IEEE Fellow黄建伟：智能低碳理论探索和关键技术研究

作者 | 维克多
编辑 | 青暮

碳中和和碳达峰已上升为国家战略，中央文件曾不止一次指出“要狠抓绿色低碳技术攻关”。那么作为最吸引人的前沿技术，AI如何赋能碳达峰？

近日，在GAIR2021大会上，香港中文大学（深圳）校长讲座教授，IEEE Fellow黄建伟做了《智能低碳理论探索和关键技术研究》的报告，他指出：赋能大规模的分布式计算系统，加速碳中和的进程，要立足三个方面：一是通过人工智能助力低碳经济，构建碳交易的生态；二是通过人工智能助力能源产业的低碳和降碳；三是通过人工智能助力交通产业的降低碳排放。

基于深圳市人工智能与机器人研究院(AIRS)相关工作，黄建伟介绍了AI减排的最新进展，其中有群智感知、机器学习、优化控制等等一系列基础理论突破，还有碳计量、碳仿真等一系列系统构建。

以下是演讲原文，AI科技评论做了不改变原意的整理。

2016年，全世界近180个国家共同签订《巴黎协定》，目的在于控制全球平均气温上升，手段是控制温室气体排放。针对《巴黎协定》，中央先后多次在各种大会、论坛中宣布：2030年实现碳达峰，2060年实现碳中和。

2021年10月24日，中共中央国务院发布的《关于碳达峰、碳中和的工作意见》，标志着“双碳战略”已经上升为国家战略。这意味着我国的能源结构和经济发展模式发生颠覆性的变革。

在世界范围内，截止到2020年，已有54个国家的碳排放达峰，占全球碳排放总量的约40%。除了中国，墨西哥、新加坡这些国家，预计也要在2030年实现达峰。此外，全球已经有29个国家和地区实现了碳中和的目标，这些国家相对不发达。

韩国、欧盟这些国家的碳中和和碳达峰走得也比较快，已经颁布相关的法律。而包括中国在内的大多数国家都在政策宣示中。更进一步，从2019年的数据看，中国全社会的碳排放105亿吨，其中能源产业碳排放占47%，位列第一位，交通产业占9%，排第三。因此能源和交通是接下来国家重点工作的两个方向。

AI可以在双碳目标中做些什么呢？AIRS主要通过赋能大规模的分布式计算系统，加速碳中和的进程。立足三个方面：一是通过人工智能助力低碳经济，构建碳交易的生态；二是通过人工智能助力能源产业的低碳和降碳；三是通过人工智能助力交通产业的降低碳排放。

具体到AI技术路线，搭建智能低碳系统，需要对群智感知、能源众包、机器学习、优化控制等等一系列基础理论有所突破。这个基础上，从而能够集成碳交易、能源系统、交通系统发展中一系列的关键技术。

1
智能低碳理论基础研究

基础研究主要面向知识大规模低碳系统分布式的智能决策，数据层面的技术有三种：数据能不能自由流通、有偿流通、流通受限。

数据能够自由流通的情况下重点解决群智众包决策的问题。例如在大的交通系统中，要想有效地降低碳排放，有效地协调交通的状况，需要众多参与者之间积极了解交通的相关情况，了解出行情况，有效的共享。由于不同用户感知环境能力高度异质化，加上交通信息千变万化，真实的交通信息很难得以实时验证，因此要设计有效的群体决策。

在个性化激励机制的基础上，以鼓励用户有效、高效参与为原则，AIRS设计了群智决策系统。例如针对群智决策的过程中牵涉到数据的共享，隐私问题，提出隐私保护下的个性化定价策略，一方面鼓励大家积极参与交易、参与互动，另一方面也通过个性定价吸引、引导用户披露相关的碳排放数据。

