近日，我校機(jī)械與能源工程系楊再躍教授課題組取得電力系統(tǒng)、機(jī)器學(xué)習(xí)等領(lǐng)域的多項(xiàng)重要研究成果，在電力系統(tǒng)頂級(jí)學(xué)術(shù)期刊IEEE Transactions on Smart Grid和IEEE Transactions on Power Systems上發(fā)表三篇論文，并在機(jī)器學(xué)習(xí)領(lǐng)域頂級(jí)學(xué)術(shù)會(huì)議The 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)上發(fā)表一篇論文。

第一項(xiàng)研究成果與大規(guī)模用電設(shè)備的最優(yōu)快速管理有關(guān)，該成果發(fā)表在電力領(lǐng)域頂級(jí)學(xué)術(shù)期刊IEEE Transactions on Smart Grid上。論文主要由南科大和浙江大學(xué)共同完成，楊再躍為通訊作者。

用電設(shè)備的最優(yōu)管理是智能電網(wǎng)中實(shí)現(xiàn)需求側(cè)響應(yīng)的關(guān)鍵一環(huán)。然而該問題通常需要同時(shí)管理調(diào)度大量的用電設(shè)備，同時(shí)考慮多個(gè)時(shí)槽，是一個(gè)時(shí)間空間耦合的復(fù)雜問題，想要在短時(shí)間內(nèi)解決該問題十分困難。因此，如何設(shè)計(jì)合理的算法，提高計(jì)算效率，降低計(jì)算時(shí)間，是目前的研究熱點(diǎn)。

圖1 左：算法計(jì)算速度 ；右：算法成功率

為了提高管理效率，課題組基于最優(yōu)化理論將原問題轉(zhuǎn)變成變量維度更少的等價(jià)問題，提出了一個(gè)分布式的最優(yōu)快速管理算法。此算法避免了參數(shù)的改變帶來(lái)的算法可能不收斂的問題。最后將新的算法和常用的內(nèi)點(diǎn)法以及對(duì)偶分解法進(jìn)行對(duì)比，仿真結(jié)果表明，新算法的計(jì)算速度更快，對(duì)參數(shù)的敏感度更低，同時(shí)能夠保證收斂性。

第二項(xiàng)成果研究了如何降低云服務(wù)商電力成本的問題，該成果發(fā)表在電力領(lǐng)域頂級(jí)學(xué)術(shù)期刊IEEE Transactions on Smart Grid上。論文主要由南科大、浙江大學(xué)和香港中文大學(xué)共同完成，楊再躍為通訊作者。

此研究成果考慮云服務(wù)提供商在同一電力市場(chǎng)中運(yùn)營(yíng)多個(gè)數(shù)據(jù)中心的場(chǎng)景，假設(shè)服務(wù)商可以在數(shù)據(jù)中心之間進(jìn)行工作負(fù)載轉(zhuǎn)移。由于數(shù)據(jù)的電力需求巨大，負(fù)載轉(zhuǎn)移能夠影響電力市場(chǎng)的節(jié)點(diǎn)邊際電價(jià)。課題組將所研究的問題建模為一個(gè)雙層問題，以探究最小化服務(wù)商運(yùn)營(yíng)成本的任務(wù)轉(zhuǎn)移策略，該問題考慮了數(shù)據(jù)中心的市場(chǎng)力。上層是服務(wù)商的運(yùn)營(yíng)成本最小化問題，下層是確定電價(jià)的電力經(jīng)濟(jì)調(diào)度問題。

圖2 左：節(jié)點(diǎn)邊際電價(jià)；中：數(shù)據(jù)中心任務(wù)處理量；右：發(fā)電機(jī)發(fā)電量

求解一般的雙層問題很有挑戰(zhàn)性。因此，課題組首先將原始問題轉(zhuǎn)化為一個(gè)等價(jià)的單層問題，然后根據(jù)問題的性質(zhì)發(fā)現(xiàn)該問題的可行域?yàn)榉峭苟嗝骟w，提出一種基于分支定界法的算法來(lái)求解該問題。該算法通過將可行域切成多個(gè)凸集，求解多個(gè)線性優(yōu)化問題，最終得到原問題的解。此外，考慮到實(shí)踐中變化的通信環(huán)境，該研究分析了轉(zhuǎn)移價(jià)格不確定性對(duì)服務(wù)商總成本的影響，并表明保持通信代價(jià)期望不變時(shí)隨著不確定性的增加，期望總成本出人意料地降低?；跇?biāo)準(zhǔn)IEEE測(cè)試用例的仿真表明，服務(wù)商的成本已大大降低，并且服務(wù)商和電力系統(tǒng)有可能實(shí)現(xiàn)雙贏。課題組提出的price maker模型使得電網(wǎng)中電價(jià)差異更小，說明資源配置（數(shù)據(jù)中心資源及電力資源）更合理。

