1. 课程导入与全景认知

在工业仿真、电力系统分析、热力管网建模、控制系统设计等工程实践中，仿真模型常被当作"数字孪生"或"虚拟试验台"使用。但一个绕不开的事实是：仿真模型与现场实测之间几乎总存在差异。这种差异可能来自参数取值不准、边界条件简化、设备老化、传感器误差、结构拓扑与实际不符，也可能来自建模假设本身。现场差异诊断与仿真模型修正，就是围绕"模型为什么不符、差在哪里、如何改到可信"这一主线展开的一套工程方法。

它的定义可以概括为：以现场实测数据为基准，识别仿真模型输出与现场行为之间的偏差来源，定位关键参数或结构误差，并通过参数辨识、结构调整或边界修正，使模型在关注工况下达到可接受精度的一整套分析、计算与验证过程。这里有两个关键词：一是"现场"，强调数据来自真实运行对象，而非实验室理想条件；二是"修正"，强调不是简单调参凑结果，而是有依据地缩小模型与物理对象之间的差距。

为什么这件事有价值？第一，模型不可信，仿真结论就不能用于决策。例如电网仿真中，若发电机惯性时间常数、负荷模型或线路参数偏差过大，暂态稳定计算结果可能把稳定判为失稳，或把失稳判为稳定。第二，现场差异诊断能反过来暴露设备缺陷或测量问题。有时模型没错，而是现场传感器漂移、接线错误或运行工况记录有误。第三，修正后的模型可以用于预测、优化和控制，减少现场试验风险和成本。第四，随着新能源、柔性负荷、多能耦合系统增多，模型不确定性更大，差异诊断从"可选"变成"必需"。

典型工程场景非常广泛。电力系统中，PMU实测轨迹与机电暂态仿真轨迹对比，用于修正发电机、励磁、调速器和负荷模型；热力管网中，实测供回水温度与流量用于修正管段散热系数和节点混合模型；建筑能耗仿真中，实测电耗与冷量用于修正围护结构传热系数、设备效率和作息曲线；机器人或伺服系统中，实测关节响应用于修正摩擦、惯量和控制器参数；化工过程中，实测温度、压力和组分用于修正反应动力学与传热系数。这些场景的共同点是：有可观测的现场数据、有可调整的模型参数、有明确的关注输出和精度指标。

整体技术路线可以分成五个相互衔接的环节：数据准备、差异量化、敏感性与可辨识性分析、参数/结构修正、验证与不确定性评估。数据准备包括实测数据清洗、时间同步、工况筛选和仿真复现；差异量化不是只看一条曲线"像不像"，而是定义误差指标，如最大偏差、均方根误差、轨迹相似度或关键特征量误差；敏感性与可辨识性分析用于判断哪些参数值得调、哪些参数调了也看不出效果；修正阶段根据问题性质选择手动整定、最小二乘、优化算法、贝叶斯估计或机器学习代理模型；最后必须用独立工况验证，避免"对训练工况拟合很好、对其它工况失效"。

下面这张图给出本课程的全景技术路线与学习地图。它把现场对象、实测数据、仿真模型、差异诊断、修正策略和验证闭环放在同一张关系图中，帮助你在后续章节中始终知道"当前处在哪一步、输入输出是什么、与前后环节如何衔接"。

从学习路径看，本课程会先建立"差异"的量化语言，再进入数据与模型对齐、灵敏度与可辨识性分析，然后分别讨论参数修正和结构修正，最后落到验证、报告与工程落地。你需要逐步掌握三类能力：会看——能从曲线、指标和特征量中判断差异性质；会算——能选择合适的目标函数和辨识算法；会判——能判断修正结果是否可信、是否过拟合、是否可外推。

还需要注意一个常见误区：差异小不等于模型正确，差异大也不等于模型错误。如果实测数据本身存在同步误差、量纲错误或工况记录缺失，再好的辨识算法也会把模型带偏。因此，现场差异诊断的第一步往往不是调模型，而是确认数据可信、工况可复现、模型输出与实测输出在时间和物理量上严格对齐。参照系、正负号、单位制和坐标约定必须在诊断前统一说明，并在全文和图示中保持一致；一旦切换参照系，必须明确标注。