传感；下部结构DT涵盖固定式基础（单桩、导管架）和漂浮式平台及系泊系统，采用模型更新和结构健康监测；发电机DT多采用混合方法，生成合成故障数据或进行故障预测。
3.2 整机DT（DT for Wind Turbine）
系统级DT主要分为三类：功率预测型、故障诊断型、结构健康监测型。功率预测DT结合物理模型或机器学习方法（如K近邻、时间卷积网络等）预测发电量；故障诊断DT利用长短期记忆网络（LSTM）、深度神经网络（DNN）等识别故障；结构健康监测DT多用于漂浮式机组，采用数据同化或物理模型更新。
3.3 风电场DT（DT for Wind Farm）
风电场级DT侧重架构与互操作性，如基于OPC统一架构（OPC UA）的工业4.0平台、资产管理壳（Asset Administration Shell, AAS）、联邦学习分布式方案、Azure物联网（IoT）集成平台等，实现多源数据集成与实时通信。
4 关键发现（Key Findings）
4.1 建模趋势（Modelling Trends）
4.1.1 跨系统层级的建模方法（Modelling Approaches Across System Levels）
统计显示部件级DT以物理方法为主（65%），整机级数据驱动方法占50%，风电场级混合与数据驱动各占50%。这种分布源于系统复杂度、数据可用性和计算资源差异。年度数据表明该模式并非简单线性演进，而是尺度依赖的重新分布。
4.1.2 DT开发的跨层级演进（Evolution of DT Development Across System Levels）
2021–2022年以部件级为主；2023年风电场级DT出现并增长；2024年整机级研究增加；2025年部件级仍占主导，但整体呈现部件级与系统级并行发展的态势。
4.2 实现成熟度与合规性（Implementation Maturity and Compliance）
在52项研究中，仅3.8%在运行资产上明确实现，9.6%包含全尺寸研究样机；71.2%仍处于实验室或概念验证阶段。按IDE定义评估，仅5.8%为完整DT，13.4%为部分DT，80.8%未证明完整DT。
4.3 DT应用中的运维（O&M in DT Applications）
DT应用分为预测性维护（predictive maintenance, PM）、实时监控（real-time monitoring, RM）、情景模拟（scenario simulation, SS）、功率预测（power prediction, PP）、设计与规划（design and planning, DP）及多功能组合。部件级以PM和RM为主，风电场级趋向多功能集成。
4.4 IoT、云计算和机器学习在DT中的作用（The Role of IoT, Cloud Computing and Machine Learning in DT）
4.4.1 用于DT数据采集的IoT传感器（IoT Sensors for Data Acquisition in DT）
IoT传感器支持边缘计算和无线传输，如使用消息队列遥测传输（MQTT）、LoRaWAN等协议，比传统SCADA系统具有更强的灵活性和远程接入能力。
4.4.2 DT中的大数据分析与云计算（Big Data Analytics and Cloud Computing in DT）
云平台（如Microsoft Azure、阿里云）用于处理高维度时序数据，支持模型部署、更新与实时分析。
4.4.3 DT中的机器学习（Machine Learning in DT）
机器学习方法分为监督学习、无监督学习和深度学习三类。常用方法包括支持向量回归（SVR）、K近邻（KNN）、极端梯度提升（XGBoost）、LSTM、卷积神经网络（CNN）、图神经网络（GNN）等。
5 挑战与机遇（Challenges and Opportunities）
5.1 数据相关挑战（Data-Related Challenges）
5.1.1 数据完整性（Data Completeness）
传感器布设不足导致数据稀疏，虚拟传感技术可用于估计不可测状态，如基于加速度计估计齿轮箱轴承载荷、基于有限测量重构塔架位移与系泊力。
5.1.2 数据不平衡（Data Imbalance）
正常工况数据远超故障数据，物理-数据混合方法可用于生成合成故障数据，以缓解故障样本稀缺问题。
5.1.3 数据融合（Data Fusion）
多模态数据在格式、协议和采样频率上存在差异，需要中间件适配和统一时间尺度同步。
5.2 建模挑战（Modelling Challenges）
5.2.1 实时同步（Real-Time Synchronisation）
DT需确定最佳同步频率，并应对边缘计算环境下的模型重部署问题。“Age of Twins”等概念可用于量化数据新鲜度，指导同步决策。
5.2.2 子系统集成与模型可迁移性（Subsystem Integration and Model Transferability）
统一物理DT面临多物理场、多时间尺度的耦合难题；统一数据驱动DT则受限于模型跨部件、跨工况的迁移能力，常需重新训练或结构调整。
5.2.3 模型更新与自校准（Model Updating and Self-Calibration）
传感器漂移要求DT具备自校准能力。已有研究采用混合函数学习、贝叶斯推断和集合卡尔曼滤波等方法持续更新模型参数。
5.3 成本挑战（Implementing Cost Challenges）
DT实施涉及硬件、软件、数据采集、专业人才和持续升级等高昂投入，导致行业采纳态度谨慎。未来需开展成本-效益分析和成本模型研究。
5.4 未来研究机遇（Future Research Opportunities）
5.4.1 需要虚拟到物理资产的反馈机制（The Need for Feedback Mechanisms From Virtual to Physical Assets）
现有研究很少实现从DT到物理资产的闭环反馈。利用故障知识库、风险数据库或大语言模型自动生成维护决策，是潜在发展方向。
5.4.2 需要电网交互型DT（The Need for Grid-Interactive DT）
现有DT几乎未涉及电网集成挑战。随着电网构网型（grid-forming, GFM）控制成为大规模可再生能源并网的关键技术，开发支持电网交互行为的DT具有重要前景。
5.4.3 需要综合互操作平台（The Need for a Comprehensive Platform for Interoperability）
目前DT开发平台多样且孤立。资产管理壳（AAS）和联邦学习等方案可促进互操作性，但实际部署仍处于早期阶段。
6 结论（Conclusions）
文章总结建模方法从部件级物理驱动、整机级数据驱动到风电场级数据与混合并存的演进规律，指出IoT、云计算和机器学习等使能技术提升了DT的可扩展性与实时性。同时，数据、建模和成本方面的挑战依然存在。最后提出三个关键研究空白：建立虚拟到物理资产的反馈机制、发展电网交互型DT，以及构建统一互操作平台，以推动DT从监控工具向决策支持系统转变。
