欧洲能源研究联盟发布能源数字化战略研究与创新议程

近日，欧洲能源研究联盟（EERA）宣布新推出“能源数字化”（DfE）联合研究计划，旨在通过信息技术和能源数字化支持实现零碳欧洲目标。EERA是欧洲最大的低碳能源研究非营利性国际协会，是欧盟战略能源技术规划（SET-Plan）的研究支柱，此前共开展了17个低碳能源技术领域的联合研究计划，本次新增的DfE联合研究计划是在能源和数字技术交叉领域的研发部署，是EERA的首个跨领域联合研究计划。该计划发布了《能源数字化战略研究与创新议程》，确定了到2024年能源数字化的研发目标和关键优先事项，重点关注2个特定领域：高性能计算，数据科学与人工智能；以及4个交叉领域：能源系统集成交叉领域技术，材料、工艺和设备多尺度建模，水电数字化技术，核材料物理模型、健康监测和无损显微结构检验。关键内容如下：

一、高性能计算

1、目标及重点任务

该领域的目标是设计可利用百亿亿次（Exascale）超级计算机的软件、工具和服务，以解决能源领域新科学挑战。主要包括两个子目标：

（1）通过高性能计算实现变革性的能源科学发现。将重点完成如下任务：①利用百亿亿次超级计算机实现低碳能源科学的突破性进展，将识别EERA低碳能源技术领域的科学挑战，确定各领域最新技术、瓶颈、成本、领域间协同作用、差距分析，并设计开发领域适用软件；②设计和开发最先进的计算方法和高性能计算软件，使数值模拟工具能用于百亿亿次超级计算机并可管理生成的数据。

（2）推进百亿亿次超级计算机服务。将重点进行如下活动：促进协同设计软件开发方法并在能源业界中使用数值工具，将设计一个“软件即服务”（SaaS）门户，作为EERA高性能计算服务的主要入口。

2、研究主题及预期产出

本议程已确定了至2023年的部分研究主题及预期产出，包括：①识别科学挑战，预期产出为评估相关低碳能源技术所需开展的计算活动，并确定其科学优先级和协同作用（到2021年）；②识别技术挑战，预期产出为确定能源领域适用的高性能计算工具和服务（到2021年）；③用于能源领域的高性能计算开发方案，预期产出为EERA和能源百亿亿次计算卓越中心（EoCoE-2）合作发布的立场文件（到2021年）；④开发SaaS门户，预期产出为设计和实施SaaS门户，包括服务和代码（到2022年）；⑤建立能源高性能计算社区，预期产出为建立一个大型欧洲平台，以协调高性能计算在能源领域的部署，并实施具有挑战性的举措（到2023年）。

二、数据科学与人工智能

1、目标及重点任务

该领域目前处于启动阶段，主要包括三个子目标：

（1）实施FAIR[1]和开放原则，即基于FAIR和开放原则构建开发能力，同时考虑数据安全性、隐私和主权要求，以支持开发有价值的可利用数据治理基础架构。将重点完成如下任务：①建立一个EERA跨联合研究计划论坛，讨论公平和开放的数据标准；②为所有联合研究计划开展FAIR相关活动和研讨，建立FAIR和开放能源数据的成熟标准，包括元数据标准；③建立EERA以外的FAIR和开放能源数据社区，形成足够规模以开发和正式批准建立能源领域的FAIR和开放（元）数据标准；④汇集用于FAIR和开放数据的平台服务，长期目标是使EERA成为欧洲能源研究人员和能源数据企业查找、访问和交换能源（元）数据的枢纽。

（2）开发人工智能方法。将重点进行如下活动：①实现FAIR和开放数据服务与AI工具所需协议的数据格式和扩大服务过程的无缝连接；②在能源系统管理中应用机器学习技术，如确定能源价格、需求和存储的最佳平衡方案，精准预测，智能电网，故障预防等；③应用深度学习方法，如开发确定性和概率预测方法，以及利用深度神经网络处理大规模能源数据集的非线性复杂关系。

