能源-信息-实体系统的重大机遇和挑战

能源-信息-实体系统（e-CPS）的重大机遇和挑战

本次专稿继续向大家介绍将AI大数据用到能源系统的前沿领域：能源-信息-实体系统（简称e-CPS）。我们关注的核心问题是：

如何将AI与能源有机结合，让我们现在的能源系统更高效（efficient）、安全（secure and reliable）、可持续性 （sustainable）、人性化 （human-centric）？

第一部分的推送中，我们从衣食住行的“住”这个大家熟知的例子入手，以点带面的介绍了什么是e-CPS。简单回顾一下，e-CPS就是将我们日常生活的基础设施（如楼宇、电网、乃至整个城市 ）赋予“感官”和“大脑”，使之可以实时收集重要的信息并进行决策与调控。本次，我们将基于此引申出这个领域的重大机遇与挑战。

Part

2

能源-信息-实体系统的机遇与挑战

下面我将从三个方面讨论e-CPS未来的研究机遇与挑战：

“大”数据时代，“小”数据其实更普遍

图1：不同于图像和语言识别的大数据，e-CPS的数据有限且珍贵，需高效利用。

AI的高速发展某种程度上归功于大数据的支持。就比如2011年IBM 开发的Watson通过学习上百万维基百科的词条击败人类，赢得了美国智力节目《Jeopardy!》冠军。2014年机器图像领域突破性的进展，也是因为百万标示图片数据集ImageNet的神助攻[1]。但是，现实生活中很多的数据，比如人的舒适度、用户的产品体验、室内的人流分布等都是需要时间的积累得到的，很难达到如此庞大的量级。如何从有限的数据学到关键的知识？ 举个例子，电表的数据除了可以分析用电模式，也可以用来判断室内是否有人；而传统的机器学习需要采集大量的标签（ground truth），这对于用户要求太高，大规模布置困难重重。其实，正如诺奖得主Kahneman在其著作《Thinking, fast and slow》中对人的行为模式化的阐述，我们完全可以利用日常作息规律，比如朝九晚五的上班模式，自动产生一些“弱标签” （weak labels）；虽然存在误差，但通过这些弱标签完全可以学到一个几近开挂的“用电表检测人是否在家”的系统！[2,3] 有别于传统机器学习领域的监督和非监督（supervised-, unsupervised-learning），这种方式被称为“弱监督学习” （weak supervision）[4, Chap.2]，可广泛应用于各种场景。当然，除此之外常见的小数据学习方式还有半监督学习（semi-supervised learning ）[5] 和迁移学习（transfer learning）[6]。总之，e-CPS的数据都很“贵”，如何高效利用是关键（data-efficient analytics）。

图2：如何进行高效数据分析（data-efficient analytics）？取决于如何利用没有标志的数据，方法包括半监督、迁移和弱监督学习。

用户隐私的保护

我们在第一部分讲到，感知室内环境并分析利用得到的信息是让一个建筑变得更为贴心的制胜所在。但是，收集的数据很有可能有暴露隐私的危险。例如，对空调的节能控制往往依赖于住户位置信息。2017年，英国每日邮报公司试图在员工的办公桌下装置传感器用于查岗，并辅助调控空调和灯光 [7]。然而，由于潜在的隐私问题，员工对此举愤然反对，最终公司楼宇的智能化彻底泡汤！其实，智能楼宇所采集的数据，包括用电数据，智能音响的指令等等，都有可能触犯到隐私的边缘。如果一个智能化的提案不能保护用户隐私，那么它将很有可能被用户抵制。相反，一个好的楼宇智能化提案需要把用户的“隐私需求”量化，并把其作为一个和“用电量”、“舒适度”同样重要的指标来对整个方案进行综合优化[8]。

安全可靠的保障

当我们用数据提取价值的时候，也要意识到并非所有的数据都真实可靠。推荐大家读一下Koppel的《Lights out: a cyberattack, a nation unprepared, surviving the aftermath》，其中便描述了一个当我们赖以生计的电网遭到攻击瘫痪后末日般的景象： 短期内医院、学校、公共安全、政府将陷于混乱，如果停电持续一年，地球上的人口平均每10个人中仅1人幸存！这样的可能性是否存在？完全可能，且已经发生！大家可以了解一下“乌克兰电网攻击”：2015年12月由于黑客攻击导致乌克兰27家变电站系统被破坏，22.5万人供电中断数小时！网络的力量何以如此强大？正是因为我们对数据的过度依赖！电力公司需要每5分钟对电力系统进行状态估计，而用到的数据（如电流、功率）则是通过无线上传的。这里存在重大的安全漏洞，即如果黑客得以篡改少量的数据，则会导致对电网状态估计的重大偏差，而在调度员无意识的情况下一步步被引导错误操作直至电网崩溃！[9,10]

正是因为我们的生活离不开e-CPS，安全性显得尤为重要。除了数据的安全，AI的引入也存在安全（secure）和信任（trustworthy）的问题。近期UC Berkeley十几位AI界的知名教授联手贡献了一篇有关AI挑战的白皮书，其中便提到了将AI应用到诸如电网、交通等关键系统时所引发的安全问题[11]。举个例子，“阿法狗”通过增强学习在围棋界称霸，可当我们将增强学习（reinforcement learning, 简称RL）应用到电网或自动驾驶时，是否真的放心？应如何从理论上保证其稳定和安全性？ 其实，对于神经网络（neural network）学到的控制器，最新研究发现，只要能够保证它的输出是平滑的（即当环境变化不大的时候输出变化也不大 small input change, small output change），则可以从理论层面证明其加在实际系统的闭环稳定！[12] 这无疑大大减少了AI一大支柱RL应用在实际系统的不确定性。当然，作为AI基石的神经网络可研究的性质非常多，哪些性质对于安全和稳定性尤为重要则是当今AI研究的热点话题。

