新闻动态

AIRS 副院长、香港中文大学（深圳）协理副校长、校长讲座教授黄建伟教授受邀在第二十四届高交会的重磅环节中国高新技术论坛作题为“人工智能助力双碳战略”的报告，分享团队通过人工智能推动双碳战略的工作成果。

本文为黄建伟教授的报告内容整理，相关内容已被收录至“2022中国高新技术论坛演讲汇编”。（完整汇编可查看：https://www.chtf.com/luntanjihuodong/zhaongguogaoxinjishuluntan/luntandongtai/202212/P020221212335257433169.pdf）

今天我跟大家分享一下我们深圳市人工智能与机器人研究院的团队在过去几年做的关于通过人工智能推动双碳战略的一些工作和挑战。

我们国家确定了2030年碳达峰，2060年碳中和的目标。这给我们国家的产业发展带来了巨大的挑战，甚至可以说是颠覆性的挑战。有一些行业碳排放非常高，比如说能源行业碳排在2019年占我国排碳量的47%，交通达到9%，如果专注于这几个排放量比较大的行业把碳排放降下来，能够有效帮国家实现双碳的战略，这也是我们团队所关注的重点。

我们从几个方面关注如何使用人工智能的技术降低碳排放。首先要有人工智能技术的基础性突破，再到具体的应用，我们通过三个角度实现这个目标：一是通过人工智能来助力构建碳交易生态，二是通过人工智能构建全新的能源产业，三是通过人工智能帮助交通行业实现碳排放的减少。

基础理论的突破是大学、研究院对社会的基础责任。基础的理论有非常多的模块，包括群体智能、机器学习、强化学习、联邦学习、隐私保护等，这一系列的发展和推进才能够有效帮助我们在行业里面实现减碳。在技术理论突破的基础上我们要发展一系列的关键技术，比如说碳交易方面，我们研究如何通过人工智能的方法有效测量碳排放，有效推动碳交易；在能源、电网方面研究如何通过人工智能方法优化源网荷储之间的关系，降低排放，有效使用新的能源；在交通方面研究如何通过人工智能的方法推动无人驾驶技术的发展，比如说引导更好的车网协同，降低我们在交通网络里面的堵塞，从而降低碳排放。我们希望技术不仅转化为论文等学术成果，更希望能够推向市场，实际应用。通过搭建原型系统，我们可以把技术很好地展现出来；通过与市场对接，我们能够与来自深圳、大湾区、乃至全国的龙头企业进行合作，不断推动前沿技术的落地应用。

我们的工作做了几年，有很多很有意思的结果，但由于时间关系，我将简单介绍一下我们的代表性成果。分享重点成果之前我先给大家讲讲每个板块研究的思路，让大家有一个比较全局的了解。比如说人工智能的技术，人工智能有很多的技术可以做很多的事情，在助力双碳的研究方向上，我们主要是看人工智能如何帮我们构建大规模、低碳的分布式系统。家家户户都在用能源，能源网络有非常多的用户，而且很多用户家里面装了太阳能板，从以前的中央控制转变为每家每户不仅用能源而且可能发电，这已经是一个大规模分布式的系统。所以我们在人工智能基础的理论方面，重点研究如何对大规模的低碳分布式系统进行智能的决策。

谈到智能的决策就不可避免地谈到数据，因为数据是很多人工智能算法的重要输入。输入数据、采集数据、融合数据、处理数据，到最后数据产生价值，这是核心的理念。根据人工智能算法获取数据或者处理数据的不同，我们可以分为三个主线：当数据可以自由流动的时候，如何去有效收集数据进行智能的决策，与此同时保护用户的隐私；数据可以流通，但是要有偿流通的时候，如何进行有效的数据交易或者如何交易数据产生的机器学习模型，最大化数据的价值；有一些场景数据不流通，比如说隐私的关系、政策法规的关系，这时候我们要研究用什么样的人工智能算法能够在数据不流通的情况下构建有效的机器学习模型服务社会，比如说联邦学习、少样本学习、知识蒸馏。

在数据交易方面，我们有一个去年获得最佳论文奖的工作。在很多时候数据是具有实时性的，比如说在交通领域，根据交通的拥塞情况如何优化全局的交通网络？在这里数据是有新鲜度的，假如我告诉你一分钟前的交通情况，那么这个数据很有价值，但如果告诉你两小时前的交通情况，这个价值就比较低，针对不同用户对不同新鲜度的要求，以及它的价值判断，我们提出一整套的数据流通、数据交易的算法。