2、研究主题及预期产出

本议程已确定了至2024年的部分研究主题及预期产出，包括：①识别技术挑战，预期产出为确定能源社区感兴趣的资源库和数据库（到2021年），确定EERA需要的AI工具和服务（到2021年），确定低碳能源社区的元数据标准（到2021年），确定将数据库无缝连接到AI工具和服务需实现的技术方法（到2022年）；②实现FAIR数据论坛和平台服务，预期产出为网站、资料库等（到2023年）；③正式批准FAIR和开放能源数据标准（到2024年）。

三、能源系统集成交叉领域技术

1、目标及重点任务

该领域的目标是收集、存储和处理来自各种数据源的数据和信息，并将各种方法和工具结合起来，以优化综合能源系统的设计和运营，提高系统效率、经济性和弹性，同时确保用户侧的易用性、隐私性和环境友好性。主要包括三个子目标：

（1）收集相关数据和信息，以对综合能源系统进行建模和仿真。将重点完成如下任务：①确定建模和预测所需的最少数据和信息，该任务将确定所需使用的传感器数量和理想的采样率；②集成非传感器来源的数据和信息，此类信息可能来自能源系统中的服务及维护和/或组件升级，以及与发电和需求的潜在变化相关信息。

（2）数据驱动的建模和预测相关混合工具和方法。将重点完成如下任务：开发并提供必要的专有知识和技术，以在所有时空尺度上进行汇总、预测、控制和优化。

（3）建模和数据集成。将重点完成如下任务：开发一种新方法、技术和解决方案，采用考虑不同能源网络（电、气、石油、热力、交通）之间潜在协同作用的综合方法，确保系统各参与者和组件之间的有效交互。

2、研究主题及预期产出

本议程已确定了至2023年的部分研究主题及预期产出，包括：①确定建模和预测所需的最少数据和信息，预期产出为降低安装、运行/服务和维护成本（到2021年）；②集成非传感器来源的数据和信息，预期产出为改善运行或预测可靠性以及能源系统可靠性（到2022年）；③在不同时空尺度上对相关数据进行汇总、预测、控制和优化，预期产出为对本地和区域/国家级别的能源系统及其相互作用和关系进行建模（到2023年）。

四、材料、工艺和设备多尺度建模

1、目标及重点任务

该领域的目标是确定能源领域的材料、工艺和设备的多尺度建模和仿真面临的挑战和发展趋势，提出通用方法以进行新型材料的原子和微观特征研究，确定通过百亿亿次高性能计算、机器学习和人工智能实现大规模计算（包括数据挖掘）的新方法，定义能源应用相关的介尺度模型以及能够耦合离散模型和连续模型的关键参数，集成多物理场建模和仿真以解决与能源领域设备和工艺相关的工程问题。将重点完成如下任务：①开发材料微尺度（原子及分子）模型和工具；②开发设备和工艺的介尺度及大尺度模型，如利用输运方程的蒙特卡洛法、有限元法、有限体积法等，通过介尺度和大尺度建模研究材料结构中的缺陷、裂纹、晶界等，评估固体和流体能源材料的特定参数和行为，研究设备或工艺中的化学或物质输运过程，优化对最优材料的筛选过程等；③开发集成仿真平台、模型降阶方法和应用工具；④与高性能计算、数据科学和人工智能相关的新计算范式，包括材料模拟、数据库和材料筛选、机器学习和人工智能用于材料发现和加速计算、百亿亿次高性能计算用于材料设计等。

2、研究主题及预期产出

本议程已确定了至2023年的部分研究主题及预期产出，包括：①电化学界面的多尺度建模，预期产出为批准该主题相关的大型欧洲资助计划，组织电化学界面多尺度建模相关的国际会议或座谈会（到2023年）；②基于机器学习的新材料性能识别，预期产出为借助欧盟及成员国的高性能计算资源投入，资助该主题相关的大型欧洲计划（到2023年）。