第三項(xiàng)成果研究了電動(dòng)汽車參與電網(wǎng)相位平衡的激勵(lì)策略問題。該成果發(fā)表在電力領(lǐng)域頂級(jí)學(xué)術(shù)期刊IEEE Transactions on Power Systems上。論文主要由南科大、浙江大學(xué)、香港中文大學(xué)和香港科技大學(xué)共同完成，楊再躍為通訊作者。

配電網(wǎng)中的相位不平衡會(huì)帶來(lái)功率損耗、電能質(zhì)量惡化等問題。在此研究中，課題組通過設(shè)計(jì)合理的激勵(lì)策略，鼓勵(lì)電動(dòng)汽車用戶利用其充電彈性，參與電網(wǎng)的相位平衡，保證電網(wǎng)的穩(wěn)定性和安全性。

圖3 左：電動(dòng)汽車充電充本；右：電網(wǎng)相位不平衡

課題組考慮電動(dòng)汽車用戶在滿足充電需求的前提下，最小化充電成本并且最大化參與相位平衡獲得的報(bào)酬，將其建模成一個(gè)非合作博弈問題，然后證明了納什均衡的存在性，并提出了一個(gè)分布式算法求解可能的均衡點(diǎn)。仿真結(jié)果表明，合理的激勵(lì)策略既可以降低電動(dòng)汽車充電成本，也可以減小配電網(wǎng)的相位不平衡，實(shí)現(xiàn)用戶與配電網(wǎng)的雙贏。

第四項(xiàng)成果研究了低通信開銷的分布式學(xué)習(xí)問題，該成果發(fā)表在機(jī)器學(xué)習(xí)領(lǐng)域頂級(jí)學(xué)術(shù)會(huì)議The 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)上。論文主要由南科大、浙江大學(xué)、倫斯勒理工學(xué)院和明尼蘇達(dá)大學(xué)共同完成。

圖4 左：損失v.s.迭代次數(shù)；中：損失v.s.通信次數(shù)；右：損失v.s.比特?cái)?shù)

目前，訓(xùn)練機(jī)器學(xué)習(xí)模型依賴于海量的數(shù)據(jù)，當(dāng)以集中方式訓(xùn)練時(shí)，會(huì)帶來(lái)很大的計(jì)算成本。因此，現(xiàn)在普遍的共識(shí)是，未來(lái)的機(jī)器學(xué)習(xí)應(yīng)該以分布式方式實(shí)施。通常，分布式學(xué)習(xí)是以server-worker模式中進(jìn)行的，其中server利用從workers收集的信息更新學(xué)習(xí)參數(shù)，然后將這些參數(shù)廣播給workers。 但是，隨著worker數(shù)量的增加，通信開銷也會(huì)大幅增加。此研究使用信息壓縮以及自適應(yīng)通信來(lái)減小分布式機(jī)器學(xué)習(xí)的通信量，并從理論上證明了提出的算法能夠快速收斂。實(shí)驗(yàn)結(jié)果驗(yàn)證了課題組提出的方法（LAQ）能比已有算法更有效地減小訓(xùn)練過程中傳輸?shù)谋忍財(cái)?shù)。

楊再躍教授主要致力研究大規(guī)模網(wǎng)絡(luò)化系統(tǒng)的協(xié)同優(yōu)化與控制，主要應(yīng)用領(lǐng)域包括電力系統(tǒng)、交通系統(tǒng)、傳感網(wǎng)等。目前主持承擔(dān)國(guó)家級(jí)科研項(xiàng)目3項(xiàng)、省部級(jí)科研項(xiàng)目2項(xiàng)、深圳市科研項(xiàng)目1項(xiàng)、企業(yè)合作項(xiàng)目2項(xiàng)。發(fā)表期刊會(huì)議論文百余篇，其中SCI論文50篇（近5年發(fā)表25篇），IEEE Trans論文34篇（近5年發(fā)表27篇）。論文引用次數(shù)超過2000次，單篇最高引用超過380次，ESI高引論文3篇，H影響因子=20（谷歌學(xué)術(shù)）。

文章鏈接：

1. 1. https://ieeexplore.ieee.org/abstract/document/8784421
2. 2. https://ieeexplore.ieee.org/document/8963651
3. 3. https://ieeexplore.ieee.org/abstract/document/8862870
4. 4. http://papers.nips.cc/paper/8598-communication-efficient-distributed-learning-via-lazily-aggregated-quantized-gradients

推薦閱讀：蘋果x跟xr哪個(gè)好