以网络化、信息化与智能化的深度融合为核心的“第四次工业革命”驱动全球加速进入以“万物互联”为显著特征的数字化时代。美国、德国、日本等发达国家分别提出了数字化时代的发展战略[1]。我国也相继制定了网络强国、数字中国的重要发展战略，发布中国制造2025规划、工业互联网发展行动计划，在人工智能、5G等先进数字化技术方面积极推进[2]。第四次工业革命的主要基础平台和重要焦点是工业互联网，而能源互联网是工业互联网在行业落地的典范，是能源电力体系和互联网体系深度融合而形成的全面感知、全程在线、全要素互联的能源电力新业态[3]，是实现能源转型并助推能源革命的有力措施。

2020年9月，习近平主席在七十五届联合大会上提出我国二氧化碳排放力争于2030年前达到峰值(碳达峰)，争取在2060年前实现碳中和；在12月召开的气候雄心会上提到：“到2030年，风电、太阳能发电总装机容量将达到12亿千瓦以上”。据相关研究预测，2050年，我国新能源在发电装机占比将达70%；电力占终端能源消费比重将从目前的26%提高至45%~50%，我国能源发展会出现“两个50%”，一半以上的能源生产和消费，都将依靠电力系统来完成[4-5]，电网的源、荷不确定性日益突出。同时，以电力为核心的能源互联网包括多种能量生产、传输、存储和消费网络，且拓扑结构动态变化，演变为结构复杂、设备繁多、技术庞杂的巨维系统[6-7]，具有典型的非线性随机特征与多尺度动态特征，传统机理模型分析和优化控制方法已经难以满足能源互联网规划设计、监测分析和运行优化的要求[8]。

数字孪生自2003年提出后，由于当时信息技术的限制，尚不足以支撑其具体实现及应用，初期并未引起太多关注。但随着信息化、数字化技术的快速发展，航空及车间等领域首先实现了数字孪生体[9-10]构建方面的突破，此后引发了国内外研究学者的广泛关注[11]，在过去的六年间以数字孪生为核心的文献呈指数级增长，已达数百篇之多。而且，全球最具权威的IT研究与顾问咨询公司Gartner连续3年(2017—2019年)将数字孪生列为“十大战略技术趋势”[12]。今年，以数字孪生为基础的虚拟孪生入选中国科协发布的2020年度10个对科学发展具有导向作用的科学问题，将进一步促进数字(虚拟)孪生在国内各领域的工程应用。

目前，数字孪生技术已在能源互联网规划、电网分析、电池管理等方面进行了应用。西门子通过将MindSphere与Teamcente®软件、Siemens的产品数据管理协同工具相结合，提供具体电气数字双胞胎服务[13]。GE通过在Predix平台上为每个设备创建DT来构建数字风电场风机，以优化维护策略，提高可靠性，并增加能源生产[14]。文献[15]构建了基于数字孪生的能源互联网规划平台-CloudIPES；文献[16]构建了逆变器的数字孪生模型；文献[17]开发了光伏发电装置的数字孪生模型，实现了光伏板的故障诊断。文献[18]探讨了智慧能源系统数字孪生的定义、通用架构、关键技术和应用案例；文献[19]提出了一种基于数字孪生的电网在线分析系统架构，具有秒级相应速度；文献[20]建立了电池管理系统的数字孪生模型，实现了电池管理系统的故障诊断，提高了电池使用寿命。

相较于上述数字孪生在能源电力领域的应用，本文进一步提出能源互联网数字孪生系统的科学问题在于两方面：1)如何布局精准可靠的物理感知，构建高效传输的连接网络与海量数据接入、处理与共享的支撑平台，在保证信息安全的前提下，将能源互联网中真实世界完整映射在虚拟空间? 2)如何有效利用数据的双向流动与价值挖掘，通过数据与知识融合的人工智能等先进数字技术，赋智业务场景应用，实现虚拟数字空间与真实物理空间的协同互动与反馈优化？

为解决上述问题，本文总结提出数字孪生技术发展的趋势；并结合能源互联网在规划设计、监测分析、运行优化等领域的技术需求，总结提出包括物理感知、传输交互、数据共享、应用服务、虚拟仿真、安全防护的能源互联网数字孪生系统框架；在此基础上，给出能源互联网数字孪生落地实施的技术路线及典型应用，为数字孪生在能源互联网建设中的具体应用提供理论和方法参考。

数字孪生一词是2003年由美国的Dr.Grieves在PLM课程上提出并给出了数字孪生的三维模型：实际物理产品、数字虚拟产品、虚拟和物理产品数据和信息的连接[21]。他强调可通过数字孪生同时观察物理和虚拟产品信息，动态跟踪已标签性能参数，高效发现设计差异，及时响应问题并决策改进，从而实现产品生命周期管理。但受限于当时的信息化技术水平，生产过程中物理产品收集信息范围有限，部分依赖于手动收集且纸质原始数据难以电子化等问题，数字孪生停留在概念阶段，未引起太多关注。