用户有的时候不关心数据是什么，他关心从数据中挖掘什么规律使用，这就带来模型交易的想法。比如说有时数据并不能直接交易，但是在数据上能够构建人工智能机器学习的模型，可以把模型卖出。我们提出一个以联邦学习为基础，可以一起构建新型的机器学习模型，通过模型交易的方法把模型卖给对这个模型的能力感兴趣的用户，根据不同用户对于模型能力的不同需求，我们也可以让数据拥有者提供不同的数据，构造不同的模型，承担不同的成本，同时对这个模型进行定价。

数据完全不能流通的时候，我们要关注真正的人工智能算法本身，比如说联邦学习，它是什么样的算法？假如说有很多的数据拥有者每个人有本地的数据，在一定的法规、政策、隐私的情况下数据完全不能够流出个体，我如何鼓励大家通过分布式的机器学习在每个个体上进行本地的学习，通过一个方法把这些学习的结果、分布式的模型综合起来，最后通过不断的迭代生成一个全局的机器学习模型，它类似于把所有的数据收到云端进行训练的结果，但是在这个过程中最大限度地保护了用户的隐私。联邦学习有非常多的问题，比如面对的用户非常不一样，他们的数据千差万别，用户的网络不一样，有的数据能够非常快传输，有的联邦学习的计算非常快进行，如何进行有效的网络资源优化，网络资源的调度，使得整个联邦学习的效果最好，在最短的时间达到最好的效果。

我举了三个例子，简单介绍了在基础理论方面特别是人工智能的算法、数据的交易、模型的交易方面我们做了哪些工作。下面我们讨论更具体的应用，比如说我们如何用人工智能的算法助力碳交易生态的构建。分为四个部分：一是假如说我们要去交易碳，首先要有准确的计量，我们知道哪个企业排了多少碳。二是当我们知道这个碳计量准确以后要去研究碳市场如何运作的，中国已经有了碳交易市场，但还很不活跃，其中有一些政策因素的原因，国家也在逐步推进。当在碳交易市场完全活跃之前，我们能不能预测当足够的市场个体放到碳市场里面，它的价格可能是怎么样的？能不能与国外的碳交易市场进行连通？三是绿证，什么叫绿证？就是在很多的碳市场里面，特别是与电有关的市场里面，我们希望更多的可再生能源取代传统的能源，比如说风能、太阳能，每产生一个绿色能源就会产生一个绿色证书，通过绿证的交易可以有效地把可再生能源的生产与遥远地方的能源使用连通起来，更好地鼓励新疆等有大量风力资源的地方产生更多的新能源。四是电力大数据，有的时候我们了解碳排放并不能通过很直接的方法了解，我们可以通过其他类型的数据结合在一起进行更加准确的碳计量，比如说交通的数据、人口的数据等等。

接下来我介绍一下最近我们几个工作，这是我们最新的工作，全球首次提出基于碳卫星和人工智能结合的多模态区域的碳计量方法，已经获得了光明日报、中国新闻网、深圳卫视等媒体的广泛报道，这是全球首次能够把人工智能和碳卫星的数据结合起来做到碳计量的技术。

第二，在国际上我们也首次提出了城市尺度的近实时碳排放估计框架，以前有一些工作能够对城市进行一些碳排放的估计，但是它的时间周期非常长，有的是以年为单位，有的是以月为单位，这是世界上首次提出以日为单位，对中国48 个主要高排放的城市进行城市级别的排放数据集，可以为做低碳研究的学者提供很好的依据。

第三，上半年我们首次发布了中国100 家海外上市公司碳排名分析报告。我们对于中国在纳斯达克、香港、纽交所上市的公司，根据多维度的数据，如碳排放量、减排速度、未来减排的披露对它进行排名，发现一个很有趣的结论，通常在减排政策方面、减排行为方面做得比较好的企业，它的市场表现也比较好。这个理论也并不令人惊讶，运营比较好的企业才有可能花时间去研究他的社会责任，这也就是现在金融里面讲绿色金融、可持续金融，为什么投资者追捧更加有社会责任的企业的原因，很多时候跟它的市场表现是相关的。这方面获得央视网等很多媒体的报道。这是关于如何用人工智能的方法帮助监测、帮助实现碳有效的计量、有效的交易。

