近日，我校機械與能源工程系楊再躍教授課題組取得電力系統(tǒng)、機器學習等領域的多項重要研究成果，在電力系統(tǒng)頂級學術期刊IEEE Transactions on Smart Grid和IEEE Transactions on Power Systems上發(fā)表三篇論文，并在機器學習領域頂級學術會議The 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)上發(fā)表一篇論文。

第一項研究成果與大規(guī)模用電設備的最優(yōu)快速管理有關，該成果發(fā)表在電力領域頂級學術期刊IEEE Transactions on Smart Grid上。論文主要由南科大和浙江大學共同完成，楊再躍為通訊作者。

用電設備的最優(yōu)管理是智能電網(wǎng)中實現(xiàn)需求側響應的關鍵一環(huán)。然而該問題通常需要同時管理調度大量的用電設備，同時考慮多個時槽，是一個時間空間耦合的復雜問題，想要在短時間內(nèi)解決該問題十分困難。因此，如何設計合理的算法，提高計算效率，降低計算時間，是目前的研究熱點。

圖1 左：算法計算速度 ；右：算法成功率

為了提高管理效率，課題組基于最優(yōu)化理論將原問題轉變成變量維度更少的等價問題，提出了一個分布式的最優(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)點法以及對偶分解法進行對比，仿真結果表明，新算法的計算速度更快，對參數(shù)的敏感度更低，同時能夠保證收斂性。

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

此研究成果考慮云服務提供商在同一電力市場中運營多個數(shù)據(jù)中心的場景，假設服務商可以在數(shù)據(jù)中心之間進行工作負載轉移。由于數(shù)據(jù)的電力需求巨大，負載轉移能夠影響電力市場的節(jié)點邊際電價。課題組將所研究的問題建模為一個雙層問題，以探究最小化服務商運營成本的任務轉移策略，該問題考慮了數(shù)據(jù)中心的市場力。上層是服務商的運營成本最小化問題，下層是確定電價的電力經(jīng)濟調度問題。

圖2 左：節(jié)點邊際電價；中：數(shù)據(jù)中心任務處理量；右：發(fā)電機發(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化為一個等價的單層問題，然后根據(jù)問題的性質發(fā)現(xiàn)該問題的可行域為非凸多面體，提出一種基于分支定界法的算法來求解該問題。該算法通過將可行域切成多個凸集，求解多個線性優(yōu)化問題，最終得到原問題的解。此外，考慮到實踐中變化的通信環(huán)境，該研究分析了轉移價格不確定性對服務商總成本的影響，并表明保持通信代價期望不變時隨著不確定性的增加，期望總成本出人意料地降低?；跇藴蔍EEE測試用例的仿真表明，服務商的成本已大大降低，并且服務商和電力系統(tǒng)有可能實現(xiàn)雙贏。課題組提出的price maker模型使得電網(wǎng)中電價差異更小，說明資源配置（數(shù)據(jù)中心資源及電力資源）更合理。

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

配電網(wǎng)中的相位不平衡會帶來功率損耗、電能質量惡化等問題。在此研究中，課題組通過設計合理的激勵策略，鼓勵電動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：電動汽車充電充本；右：電網(wǎng)相位不平衡

課題組考慮電動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酬，將其建模成一個非合作博弈問題，然后證明了納什均衡的存在性，并提出了一個分布式算法求解可能的均衡點。仿真結果表明，合理的激勵策略既可以降低電動汽車充電成本，也可以減小配電網(wǎng)的相位不平衡，實現(xiàn)用戶與配電網(wǎng)的雙贏。

第四項成果研究了低通信開銷的分布式學習問題，該成果發(fā)表在機器學習領域頂級學術會議The 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)上。論文主要由南科大、浙江大學、倫斯勒理工學院和明尼蘇達大學共同完成。

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.比特數(shù)

目前，訓練機器學習模型依賴于海量的數(shù)據(jù)，當以集中方式訓練時，會帶來很大的計算成本。因此，現(xiàn)在普遍的共識是，未來的機器學習應該以分布式方式實施。通常，分布式學習是以server-worker模式中進行的，其中server利用從workers收集的信息更新學習參數(shù)，然后將這些參數(shù)廣播給workers。 但是，隨著worker數(shù)量的增加，通信開銷也會大幅增加。此研究使用信息壓縮以及自適應通信來減小分布式機器學習的通信量，并從理論上證明了提出的算法能夠快速收斂。實驗結果驗證了課題組提出的方法（LAQ）能比已有算法更有效地減小訓練過程中傳輸?shù)谋忍財?shù)。

楊再躍教授主要致力研究大規(guī)模網(wǎng)絡化系統(tǒng)的協(xié)同優(yōu)化與控制，主要應用領域包括電力系統(tǒng)、交通系統(tǒng)、傳感網(wǎng)等。目前主持承擔國家級科研項目3項、省部級科研項目2項、深圳市科研項目1項、企業(yè)合作項目2項。發(fā)表期刊會議論文百余篇，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（谷歌學術）。

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哪個好