直到2010年，考虑到在航天航空领域，航天器等物理系统工作在遥远的、不完全理解的空间环境中，且无法直接查看其物理状态；并且单体生产成本昂贵，难以批量生产、反复试验及测试。因此，美国NASA开展了数字孪生在航天航空领域的研究，希望实现物理飞行系统的数字镜像，明确提出数字孪生是未来航空航天领域技术挑战之一[10]。此后的几年间，美国NASA和Air Force的研究者们陆续开展了数字孪生研究[22-23]，针对航天器，给出了数字孪生范式的图形表示，并利用数字孪生技术有效设计和认证飞行器结构，预测其使用寿命，消除意外的裂纹和故障，提高了飞行器可靠性。但由于数字孪生系统的实现需要仿真建模、传感器、传输网络等多种技术的支撑，文献[24]明确提出航空航天领域的数字孪生不太可能在几十年内就达到成熟。

随着产业信息化和数字化进程的飞跃性发展，传感器成本大幅下降、大带宽低时延传输网络愈发成熟、高保真度建模技术快速进步等有力因素的出现，全面加速了数字孪生的理论研究与领域应用，推动数字孪生技术相关研究呈指数级增长[25]。当前，数字孪生技术已经扩展到汽车制造、工业控制、能源应用等多个领域。此外，因数字孪生是一套较为完善的技术体系，且仍在不断完善，故其与全生命周期管理、模拟仿真及信息物理融合系统(cyber-physical system，CPS)等技术之间存在一定的交叉，其主要差异如下：

1) 全生命周期管理主要针对真实产品或物理对象，记录从构想设计、生产运行直到产品报废整个过程的相关信息，便于产品追踪及运维服务，有效降低成本；数字孪生除实现全生命周期管理外，能够进一步利用物理产品的数字孪生体，同步更新产品信息，驱动产品设计、制造和服务，更加的高效、智能和可持续。

2) 模拟仿真一般基于简化和假设方法构建物理对象的简化模型，缺乏与环境交互，难以实现仿真行为的自主学习与物理实体状态的同步更新；而数字孪生是一种随时空演变的高保真动态仿真，是充分融合数据和机理，具有自主学习和进化的能力，进化的步长取决于物理实体变化的快慢及演变需求。

3) 信息物理融合系统侧重于信息系统对物理系统产生的作用及交互影响[26]，一般不考虑其具体业务应用及相关的智能算法模型；而数字孪生系统更加强调如何利用人工智能等先进算法模型实现虚拟空间对真实世界的时空演变分析与反馈引导趋优。

数字孪生的定义虽然尚无统一定论，并且仍处在不断进步与发展之中，但仍然可以从中总结出数字孪生的核心要素和关键技术体系，如图 1所示。

1) 数据的全面感知。

数据是智能生产管理和控制系统的动力和基础，是数字孪生的核心驱动力[27]。数字孪生基于真实物理产品数据信息，在虚拟空间中开展模拟计算，实时预测和优化生产系统在每个生命周期阶段的行为[28]。

文献[29]详细设计了装配车间数据实时采集、组织和管理框架。基于有线、无线、传感网络，及射频识别等技术手段，实现装配车间3类数据全面感知。文献[30]强调物理设备应配备感知设备，实现与其他设备资源交互和协作。

数据全面感知技术主要包括传感器协同测量以及布局优化技术、异构资源实时感知和访问技术、量测技术、量子传感技术等。

2) 连接的高效传输。

早在2014年，Dr.Greievs就强调物理实体与虚拟孪生体之间连接的重要性[21]。连接是实现物理实体、虚拟实体、应用服务及数据之间的普适互联，从而支持虚实实时互联与融合。一旦由于硬件延迟引起物理实体和虚拟实体之间通信不同步，可能导致模型不收敛的严重后果[31]。数字孪生系统建立了数字世界和物理世界之间的实时同步，从而支撑后续分析与处理[32]，这种连接与同步是区别于传统仿真的优势之处。

文献[33]针对错误状态管理和产品组装过程，提出了物理实体和虚拟实体之间两种通信协议框架。文献[34]面向物理实体构建AutomationML模型，实现物理实体和虚拟实体连接。文献[35]设计了物理系统与其虚拟模型之间的互连和数据交互机制。

连接的高效传输技术主要包括无线通信技术、接口和协议技术、互动技术、安全技术、人机交互技术、通信网络架构技术等。

3) 数据的管理与共享。

数据集成融合了信息数据与物理数据，满足信息空间与物理空间的一致性与同步性需求，能提供更加准确、全面的全要素/全流程/全业务数据支持。

文献[36-37]提出了一种基于数字孪生的装配数据管理、存储和过程可追溯性方法。文献[38]将聚类算法Python程序嵌入系统设备中，实现数据初处理。文献[39]提出了数据融合的随机方法和人工智能方法。文献[40]介绍了最常用的数据可视化技术。文献[41]提出了一种基于区块链技术的产品数字孪生的数据管理方法。