接下来谈谈如何通过智能的方法帮助电网、能源网络、能源产业进行变革？我们可以把在能源产业方面的工作总结为通过智能低碳的方法助力能源系统的源网荷储的协同。我们也在探索很多的方向，如对电网本身进行优化调度和对于电力用户侧建模，这是过去几年中慢慢出现的，因为往常中国的电网主要是集中式的，用户没有太多的选择，现在由于电网逐渐趋向于分布式，用户变得更加复杂，不仅可以用电还可以发电，比如说家里有太阳能板可以发电，还有电动车，它也是很大的储能设备。通过用户侧的建模，更精细了解用户的行为，对整个电网的优化起到至关重要的作用。还有充电的调度和规划，特别是电动车的充电和调度规划，电动车是在能源产业和交通产业之间的一座桥梁，电动车在哪里充电，直接影响到交通的状态，直接影响到能源网络的运行状态。最后是低碳能源管理系统，作为一个大型企业的运营者，一定希望有一套系统帮你很好地管理和可视化整个能源的使用情况，帮助优化能源，达到特定的目标，比如说最小化能源费用，最小化碳排放，不同的目标可能对应不同的优化算法。

我再举几个例子，讲讲我们的典型成果：第一个成果是对电力用户侧的建模。了解用户的行为非常重要，但是了解用户的行为非常困难。用户的行为并不直接体现在电网里面，你可能能够对他的电表做出一定的了解，但是如何对他进行更加深入的了解，了解他每分钟、每秒钟有什么样的负荷和行为？针对这种情况我们团队提出一系列的非侵入式负荷识别、超分辨率感知的算法，做更精准的服务和优化。

第二个是我们今年在ACM的顶尖会议e-Energy上获得最佳论文奖的一个成果，这篇文章介绍如何通过可再生能源的租赁市场来解决长期困扰实时能源市场的问题。这个问题为什么重要？因为在电网的低碳化过程中，我们需要引入大量的新能源，比如说太阳能、风能，但是这些新能源的核心特点是动态变化非常快，比如说外面的天气一变，太阳能、风能的产生就会有巨大变化，放到能源市场当中就会导致它的价格波动非常厉害，但是通过租赁市场，我们不去看能源的实时产生，我们看太阳能板，从长期的角度去怎么租赁它，怎么对租赁进行定价，使得整个能源市场更加稳定。

第三，如何构建城市级别的电动车充电桩体系，深圳有非常多的电动车，路上可能有四分之一到三分之一的车都是新能源车，但是中国很多城市电动车的发展才刚刚开始，比如说我们这个项目所在的海口，它作为大型的城市，电动车刚刚发展起来，想布充电桩应该怎么布，根据人口数据还是根据人的出行数据还是综合考虑来布充电站？假如布了充电站，会改变购买电动车的人数，对下一步布充电站有什么影响，这是我们在做的工作。

第四，我简单讲一下智能低碳如何助力交通系统。两方面：一是我们通过一系列的理论和实践搭建低碳交通的控制平台，包括更好的车联网，车和路能够更好的协同、交流、引导，还有多路口分布式控制的交通灯，多路口协同起来就可以保证一辆车一路都是绿灯，包括新提出的交通互联网控制架构，我们可以把交通网看成一个互联网，互联网下面有最底层路由器，上面一层一层搭建起来，现在的交通网越来越智能化。另一方面是低碳网联的自动驾驶系统，这样能够帮助自动驾驶系统做得更安全、更高效，就有更多的车使用自动驾驶系统，自动驾驶能够更加精准的判断路上的信息，降低路上的拥塞，减少整个交通网络的碳排放。

这里我讲两个原型系统：一是我们研究院和中国移动华为公司共同建设的基于5G和边缘计算的网联自动驾驶测试平台。我们在香港中文大学（深圳）校园搭建2.5万平方米的校园测试区域，包含五台智能网联车辆、6台智能路侧设备，还有摄像头、通讯设备等，通过动态调整交通灯，帮助车辆提前规划等多种方法，有效降低车在路上等待的时间，从而降低碳排放。

第二，车联网的高精度地图。什么是高精度地图？我们打开高德、百度都可以看到地图，但是精度比较低，可能以米为单位的，但是自动驾驶需要有更准确、更高精度的厘米级地图才能保证精确驾驶，不会撞到路边上，而且需要一个动态的地图，需要知道什么地方拥堵、修路，这个动态信息变化是很快，这时候你需要有多个源头来共同帮助你去构建这个数据，比如说车上的激光雷达、摄像头，路侧的摄像头等多个模态的数据进行有效的融合，才能够帮助我们构建高精度、高实时度的地图，这个地图准实时的传送到自动驾驶的汽车上，帮助汽车更好地规划它的路径，降低在路上的时间。

总结一下，我们研究院的团队在前期的一系列工作主要是探索如何利用人工智能技术如群体智能、机器学习、隐私保护等，来赋能低碳产业，助力国家双碳战略落地进程，主要聚焦三个领域，分别是碳交易、能源以及交通。

我们的团队凝聚了20多位资深和年轻的学者，共同攻克人工智能助力双碳战略的战略性难题。谢谢大家。