能源-信息-实体系统简介

能源-信息-实体系统简介

Energy cyber physical systems

随着科技的高速发展，“人工智能”（简称AI）已渗透在我们生活的各个角落：从“深度学习”几近开挂的图像识别精度[1]到“阿法狗” 问鼎象征人类最高智慧的围棋[2]，再到手机上的语音识别、高精度医疗、机器人工厂，仿佛我们已经进入了一个“大数据（big data）+ 机器学习（machine learning）= 解决方案”的时代。人们不禁要问，AI的高速发展能否对解决当今人类面临的世纪难题（如能源危机、环境污染、全球变暖）有所启示？

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）？

本次专稿受邀向大家介绍一个将AI大数据用到能源系统的前沿科技：能源-信息-实体系统（简称e-CPS）。简单讲，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。本次专稿分两部分陆续分享。在第一部分，为了更好的了解e-CPS，乃至成为茶余饭后的谈资，我们将从衣食住行的“住”这个大家熟知的例子入手，以点带面的介绍现在研究的前沿。在第二部分，我们将基于此从而引申出这个领域的重大机遇与挑战。

Part

1

能源-信息-实体系统的简介

会思考、懂节约的贴心建筑

据现存最早的以建筑为主题的文字作品《建筑十书》（De architectura）记载，一个好的建筑应该具备 “强” （durability） 、“用”(utility)、 “美”(beauty) 三项要素。为了适应当代社会的发展，我们可以再加一个“续”（sustainability），即在能源与环境上的可持续性存在。如果说“强” 和“美”在楼宇建成时就已基本定型，那么“用” 和 “续”则是在建筑生命过程中慢慢体现。

图片：室内环境舒适度之父Ole Fanger 曾说：“We should design indoor environments that are better than the best environment found in nature.”（“我们应当将室内环境设计成自然界最舒适的环境”）

现在的建筑有什么问题？简单讲就是有点“木”。比如我坐在这儿办公感觉空调开得太冷整个人都哆嗦了，它没反应； 公司来了重要客户，可节骨眼上电梯迟迟不到，走廊灯光昏暗，会议到一半渴了还得硬着头皮继续，不顺我心；反倒是下班了大家都回了，这儿灯火通明一整夜，电费蹭蹭涨！很明显，这样的建筑“用”的不舒心，“续”的不放心！

一个贴心的建筑应当如何？它要知道现在发生什么（即“情景意识”contextualawareness） ，并将如何做出最有效的响应（即“智能控制”intelligent control） ，以节约为纲，以人为本！所以，当我感觉冷的时候，它应即刻调高温度让我可以专心工作；重要场合，它应配合灯光、空调、电梯、音响、 门窗做全方位无死角调控，会议中再派个机器人端茶送水看看有啥需要立马满足；当发现办公室没人了，关灯关空调，同时确保门窗锁好防火防盗。我们甚至可以赋予建筑物“贴身警卫”的功能，一旦接近和进入，立刻安全！不仅能防火防盗，还能监控各种犯罪（如挟持），一旦发现，立刻报警或派出机器警察制止，让人们遇到危险就找建筑，需要帮助找建筑！建筑物无处不在，让社会更安全，省去警察巡逻的辛苦，住在这样的建筑里，保证幸福感爆棚！

怎样才能做到这点？这就要用到e-CPS的科技了。下面我重点从三方面介绍一下：

1、传感科技（sensor technology）：

顾名思义，这就是建筑用来感受室内环境的方式。就像人一样，建筑可以通过听（声音传感[3]）、看（如图像、光强）、闻（气味传感，如通过室内二氧化碳浓度判断有多少人在[4]）、触（如加速度陀螺仪）、感（如温度、湿度）、测（如用电量、用水量）多维度的对环境有所感知。

便捷式即插即用的建筑传感手提箱（Building-in-Briefcase）[5]

2、学习能力（learning）:

一个善于学习的建筑，可以更好的了解用户的行为模式和需求。学习也分为不同种类：第一种是模式识别（pattern recognition），比如总结一天内人流的分布从而更好地利用室内资源，或分析用电模式以便提出节能方案[6,7]；这种学习往往通过对历史数据的分析得出统计意义上的结论。第二类学习，需要深入理解数据间的内在联系，进而做出归纳（classification）回归（regression），即已初步获得了AI预测和诊断的能力 ；比如从传感数据诊断空调是否出了故障[8]，从用户的手机信号进行精准的室内定位[9]，或通过用电量推测人是否在家[10,11]。第三种的学习，也是最难的，不是对物理量的研究，而是直接洞悉用户的内心渴望（比如是否舒适[12]、工作效率、今日心情）；这种学习往往基于对行为的观察，抽象出用户的心理；比如通过逆向增强学习(inverse reinforcement learning)得到用户的行为偏好 [13]，或通过社交博弈游戏(social game)增加人与人、人与建筑的乐趣互动，同时减少建筑用能 [14]。