数据的管理与共享技术主要包括大数据技术和平台技术。大数据技术主要包含数据存储技术、数据处理技术、数据融合技术、数据可视化技术等；平台技术主要包括数据共享服务技术等。

4) 数字孪生体的建模。

数字孪生体可从多维度、多空间尺度、及多时间尺度对物理实体进行刻画和描述。孪生体构建是数字孪生系统应用服务目标的第一步。

当建模对象内部物理机理明确，过程充分可观测，可采用机理建模。若对象行为复杂、参数难以观测、行为结果随机性强，可采用数据驱动方式建模。如果模型训练样本有限，且可靠性要求高，则可采用数据与知识融合，在减小样本数量的情况下综合数据建模与机理建模优点, 同时提高计算精度、效率以及可靠性。

文献[42]采用3D建模、有限元法和边界法元素等方法模拟物理元素的功能和性能。文献[43]着重关注各电气量之间的数据映射关系，构建基于LSTM网络的数据驱动模型，实现了由当前时刻电气量预测下一时刻输出的动态建模。文献[44]在数据驱动的模型基础上引入领域知识这一学习要素，提出数据–知识融合的机器学习范式，可以降低机器学习方法的泛化风险。文献[38]提出了验证、确认和认证(verification，validation，and accreditation，VV & A)方法来测试模型的准确性。

数字孪生体的建模技术主要包括物理建模技术、数据驱动建模技术、数据与知识融合驱动建模技术、模型验证技术等。

5) 预测与决策。

基于人工智能等技术的决策指令对物理实体进行反馈控制是数字孪生的核心特征之一[45]。如果数字空间无法进行状态预测及系统决策，并作用于物理设备，数字孪生将演变为早年提出的“数字影子”[46-47]，数据传输存在单向性，无法实现真正意义的数字孪生。整体上当前数字孪生系统广泛缺乏反馈优化的控制能力[48]。但仍有一些学者在此方面做出了努力。

文献[49]利用digital engine将直接作用于物理实体的机器人制造系统动态调度程序训练为深度强化网络，实现特定学习任务并能够转移。文献[30]利用基于知识的推理(KBR)，DNN等算法作为生产车间的响应式调度引擎算法，并通过测试应用验证了算法的高效性和最优性。文献[50]利用深度迁移学习将诊断模型从虚拟空间迁移到物理空间，实现实时监控和预测性维护。文献[51-52]探讨了利用深度学习等方法开展的数字孪生技术研究。

预测与决策技术主要是以人工智能为代表的智能计算技术，基于数据驱动实现系统行为模拟、预测过程故障、自适应控制操纵变量、生产过程最优决策等。具体包括深度强化学习、深度迁移学习、知识推理等。

数字孪生除应用于能源电力领域外，制造业也是其应用的热点，交通、医疗等行业使用DT的趋势正在积极增长。石油和天然气等行业DT应用正处于起步阶段[53]。

1) 制造业。

如前文中所提，数字孪生技术能够从产品设计和验证，产品生命周期监控到车间设计各方面，优化制造流程并实现维护。如金属增材制造系统的在线工艺优化与缺陷检测、大型立式研磨机轴承的过程预测维护、机器人虚拟零件控制等[54-57]。同时，文献[58-59]提出了DT在制造业未来的潜在应用场景及测试手段。

2) 航天航空。

在航空领域航空，波音，AFRL和NASA等行业使用DT来反映实际情况条件，识别缺陷，预测潜在故障并解决机身维修问题[60]。例如通过数字孪生模型记录了每台航空发动机每个架次的飞行路线、承载量，以及不同飞行员的驾驶习惯和对应的油耗，通过分析和优化，可以延长发动机的服役周期，并改进发动机的设计方案。

3) 交通。

华为发布交通智能体，基于路网全息感知数据，数字层面采用先进人工智能技术，为交警客户提供车辆综合研判、路况分析等业务服务，打造端对端完整解决方案。特斯拉试图为每辆电动汽车开发一种DT，以实现汽车与工厂之间的同步数据传输。针对垂直运输系统，也可应用数字孪生技术评估系统性能和潜在风险[61]。

4) 其他领域。

医疗领域，牛津大学应用数字孪生提高心脏病治疗辅助决策水平[62]；基于数字孪生的远程手术、动脉瘤治疗也开展相关研究[63-64]。智慧城市方面，达索利用其3D体验平台构建了“新加坡数字双城”支持城市规划，建设和服务[65]。石油和天然气领域，亟需改革传统商业模式，将数字技术提升技能，减少风险，提高生产和收入[53]。