付费数据，且时效性强的数据如何交易？为此，AIRS提出实时信息交易系统的概念。例如面向低碳智慧交通信息共享场景，针对交通信息时效性和分散性等关键性挑战，提出实时信息交易市场框架，以促进实时交通信息的共享。此举有利于合理地规划交通，减少交通拥堵，提高交通流转效率，减少能源消耗，使人享其行，物畅其流。相应的技术获得了IEEE WiOpt 2021最佳论文奖。

有的时候数据的直接交易并不现实，交易本身会产生隐私问题。对此，我们考虑一种模型交易，避免直接交易数据，这里使用的关键技术是联邦学习：在数据不进行互相交易的情况下也可以产生全局的机器学习模型。因此，基于联邦学习，我们构建了新型的机器学习模型交易市场，通过不同质量的模型、不同情况的隐私保护，能够采取不同定价，满足不同用户对不同模型精度的需求。相关文章将会发表在明年的顶级会议IEEE INFOCOM 2022上。

但联邦学习有几个核心的问题：

1.如何激励大量的个体积极参与？我们基于契约理论设计面向用户多维隐私信息的最优激励机制，激防用户如实、高效地参与联邦学习模型训练。

2.联邦学习的性能如何进行优化？这方面我们做了一系列的工作，包括自适应的方法对联邦学习的核心控制参数进行优化，另外基于用户模型的相似性进行联合的有效优化，如此能够提升整个联邦学习的精度和收敛的速度，使得大规模分布式系统决策更加高效。

3.当每个用户样本比较小的时候如何进行有效的决策？为此，而向低碳机器学习场景，针对目前机器学习及深度学习需要大量训练数据的关键挑战，提出多智能体少样本学习算法，提升大量智能体联合学习的性能。

2
智能低碳助力碳交易生态

智能低碳助力碳交易生态可以分为几个方面：碳计量、碳仿真、绿证交易以及电力大数据。

碳计量是非常复杂的情况，我们针对电力的数据，结合企业的实时电力的使用情况推测出碳排放的情况，对相关的情况进行碳计量和碳审计提供方案。例如面向火电厂碳排场景，针对火电厂碳排与电力大数据之间的关系，提出结合碳卫星数据的碳计计算方法，解决火电厂碳排监测等计置与预测问题。

面对全国的碳市场交易，我们需要有效高精度的动态仿真，如此才能设计有效的交易策略。

绿证是国家对发电企业每兆瓦时非水可再生能源上网电量颁发的具有独特标识代码的电子证书，是非水可再生能源发电量的确认和属性证明以及消费绿色电力的唯一凭证。通过交易绿色证书可以有效将可再生能源的配额在市场中有效地分配，使得可再生能源能够得到有效的使用。

针对可再生能源激机设计关键挑战，我们提出基于可再生能源配额和绿证交易制度的分布式新能源容量优化算法，提升分布式新能源投资积极性问题。因此，希望越多的新能源投资，越好地达到减碳的目的。

3
智能低碳助力能源系统

人工智能助力能源系统减排，需要电网的优化调度、电力用户侧的建模、电动车充电调度规划、低碳能源管理系统等几个方面的参与。

1.电网的优化调度，现代电网区别于“旧”电网，核心的特点是可再生能源比例比较高，其中包括风能、太阳能。它的碳排放比较低或是没有碳排放，因此能够有效的降低整个能源行业的碳排放。但可再生能源“并网”时有很多的挑战，其具有不确定性，和天气非常相关。因此，面向低碳电网优化场景，针对可再生能源高效并网的关键挑战，提出数据驱动的分布式多阶段随机优化模型与算法，解决天气不确定性下分布式电网优化的问题。

2.想要在电网里、能源行业里进行有效的减碳，首先要非常准确地了解电力的使用情况，即用户侧有效的建模。但用户电力的使用包含私有信息，会对建模带来非常大的挑战。因此，面向低碳全景式建模场景，针对电力用户侧海量数据的存储及知识挖掘的关键技术挑战，提出非侵入式负荷识别、超分辨率感知等算法，解决用户侧用电行为识别、海量数据空间时间尺度上知识存储与提取的问题。