给建筑赋予能思考的大脑（Brain of Building）

3、自动控制（control）：

一个贴心的建筑不仅懂你，更会落实在行动，真正为你做出改变！建筑的自动化控制，从门禁控制、安防系统到给水供电、暖通照明，涉及到大大小小数以千计的控制器。控制种类也分为分布式（distributed control）和集中式（centralized control）以及多级控制（hierarchical control）。举个例子，一台冰箱可以很“任性”的自控（即分布式控制），但也可以连网后服从中央指令避开高峰用电（即集中式控制），甚至可以灵活求变既响应号召又根据实情有所调整（即多级控制）。这其中需要权衡经济性、可靠性、舒适性、安全性多种因素（multi-objective optimization）[15,16]，而控制的方法则可以是基本的线性控制，模型预测控制（model-predictive control）到增强学习（reinforcement learning，也是“阿法狗”的制胜法宝）。

一栋智能建筑可以有6000多个传感器和控制器，例如加州大学伯克利分校（UC Berkeley）的Sutardja Dai Hall大楼

能源-信息-物联网的具体定义

有了实际生活中的例子，我们现在了解一下究竟什么是信息-实体系统（cyber physical system，简称CPS）。这里援引美国国家科学基金会 (NSF) 的定义：“Cyber-physical systems (CPS) are engineered systems that are built from, and depend upon, the seamless integration of computation and physical components.”[16]（CPS指将计算能力与实体有机结合的工程系统。）简单讲，一个系统要想成为CPS只有身体（physical）还不够，还得配合一个强大可计算的大脑（cyber）。由此延伸，能源-信息-物联网（e-CPS）指的就是与能源紧密相关的CPS系统。除了我们刚才提到的智能楼宇，e-CPS还包括智能电网、智能工厂、智能交通、智慧城市，而这些都与我们的生活密不可分。

如何利用信息和数据实现能源系统的智能化，从而达到高效 、安全、可持续性 、乃至人性化 ，便是e-CPS亟待解决的重大课题，也是高速发展的人工智能、机器学习、优化和控制理论所能通过e-CPS带给人类社会的贡献 。

e-CPS 通过能源、信息、实体的有机结合服务于人

近期发布第二部分：能源-信息-实体系统的重大机遇与挑战。敬请期待。

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

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] LeCun, et al. "Deep learning." Nature 521.7553 (2015): 436.

[2] Silver, et al. "Mastering the game of Go with deep neural networks and tree search." Nature 529.7587 (2016): 484-489.

[3] Khalil, et al. "Nonintrusive ultrasonic-based occupant identification for energy efficient smart building applications." Applied Energy (2018).

[4] Jin, et al. "Occupancy Detection via Environmental Sensing," IEEE Transactions on Automation Science and Engineering, vol. 15, no. 2, pp. 443-455, 2018. (Best paper award at UBICOMM 2015, France)

[5] https://engineering.berkeley.edu/2017/10/brains-buildings-packaged-smart-briefcase

[6] Costa, et al. "Building operation and energy performance: Monitoring, analysis and optimisation toolkit." Applied Energy 101 (2013): 310-316.

[7] Hong, et al. "Commercial building energy saver: an energy retrofit analysis toolkit." Applied Energy 159 (2015): 298-309.

[8] Du, et al. "Fault diagnosis for temperature, flow rate and pressure sensors in VAV systems using wavelet neural network." Applied energy 86.9 (2009): 1624-1631.

[9] Zou, et al. "WinIPS: WiFi-Based Non-Intrusive Indoor Positioning System with Online Radio Map Construction and Adaptation." IEEE Transactions on Wireless Communications 16.12 (2017): 8118-8130.

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

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

[12] Yang, et al. "Thermal comfort and building energy consumption implications–a review." Applied Energy 115 (2014): 164-173.

[13] Jin, et al., “Inverse Reinforcement Learning via Deep Gaussian Process.” In Conference on Uncertainty in Artificial Intelligence, Sydney, Australia, 2017.

[14] Ratliff, et al. "Social game for building energy efficiency: Incentive design." Annual IEEE Allerton Conference on Communication, Control, and Computing, pp. 1011-1018, 2014

[15] Lu, et al. "Design optimization and optimal control of grid-connected and standalone nearly/net zero energy buildings." Applied Energy 155 (2015): 463-477.

[16] https://www.nsf.gov/funding/pgm_summ.jsp?pims_id=503286

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