随着数字孪生技术体系的不断完善，其在制造业、医疗、能源等领域的应用将会不断深化。其未来发展趋势可能包含以下几个方面：

1) 架构方面，分布式数字孪生框架将模块化的数字孪生体连接在一起，并支持各模块的自治协同，不仅提高工作效率，也有助于形成共享式的数字孪生服务体系。

2) 模型方面，数据和机理融合的方式，并以标准化的建模规则，提高数字孪生建模和仿真精度，提高模型在多行业应用的适用性，降低建模成本。

3) 计算方面，云与边缘计算的集成使数字孪生能够更快的处理大量的异构数据，提高计算性能。

4) 智能方面，人工智能技术将广泛应用在数字空间，为数字孪生提供智能决策服务。

5) 安全方面，区块链等新兴技术将嵌入数字孪生架构中，保障数据的安全与隐私。

能源互联网是以电为中心，以坚强智能电网为基础，将先进信息通信技术、控制技术与先进能源技术深度融合应用，支撑能源电力清洁低碳转型和多元主体灵活便捷接入，具有泛在互联、多能互补、高效互动、智能开放等特征的智慧能源系统，其概念内涵示意见图 2所示[66]。

能源互联网首先要实现多种能源系统的开放互联，构建多能协同能源网络[67]；并在物理互联的基础上，进一步通过互联网技术推进能源资源的数字化，实现数据开放与共享[68-69]，见图 3。

本文立足于能源互联网规划设计、监测分析、运行优化、价值创造及综合评价等业务领域及建模仿真发展需求[70-71]，总结提出能反映数字孪生系统必要性的关键问题。

能源互联网规划最基本的方法就是通过各类能源设备的选址定容和能源网络拓扑优化来实现系统的能源、经济、环境等目标[72-73]。

能源系统中源侧存在分布式光伏、风电、热/电联供、气/热/电三联供等复杂电源，荷侧包括电动汽车、储能等双向负荷，其规划不仅是一个多目标优化问题，模型中还存在大量的不确定、不精确和不可量化因素，其面临的最大问题是如何保证长时间的规划有效性。能量流的复杂性和不确定性对传统依赖于线性规划的白盒模型提出了挑战，而数据驱动的人工智能方法具有更高的灵活性以适应不同的能源规划需求[74]。无论是传统白盒规划还是数据黑盒规划，常规的仿真方式均是基于固定数学模型计算其一个时间断面或某个时间段内的资源变化，缺乏一个可以随时间进行的演进系统进行验证。

能源互联网监测分析的核心在于对各个子系统工况数据的监测，监测数据主要包括对含电、气、热(冷)在内的多种能量流原始采集数据，及稳态潮流计算产生的系统参数[75]。

目前，各类监测系统采集频率尚未统一，其中根据不同能源的特征，电能监测数据的采集频率一般为秒级，气、热、冷能量监测数据的采集频率为分钟级，能够满足稳态分析的数据需求。实现对真实系统参数的全面感知后，通过后台分析实现设备控制和状态预警，提高系统运行的安全性，同时提供视频监控、设备状态评价等功能，能够全方位地采集系统运行信息。但由于电力系统暂态故障的发生时间尺度往往为微秒级，难以直接依赖监测数据开展故障分析。

能源系统优化调度的主要目标是消纳大规模可再生能源，提高多能源利用率，确保运行的稳定、安全和高效[76]。目前，除基于能量枢纽模型开展单一时间尺度的优化调度[77]外，还包括多主体博弈运行优化[78]、多时间尺度运行优化[79]等多个维度。

能源互联网的多能流优化问题往往基于实际系统的仿真模型，通过构建一个复杂的非线性优化问题，并采用相应的启发式算法或其他智能算法进行求解，具体的优化策略一般均仅能在仿真环境进行验证，难以在实际系统运行过程中持续发挥作用。

随着能源数据价值的进一步挖掘利用，衍生出虚拟电厂、多能交易等能源互联网增值新业态与新模式[80-81]；能源互联网相关研究成果的落地应用与示范(如：江苏同里示范区、天津智慧能源小镇等)，也促进了对于多能互补、能效分析等能源互联网综合评价方法与指标体系方面的相关研究。

价值创造和综合评价业务应用利用能源互联网相关数据开展能源政策推演、多能交易、商业模式验证、虚拟电厂、需求响应、用户行为分析、多能互补评价、新能源消纳分析和经济效益分析等。数据本身的准确性与更新频率，及分析方法随时间演化的能力，直接影响其效果与价值。

能源互联网建模仿真目前仍主要以物理机理模型为主，利用数学公式和物理机理[82-83]构建发电机、热电联产机组、冷热电三联供、P2G、能量路由器、电网、热网等关键设备及功能网络模型；文献[84]提出一种基于海量历史数据，利用深度学习、聚类分析等技术构建发电、负荷、能源耦合及储能等模型的数据驱动建模方法。