五、水电数字化技术

1、目标及重点任务

水电行业正处于数字化转型的开始阶段，该领域第一阶段的目标是确定研究重点和主题，包括：确定该领域的最新技术及其发展水平；确定水电数字化的相关应用案例；总结水电数字化相关的国家级和国际研究计划；增进对水电站运行、负荷、老化和寿命之间关系的理解；通过更多基于数据的决策确定未来挑战（如安全性）；支持学术界和行业共同参与数字化计划和项目。将重点完成如下任务：①设备级技术方面，包括：监控系统的安装和管理；数据的质量保证和统一；涡轮和发电机的数字孪生；关键设备的异常检测安装和管理。②系统级技术方面，包括：支持辅助服务的虚拟电厂；网络攻击的安保和预防；大数据基准；与其他数字化活动的接口。③经济方面，包括：经济高效的运行和维护；数字平台的新商业模式。④环境方面，包括：根据新的可用数据改进水力模型；通过河床扫描建立河流数字孪生；基于卫星流量监测的模型验证；识别鱼类行为和鱼梯影响的图像处理技术。⑤社会方面，包括：促进对现有和新技术的接纳；减轻跨学科合作的复杂性；维护和运行方面的专有知识管理。

2、研究主题及预期产出

本议程已确定了至2023年的部分研究主题及预期产出，包括：①水电应用案例，预期产出为水电数字化相关应用案例报告（到2021年）；②水电数字化研究动态，预期产出为水电数字化国内外研究动态报告（到2021年）；③水电站整修，预期产出为开发一种确定水电站最佳整修时间的工具（到2023年）。

六、核材料物理模型、健康监测和无损显微结构检验

1、目标及重点任务

该领域重点关注核材料的物理建模、健康监测和无损检验，以将材料微观结构、性能、加工参数、建模与核电厂组件的在役检查和状态检测联系起来。主要包括两个子目标：

（1）物理建模，开发模型以实现通过实验数据推断安全运行条件。该领域考虑的物理模型涵盖所有范围，从使用量子力学和物理数学进行电子结构计算，到使用有限元方法求解连续模型。将进行以建模为目的、使用几种先进材料表征技术的实验，在不同尺度下观察材料微观结构特征和变化，对暴露后的材料进行检查以研究物理机理及不同尺度变化之间的相关性。

（2）材料健康监测和无损结构检验，开发和优化智能无损检验技术，包括用于材料和组件表征以及结构监测的认知自适应传感器技术。将开发和优化用于材料健康监测和无损结构检验的机器学习和人工智能算法，处理和分析生命周期各阶段的材料健康监测和无损结构检验数据，并存储在核材料数据库的数字孪生文件中，并开发和应用可预测材料特性的模型。

（3）与高性能计算、数据科学和人工智能相关的新范式。将采用多种方法进行多尺度建模，包括量子力学、物理数学和有限元法等，通过大数据和人工智能来处理、选择和分析各种材料性能表征技术产生的大量数据。

2、研究主题及预期产出

本议程已确定了至2024年的部分研究主题及预期产出，包括：①用于材料的机器学习和人工智能技术，预期产出为对欧洲最新技术、差距和需求进行汇编（到2021年）；②用于材料健康监测和无损结构检验的机器学习和人工智能技术，预期产出为开发和优化能够处理和分析相关数据的机器学习和人工智能算法（到2022年）；③数字孪生数据库，预期产出为建立核材料全生命周期数字孪生数据库（到2024年）；④用于材料性能预测的机器学习和人工智能技术，预期产出为开发和应用材料特性预测模型（到2024年）。

[1] FIAR原则指可发现（Findable）、可访问（Accessible）、可互操作（Interoperable）和可重用（Reusable）。