应用能源特刊征稿： APEN Special Issue on “energy-cyber-physical systems”

随着物联网、人工智能、传感科技的高速发展， 楼宇、电网、交通等基础设施正从实体物理层面扩展到信息网络层面，并具备先进的计算功能甚至人工智能。这些“能源-信息实体系统”在提供能源服务的同时，也为我们的生活带来了舒适便捷。它们旨在提高能源效率和弹性，并将有效解决社会所面临的种种问题，包括能源危机、环境污染、全球变暖，从而为我们的社会带来极大的福祉。此特刊以“能源-信息实体系统”为题，征求与大数据、人工智能、机器学习、个性化学习等相关的科技方法，使之应用在智能楼宇、智能电网、智能交通等系统从而有效提高能效、弹性、和人性化价值的前沿研究。

官方网站：

https://www.journals.elsevier.com/applied-energy/call-for-papers/special-issue-on-energy-cyber-physical-systems

主编Editor in Chief:

Prof. Jinyue Yan

客座编辑Guest Editors：

Prof. Costas Spanos, University of California, Berkeley, USA

Prof. Leslie Keith Norford, Massachusetts Institute of Technology, USA

Prof. Rishee Jain, Stanford University, USA

Prof. Qing Shan Jia, Tsinghua University, China

Prof. Mikkel Kjærgaard, University of Southern Denmark, Denmark

Dr. Ming Jin, University of California, Berkeley, USA

重要日期Important Dates：

接受投稿Open for submission: 2018年5月1日

截止日期Submission deadline: 2018年9月1日

论文发表Publication: 2019年2月

参考文献

[1] Deng, et al. "ImageNet: A large-scale hierarchical image database." IEEE Conference on Computer Vision and Pattern Recognition, 2009.

[2] Jin, et al. "Virtual occupancy sensing: Using smart meters to indicate your presence." IEEE Transactions on Mobile Computing 16.11 (2017): 3264-3277.

[3] https://spectrum.ieee.org/view-from-the-valley/energy/the-smarter-grid/what-does-your-smart-meter-know-about-you?from=timeline&isappinstalled=0

[4] Jin, “Data-efficient Analytics for Optimal Human-Cyber-Physical Systems”, EECS Department, University of California, Berkeley, 2017, Online: http://www2.eecs.berkeley.edu/Pubs/TechRpts/2017/EECS-2017-228.html

[5] Hady and Schwenker. "Semi-supervised learning." Handbook on Neural Information Processing. Springer, Berlin, Heidelberg, 2013. 215-239.

[6] Pan and Yang. "A survey on transfer learning." IEEE Transactions on knowledge and data engineering 22.10 (2010): 1345-1359.

[7] https://www.theguardian.com/media/2016/jan/11/daily-telegraph-to-withdraw-devices-monitoring-time-at-desk-after-criticism

[8] Jia, et al. “Privacy-enhanced architecture for occupancy-based HVAC control.” ACM/IEEE 8th International Conference on Cyber-Physical Systems, pp. 177-186, 2017

[9] Liu, et al. "False data injection attacks against state estimation in electric power grids." ACM Transactions on Information and System Security, 14.1 (2011): 13.

[10] Jin, et al. “A semidefinite programming relaxation under false data injection attacks against power grid AC state estimation.” IEEE 55th Annual Allerton Conference on Communication, Control, and Computing, 2017

[11] Stoica, et al. "A Berkeley view of systems challenges for AI." arXiv preprint arXiv:1712.05855 (2017).

[12] Jin and Lavaei, “Control-Theoretic Analysis of Smoothness for Stability-Certified Reinforcement Learning”, Online: http://www.ieor.berkeley.edu/~lavaei/RL_1_2018.pdf

作者简介

金明，2008-2012年就读于中国香港科技大学电子工程专业，连续四年获全额奖学金，并获该校“杰出成就奖”；2012-2017年就读于加州大学伯克利分校（UC Berkeley）电子及计算机工程专业，获博士学位，并被评为“西贝尔学者”（Siebel Scholar）（每年从哈佛、UC Berkeley、斯坦福、麻省理工等世界15所顶尖高校评选90名）。就读博士期间，在世界一流刊物发表论文30余篇（包括两篇发表在顶尖杂志Applied Energy），两次在国际会议获得最佳论文奖，并发表教育论文2篇。现为UC Berkeley博士后，专注于人工智能、智慧城市等方面的研究，成果曾被IEEE Spectrum，MIT Technology Review等国际知名杂志报道。

贾若溪，2009-2013年就读北京大学微电子专业，获北京大学冈松奖学金、8108院友奖学金；2013-2018年就读于加州大学伯克利分校（UC Berkeley）电子及计算机工程专业，加州大学伯克利分校电子工程系入学奖学金得主，获博士学位，并被评为“电子工程及计算科学明日之星”。就读博士期间，在世界一流刊物发表论文20多篇。现为UC Berkeley博士后，专注于机器学习、数据隐私安全、以及智能建筑方面的研究。

AEii: www.ae-innovation.org