建模仿真的目标是尽最大可能地数字化复现真实现场的设备、环境等关键环节，并在此基础上开展规划设计、监测分析、运行优化等内容。但能源互联网作为一个复杂超维系统，单纯依赖机理建模或数据驱动建模都难以满足需求，如何有机融合物理机理与数据驱动，充分发挥两者的优势，实现真实世界到仿真空间的完整映射是亟待解决的问题。

本文在数字孪生五维模型[11]的基础上，进一步针对能源互联网实际需求，结合感知、传输、平台、应用、仿真、安全等业务环节，提出能源互联网数字孪生模型(EIDTS)，通过传感器、物联网、人工智能等数字技术对真实世界中物理实体和智能实体对象的特征、行为、形成过程和性能等进行描述和建模，实现物理实体和智能实体在虚拟空间的实时完整映射；再在虚拟空间中开展时空变换，实现对实体未来态的演化及预测，并将异常结果输入智能体进行分析，计算得出解决方案反馈至真实世界改变错误进程，实现能源互联网的安全与稳定运行。如式(1)所示。

式中：PSensor表示物理空间，基于传感器实现对真实世界的数据采集，解决数据的真实性与准确性问题；CNetwork表示连接，基于5G等网络实现数据传输，解决数据的实时传输与快速更新问题；DPlatform表示数据，基于平台实现存储及共享，解决数据的存储、复用与溯源问题；SApplication表示服务，基于人工智能模型构建应用服务等智能实体，解决业务需求的闭环优化问题；VSimulation表示虚拟空间，基于仿真技术构建物理实体及智能实体的数字孪生体，解决高保真模拟与随时空演变问题；ASecurity是体系防护，基于加密技术实现全过程的安全保障，解决数据采集、传输、存储、使用等全过程安全问题。总体架构如图 4所示。

物理感知是能源互联网数字孪生系统的基础，实现对真实世界源、网、荷、储各环节状态海量数据的感知与采集。能源互联网中物理实体的构建可根据层级由小到大、自下而上逐步完成，如图 5所示。按园区级、区域级和跨区级进行划分，具体包括：

1) 园区级：分布式光伏等源侧设备，园区供电系统、供暖管道等网侧设施，电动汽车、居民负荷等荷侧设备，分布式储能、储热罐、冰蓄冷等储能设备；

2) 区域级：光伏电站等源侧设备，智能配电系统等设施，学校、工业园区、商业等负荷，储能电站等；

3) 跨区级：发电厂等源侧资源，输电网、天然气网等网络资源，电/气/冷/热等各类负荷，储气、储热等系统。

能源设备实体的数字孪生体构建可视为能源互联网数字孪生系统的最小单元，可针对每一个设备构建数字孪生体，以实现对设备的监测、故障预测和维护等；由设备组合配置构成园区级能源互联网数字孪生系统，对整个园区的能量调度、系统运行等进行分析和优化；多个园区根据互补特性进行协同互动，可进一步构建区域级能源互联网数字孪生系统，实现园区间协同调度、能效优化等功能；不同区域间可进一步形成跨区级能源互联网数字孪生系统，从而对整个能源互联网系统的演化进行分析与预测，实现新能源高比例接入、资源大规模优化配置、能效提升等目标。

物理实体向虚拟空间映射的基础是感知技术，是基于多种传感器及采集终端实现系统各个环节的电气量、状态量、物理量、环境量、空间量、行为量的源网荷储海量数据的全面感知与采集，实现“能源瓦特”变“数字比特”的映射过程，构建源网荷储广域–对称–完全信息系统[14]。

CNetwork是构建能源互联网数字孪生系统各部分的网络设施，实现各环节的高效连接、实时交互及交互协同。数据传输包括物理实体与数据平台的连接、物理实体与虚拟空间的连接、物理实体与智能实体的连接、数据平台和虚拟空间的连接、数据平台和智能实体的连接、虚拟空间和智能实体的连接6个部分。

针对能源互联网高带宽、大连接、低时延、高可靠的传输需求，可采用5G与超多跳自组网等通信技术的异构网络融合技术、北斗时频同步技术，结合云、边、端协同资源分配优化技术和异构网络流量协同技术，实现各类传感器即插即用、本地和广域灵活接入，最终实现全覆盖、广连接、高可靠数据传输。

DPlatform是能源互联网数字孪生系统的动力库，实现数据的存储与共享平台，为智能应用模型提供强大驱动力。数据包括物理实体的静态属性数据及动态采集数据、智能实体的应用数据、虚拟空间的模拟数据、存储的知识数据及多元数据融合产生的数据。

1) 物理实体的静态属性数据一般为几何属性、功能、性能等物理要素数据，动态采集数据包括源网荷储各环节利用传感器采集的电气量、状态量、物理量、环境量、空间量、行为量等；

