变分数字孪生体

尽管数字孪生体（DT）在为复杂能源资产提供实时见解方面具有巨大的潜力，但当前文献大多未提供清晰的框架来实现模型与资产之间的信息交换，缺少实现实时部署所必需的关键功能，或对模型不确定性关注有限。本文旨在通过提出一种变分数字孪生体（VDT）框架来弥补这些不足，该框架在标准神经网络架构中增添一个单一的贝叶斯输出层。这种轻量级的添加，以及一种新颖的VDT更新算法，使双胞胎可以在标致性 GPU 上在数秒内更新，并产生校准的不确定性边界，可用于指导实验设计、控制算法和模型可靠性。对VDT进行了四个能源部门问题的评估。对于关键热流预测，基于不确定性的主动学习在47%更少的实验中达到R2=0.98，训练时间仅为随机抽样的三分之一。一个三年期的可再生能源孪生体在太阳能输出方面维持R2>0.95，并通过仅处理一个月数据的时间窗口的月度更新来抑制风力预测的误差增长。一个核反应堆瞬态冷却孪生体在R2>0.99下重建热电偶信号，并在50%传感器丢失后保持准确性，显示出对降级仪器的鲁棒性。最后，一个受物理约束的锂离子电池孪生体在每十次放电后重新训练，使电压均方误差比最佳静态模型降低了一个数量级，同时随着电池接近报废期，调整其可信区间。这些结果表明，将适度的贝叶斯增强与高效更新方案相结合，使传统的替代模型成为具有不确定性意识、数据高效且计算可行的数字孪生体，为跨越工业和科学能源系统的可靠模型铺平了道路。