3.电动车充电调度规划。绿色充电的调度对交通出行有非常大影响，因此有很多工作帮助社会经济有效的降低碳排放。例如智慧城市充电站最优选址的问题，如果一个城市的电动车刚刚发展，如何能有效的选取地址构建充电站，使得用户充电最方便？当电动车不断发展、数量不断增加，如何能够不断的推动电动站的建设，配合城市的发展？我们基于城市的人口、城市的出行数据，共同构建优化电动车充电站的选址，使得最大化的优化用户的满意程度，并且激发用户购买电动车的意愿。

4
智能低碳助力交通系统

智能低碳如何助力交通系统？在车联网系统层面，而向车联网场景，针对低时延等挑战，我们提出基于Uu接口的C-V2X框架，解决通信性能瓶颈，提升交通效率。

在多路口交通灯分布式控制层面，智能系统需要解决等待时间过长、实时交互等痛点。由于红绿灯在大多数情况下没有中央控制，因此我们构建多路口的协作训练交通灯的控制模型，提出去中心化的分布式强化学习，没有中央控制的情况下，可以有效根据车流量调节红绿灯的节奏，使得交通的出行效率大幅度提高。

我们还提出了交通互联网的想法。目前传统交通控制的方法是一种垂直的烟囱架构。例如在智能灯柱上有很多的传感器、摄像头、监视器，但红绿灯、传感器是由不同的部门监管，其数据并不互通。因此，需要将这些数据水平的融合，构建“交通路由器”。在此基础上，我们构建了软件定义的交通系统，要求控制面和运输面相分离。然后形成交通互联网系统：上面是公有的交通服务云平台；中间是边缘控制器、中心控制器；最底层是不同来源的传感器、控制器。通过交通互联网系统可以更加高效地利用不同来源的数据，从而进行多模态的融合，使得控制更加有效。

上述工作不仅形成了学术文章，同时也构建了相关的低碳交通的原型系统。目前通过与香港中文大学（深圳）、华为、中国移动合作构建了基于5G和边缘计算的网联自动驾驶测试床。已经在香港中文大学（深圳）校园建设5G车联网基础网络，覆盖了大概2.5万平方米的校园区域，其中设备包括11套，5台智能网联车辆和6台智能路侧设备，这套系统也验证了UC-V2X车联网、交通互联网控制架构等一系列算法。该系统在2019年获得了中国信通院2019年英诺（Innovation）双推优秀案例奖。

完成基于交通互联的低碳交通原型系统（一期），已开展UC-V2X通信、交通互联网技术框架、一键招车、信号协同、超视距感知等功能验证。

智能低碳助力交通系统的另一个应用是：车联网高精度地图。这是自动驾驶非常重要的技术，因为车联网依赖的地图其精确度要求高于人类驾驶汽车依赖的地图。因此，我们一方面通过车的多元数据采集构建高精度的静态层。另一方面通过路边的摄像头、路边的雷达，车本身的摄像头雷达共同融合，形成动态的地图。静态数据和动态数据结合构成的车联网高精度地图可以充分有效的保证自动驾驶的安全。

总结下来，AIRS通过人工智能加速碳中和的技术路径，主要聚焦在群体智能、机器学习、隐私保护、经济学前沿的交叉基础理论创新。另一方面基于电力大数据，探索高效、实时的碳计量、碳仿真碳交易的技术；能源网络方面AIRS希望构建多维度的高效源网荷储协同方案；交通方面积极探索低碳的交通控制平台和网联自动驾驶创新降碳的交通方案。

GAIR 2021大会首日：18位Fellow的40年AI岁月，一场技术前沿的传承与激辩

2021-12-10

致敬传奇：中国并行处理四十年，他们从无人区探索走到计算的黄金时代 | GAIR 2021

2021-12-09

时间的力量——1991 人工智能大辩论 30 周年纪念：主义不再，共融互生｜GAIR 2021

2021-12-12

未来已来，元宇宙比你想象中来得更早丨GAIR 2021

2021-12-12