2) 智能实体的应用数据主要为能源互联网业务应用的一些数据，包括服务对象、数据统计分析数据、规则、结果等非结构化数据；

3) 虚拟空间的模拟数据主要为通过全模仿真运行计算生成的包括稳态潮流、电压标幺值、预测数据、断面数据等；

4) 存储的知识数据主要为规章制度、技术规范、生产作业管理办法、专家经验及应用案例等；

5) 多元数据融合产生的数据是利用大数据分析、聚类、对抗生成等算法进一步抽取的标准化数据等。

数据管理和共享平台是数字孪生系统的核心驱动力，通过传输交互将平台存储的数据共享给智能实体和虚拟空间。在数据接入与处理方面，支持批数据接入和流式数据采集接入，具备数据的浏览、统计、查询、删除、修改等数据管理；实现数据清洗、标识和导出。具备高性能存储、图计算及数据共享服务等功能，最终实现多模态数据的融合与共享。

SApplication是基于数据形成的各类智能算法、模型、决策、行为的在线应用服务集合，实现虚拟空间对物理实体闭环反馈优化。应用服务基于数据平台共享的数据，基于人工智能等算法模型，在物理实体及虚拟空间中平行运行，并根据虚拟空间中时空演进的结果实时更新输出，进一步对物理实体反馈优化。

能源互联网的业务应用目前主要存在能源电力等设备的故障诊断依据主观经验、源荷双侧不确定性突出、多能复杂耦合运行等问题，亟需基于基于深度学习、强化学习、知识引导及群智优化等先进数字技术，面向设备、电网、用户研究智能应用，实现设备资产主动运维、源网荷储高效互动、用户深度感知与增值服务。

VSimulation是虚拟空间，主要基于能源互联网全模仿真，由物理实体与智能实体的数字孪生体组成，实现真实世界在虚拟空间的镜像复制。其中，针对物理实体的数字孪生体构建，主要包括物理机理模型、数据驱动模型及机理与数据融合驱动模型构成；智能实体的数字孪生体即智能实体中各类算法模型的平行复制。

1) 机理模型，亦称白箱模型。当对象的物理过程充分可观测、有固定的数学模型则选择机理建模。例如能源互联网数字孪生系统框架中的源网荷储基础设备元件模型，以及基于基尔霍夫定律等物理公式的多能流潮流模型。

2) 数据驱动总体而言是通过采集获取的数据，将数据进行组织形成信息，之后对相关的信息及逆行整合和提炼，在数据的基础上经过训练和拟合形成自动化的决策模型。如果对象基于物理机理的过程参数无法观测；对象基于物理机理所构建的模型无法求解；对象过程没有物理机理，则采用数据驱动方式建模。

3) 当机理建模与数据驱动单独建模满意满足准度、精度等要求时，可采用融合建模方式。一方面，机理模型已知而结果不够准确的对象，可采用并联型混合建模方法，以机理模型为主体。数据驱动模型作为误差补偿器并联在在机理模型上，对机理模型进行补偿修正，可以提高整体模型的准度；另一方面，有大量数据集进行训练、某些过程或机理未知的对象，可采用串联型混合建模方法，通过训练获得机理模型的输入，或者用于估计模型内的关系作为机理模型的输出。

虚拟空间的特殊之处在于可以摆脱真实世界中空间、时间、环境等限制，实现对现状的推演和未来的预测，发现真实世界中尚未发生的故障问题或已发生故障的解决方案，进一步提前或即时解决问题，最大限度的保障真实世界的安全稳定运行。

ASecurity是能源互联网数字孪生系统各环节的安全保障体系，实现物理感知设备的接入安全、数据的传输交互安全、数据平台访问与使用安全、算法模型的代码安全、应用服务安全等。

针对能源互联网网络边界变得模糊化和复杂化、传统的基于边界的安全防护架构难以适应的问题，采用统一身份标识技术、统一身份认证技术、动态访问控制技术及信任度量技术等，实现在不可信的网络中构建安全的防护系统；研究终端监测技术、边缘安全技术、终端安全防护技术，形成基于全局协同、局部自治、设备联动的协同防御策略；充分融合零信任和协同理念，形成电力物联网全层级安全防护架构，为能源互联网数字孪生系统提供全方位安全保障。

能源互联网数字孪生将通过电力高性能感知终端，实现能源互联网发–输–变–配–用、源–网–荷–储–人的电气量、物理量、环境量、状态量、物理量、空间量的全面感知，并基于“空天地一体化”电力通信网络以及5G等先进通信技术，实现全覆盖、广连接、低时延及高可靠传输，从而将能源互联网物理系统实时完整映射到数据和算法定义的数字世界。在数字世界中，充分利用大数据、人工智能、区块链等数字技术，进行能源互联网的仿真、计算、分析以及优化。与此同时，数字世界与物理世界不断进行互动，彼此交换状态信息，并进行策略修正。通过数据的双向流动与融合共享，最终实现能源互联网数字世界与物理世界的实时交互与智能应用。

能源互联网数字孪生应用技术路线主要从感知层、网络层、平台层、应用层方面实施。如图 6所示。

能源互联网数字孪生应用技术路线是本文所提能源互联网数字孪生模型的具体实施路径。感知层支撑物理感知对能源互联网真实世界各层级物理实体的数据采集；网络层和平台层共同支撑传输交互中6个连接部分；此外，平台层基于平台计算、区块链等先进技术实现能源互联网数字孪生历史、实时及仿真等数据的管理和共享，支撑数据共享和安全防护，并提供能源互联网数字孪生体构建环境，支撑虚拟空间；应用层支撑能源电力设备、能源互联网优化运行等管理模块最终实现能源互联网数字孪生的闭环反馈优化。

通过研发并部署基于新型敏感材料及微纳结构的电力专用高性能传感器，并规划感知标准体系，全面实现能源互联网物理对象的状态感知、量值传递、环境监测、行为追踪。

网络层基于有线、无线、传感器网络、蓝牙和RFID等通信手段，支持本地和广域信息的灵活接入，实现对能源互联网物理实体感知参量的实时传输。网络层将电力高性能传感器收集的数据或从物理对象获取的知识纳入数字孪生系统中，实现了能源互联网物理实体与虚拟实体的连接与沟通。

平台层提供能源互联网数字孪生的数据融合和数字孪生体构建环境。数据来源主要包括历史数据、实时数据及仿真数据；能源互联网数字孪生体采用物理机理、数据驱动、机理融合数据驱动的3种方式构建。平台层支撑技术主要包括：基于软件定义的终端管理及接入技术、高性能存储技术、图计算技术、数据共享服务技术，能够支撑海量异构终端高并发接入及智能管控、多模态数据融合与共享安全。

应用层包含人工智能算法引擎、预测模块以及电力应用服务。人工智能算法引擎在能源互联网数字孪生系统嵌入先进算法模型，预测模块利用人工智能算法，针对能源互联网业务应用中的复杂性、不确定性等问题，开展功率预测、行为预测、故障预测等。人工智能算法引擎和预测模块是应用层的核心内容。能源互联网数字孪生体通过信息的交互，预测未来发展，为物理系统的引导趋优提供技术支撑。应用服务主要针对能源互联网业务开展，例如电力设备状态评价、源网荷储自主调控、电网在线主动分析、综合能源自治协同、用户数据挖掘与增值互动等。

基于上面4个层级，决策管理模块最终将能源互联网虚拟世界和物理世界连接，实现能源互联网数字孪生的反馈控制闭环。应用层的优化控制指令，例如切机决策等，基于仿真环境信息传递路径传达到决策管理模块中，该模块也具有监测功能，有助于实时了解能源互联网数字孪生体反馈控制情况。最后，决策管理模块将反馈控制指令直接传递给物理操作对象，实现闭环控制。决策管理模块与应用层指令保持同步更新。

能源互联网数字孪生核心关键技术主要包括能源互联网物理系统到数字空间实时完整映射技术、能源互联网数字孪生体构建技术、智能决策与控制技术。其中，映射技术主要包括感知层和网络层的智能感知、实时传输等技术；数字孪生体构建技术融合因果机理和关联数据，支撑数字孪生体自主演化，平台层提供孪生体的建模环境；智能决策与控制技术体现在应用层的人工智能算法引擎，具体包含人工智能可解释性、混合智能在线学习、群体智能协同控制等技术。

当前电力设备存在信息多源、状态评价困难、故障诊断与维护决策复杂等难点。能源互联网数字孪生通过设备物理可观测信息的采集，构建电力设备数字孪生体，实现真实设备在虚拟空间的镜像复制。并基于多源异构数据接入规范与融合技术、知识图谱构建与认知推理技术、状态评估与故障识别诊断技术，开展电力设备状态评价。

电力变压器状态评价数字孪生通过油色谱、光栅测温等传感器，全面感知电力变压器状态数据；基于机理和数据融合方式构建变压器数字孪生体；利用集成学习实现变压器状态评估、故障诊断，并给出检修等决策建议，反馈给物理变压器实体，见图 7。

电力设备数字孪生的构建，提供了一种数据驱动的方式全方位刻画描述设备在不同环境下老化过程、人的运维行为作用、以及与环境交互等复杂不确定性的演变过程，有助于实现电力设备的全生命周期管理，有效降低设备运行成本，提高设备使用寿命。

当前电网传统在线安全状态难以实时辨识，并且传统的物理机理的建模方法，也难以解决当前电网的源网荷储优化运行难题。能源互联网数字孪生系统能够实时感知电网状态数据，并在平台层提供离线仿真数据资源，同时应用层嵌入深度强化学习、迁移学习等人工智能算法，支撑电网在线安全稳定状态智能评估与薄弱环节识别。同时，数字孪生系统提供虚拟世界与物理实体的实时连接，使得数据驱动优化方式能够与环境不断交互，通过自主学习，获取最优的策略，从而增强了能源互联网的适应性，提升源荷双侧的匹配度，促进可再生能源消纳。

电网安全分析与自主调控数字孪生通过气象传感器及SCADA等监测系统，获取电网在线数据、天气、季节、社会类因素数据、电网故障数据、光伏、风电及储能，以及可控负荷的状态数据等。通过人工智能决策引擎，利用深度学习及极限学习机进行状态辨识和主动分析，构建真实电网在虚拟空间的镜像模拟系统；采用离线学习与在线决策相结合提高源网荷储在线决策的计算效率，最终实现电网在线主动分析和源网荷储自主智能调控。应用服务中优化运行决策反馈给物理电网，见图 8。

传统的基于简化、假设方式所构建的电网仿真分析与决策模型，一方面无法精准刻画电网行为过程以及恶劣天气等环境所带来的影响，另一方面无法与环境交互，难以与物理电网实体同步。电网安全分析与自主调控数字孪生的构建，实现了电网仿真分析决策模型能够随着场景需求的变化快慢而同步更新。而数字孪生是一种高保真的、在线的、动态演变的方式手段，可更加精准地描述电网行为，实现高效分析决策。

数字孪生系统主要通过用户感知数据的充分挖掘，掌握用户需求，同时利用人工智能优化算法实现多能源的优化运行，从而满足用户多样需求，为其提供多元服务。

用户感知数据主要来自系统内量测数据、以及系统外能源互联网产业链上下游等能源相关数据。基于此，利用增量聚类、区块链共识等技术，充分挖掘系统内外数据，获取能源互联网生态圈多主体需求。同时，构建包含冷、热、电、气等多能源物理设备对应的虚拟模拟系统，采用深度强化学习算法提出多能源转化、供给方案，为用户提供匹配的产品与服务，并反馈给能源互联网物理系统执行，提高整体能效。

用户多元服务数字孪生通过融合系统内外数据，如电力、冷、热、气等综合能源状态数据、营销系统、用电采集系统、能源互联网产业链及仿真数据。首先利用增量聚类、区块链共识等技术，研究需求挖掘模型、需求与产品的智能匹配模型；其次，在综合能源多能流解析、时空特性分析、动态分区、运行模式推演的基础上，利用层次深度强化学习的多能流分布自治控制方法及基于演化博弈的多主体集群协同优化方法，实现综合能源自治协同，满足上下游用户需求，实现多元化互动的市场交易，为用户提供多元服务。应用服务中决策指令反馈给用户物理侧相关设备，见图 9。

构建数字孪生系统的优势在于可通过VR等虚拟现实三维技术，直观展示当前用户侧需求模型、综合能源分布与利用等情况，有助于用户高效获取能源市场动态资讯，积极主动参与多元应用服务。

综上所述，在面临具有随机不确定性、机理模糊性、控制复杂性等特点的能源互联网场景应用时，能源互联网数字孪生能够通过环境状态的实时精准感知，融合数据与机理的建模分析，及与环境的不断交互，提供一种在线动态演变的问题解决方法，充分揭示系统特性和动态轨迹演化机理，实现多要素协调控制，满足业务应用需求。

我国能源互联网发展总体仍处于起步阶段，工程应用仍以试验示范为主要目标，仍不具备大规模商业化运行的条件。亟需基于能源生产–能源传输–能源消费的全面感知数据，针对能源互联网多能源多要素及其交互过程进行全方位建模与仿真，利用数字孪生技术实现能源互联网从物理实体到虚拟空间的实时完整映射，通过智能实体开展仿真、计算、分析及决策等，实现对物理系统的反馈优化，最终实现可再生能源的高比例消纳及能源利用效率的提升。

本文在梳理总结数字孪生技术和能源互联网需求的基础上，提出了能源互联网数字孪生的总体框架，并针对设备状态评价、源网荷储自主调控、电网在线主动分析、综合能源自治协同、用户数据挖掘与增值互动等典型场景，给出了具体应用路线。对于未来能源互联网数字孪生系统的应用和发展，有以下几点需要说明。

1) 当前，实时数据的精准感知能力、网络连接的实时传输能力、大规模数据的即时处理与共享能力等方面仍难以满足数字孪生的实时完整映射需求。

2) 物理机理建模、数据驱动建模、机理与数据融合建模将成为数字孪生体构建的主要方式。

3) 以人工智能算法为代表的各类智能应用模型是能源互联网数字孪生系统自主运行的核心。

4) 短期可实现园区级能源互联网数字孪生系统的构建及应用验证，区域级及以上能源互联网数字孪生系统的实现需更多的时间及技术积累。