受疫情影響，人工智能頂級學術會議 NeurIPS 2020 將通過線上的形式進行。隨著會議召開時間臨近，該會議承辦的競賽也陸續(xù)揭曉結果。今年新增的電網調度競賽（Learning To Run a Power Network Challenge）共包含兩個賽道：魯棒能力賽道和泛化能力賽道，經過三個月的激烈比拼，最終來自百度的 PARL 團隊拿下全部兩個賽道的冠軍。同時，這也是該團隊在 NeurIPS 上拿下的第三個強化學習賽事冠軍，實現三連冠的里程碑。
NeurIPS 2020 電網調度大賽主要是由 RTE（法國電網公司）、EPRI（美國電力研究協(xié)會）和 TenneT（德國 - 荷蘭電網公司）等能源企業(yè)聯合 INRIA（法國國家信息與自動化研究所）、谷歌研究、UCL 和卡塞爾大學等人工智能研究機構共同舉辦。賽事共吸引了來自全球的上百支隊伍，參賽選手中有來自各個地區(qū)的人工智能研究機構，還有來自清華大學、國家電網北美研究院等機構的電網領域專家。本次賽事的舉辦主旨是探索強化學習在能源調度領域的應用，希望結合強化學習技術實現電網傳輸的自動化控制，保障整個電網系統(tǒng)在各種突發(fā)狀況下都能穩(wěn)定運行。
PARL 開源倉庫地址：https://github.com/PaddlePaddle/PARL
競賽任務
電能是現代化的重要標志之一，與我們每個人的日常生活息息相關。電網在不同地區(qū)，國家甚至大洲之間輸送電力，是配電的中堅力量，通過向工業(yè)和消費者提供可靠的電力來發(fā)揮重要的經濟和社會作用。但由于受突發(fā)狀況、自然災害和人為災害等不確定性事件的影響，電網系統(tǒng)需要大量的監(jiān)控人員和電網專家，結合領域知識和歷史經驗，針對不同突發(fā)場景進行干預和維護。根據主辦方發(fā)布的競賽白皮書，電網系統(tǒng)平均每運行一小時便需要實施人工干預操作，不然可能導致局部甚至整個城市的停電。電網調度競賽的目的便是探索 AI 在復雜的電網調度場景上的智能決策能力。
電網事故示例和電網控制室。
本次電網調度競賽的總體任務目標是維持整個電網仿真系統(tǒng)的供需平衡，并應對各種突發(fā)事件。在電網仿真環(huán)境運行的每一個時刻，參賽選手需要根據觀測到的電網狀態(tài)（供電 / 用電數據、電網拓撲結構和電線負載等信息），選擇合適的動作（包括變電站拓撲修改和發(fā)電廠發(fā)電功率修改等）來保持電網的穩(wěn)定運行。NeurIPS 2020 舉辦的電網調度賽事相比前兩屆的電網調度賽事具有更大的挑戰(zhàn)難度，不僅電網規(guī)模更大，動作空間也更復雜，而且根據電網的真實場景，分別設置了更具有現實意義的魯棒性（Robustness）和適應性（Adaptability）兩個挑戰(zhàn)賽道。兩個賽道的設置分別如下：
Track 1（賽道一）：采用中型電網（相當于三分之一的美國中西部電網），離散動作空間數量有 6 萬多個。該賽道中，每天電網的不同線路會因隨機的攻擊而斷開，以此模擬現實生活中電網系統(tǒng)受到不可預期的事故（例如被閃電擊中），對決策系統(tǒng)在各種突發(fā)事件下的魯棒性而言，是個很大的挑戰(zhàn)。
Track 2（賽道二）：采用大型電網（相當于整個美國中西部電網），離散動作空間數量高達 7 萬多個。該賽道中，發(fā)電廠的可再生能源比例是動態(tài)變化的（比如風能在夏季發(fā)電效率高，冬季則下降），為了保持整個電網的供需平衡，這個賽道對決策系統(tǒng)在不同能源比例下的自動適應能力有很高的要求。
電網調度系列賽事。
競賽結果
從官方榜單中可以看到，百度 PARL 團隊拿下了兩個賽道的冠軍，在比賽階段的公榜以及評估階段的私榜上都名列第一，體現了強大的技術能力，以及針對實際場景的技術實用性。
百度 PARL 拿下電網調度大賽雙料冠軍。
冠軍方案：融合專家知識的大規(guī)模進化神經網絡
在參賽過程中，百度 PARL 團隊注意到專家系統(tǒng)方案以及純強化學習方案很難解決這次的挑戰(zhàn)。傳統(tǒng)的專家系統(tǒng)解決方案主要是利用專家先驗知識進行候選動作的篩選，然后根據電網系統(tǒng)的預仿真（simulate）功能來評估不同動作給電網系統(tǒng)帶來的影響，這種方案需要有一定的專家經驗，并且存在搜索耗時長和無法考慮長遠收益等缺點。純強化學習方案雖然可以考慮長遠收益，但在大規(guī)模電網調度場景中，動作空間復雜，電網系統(tǒng)運行過程中不確定性大，這個方案存在探索難度大和價值函數訓練方差大等問題，很難在數萬個候選動作中直接選擇一個最優(yōu)動作。
百度 PARL 團隊提出了一種融合專家系統(tǒng)和強化學習兩者優(yōu)點的解決方案：融合專家知識的大規(guī)模進化神經網絡，該方案首先采用模仿學習（Imitation learning）來學習專家知識，得到一個用神經網絡表示的策略之后，通過進化算法迭代這個策略。需要注意的是，一般強化學習算法是每次采樣一個動作然后根據反饋（reward）進行更新，在該方案的進化算法中，每次會采樣多個動作（動作組合）進行優(yōu)化。當選出動作組合之后，后續(xù)的策略依然可以拼接多種專家經驗，選出更優(yōu)的動作。得益于進化算法的黑盒優(yōu)化特點，整個策略可以直接把電網平穩(wěn)運行時長作為反饋來更新策略。這個解決方案不僅可以克服強化學習選擇單一動作風險高的問題，還可以考慮電網系統(tǒng)的長期獎勵，有利于尋找維持電網系統(tǒng)穩(wěn)定運行的最優(yōu)解。
大規(guī)模進化算法圖示。
在大規(guī)模進化訓練過程中，百度利用 PARL 高性能并行框架同時在上千 CPU 上對近 500 萬參數的較大規(guī)模神經網絡進行進化學習。在此過程中，需要先對網絡參數進行不同的高斯噪聲擾動，然后將擾動后網絡作為專家系統(tǒng)新的動作打分模型，分別和電網系統(tǒng)進行交互，并計算噪聲擾動后網絡相比原始網絡在電網系統(tǒng)中的平穩(wěn)運行時長增益，作為該采樣噪聲的獎勵；最后，整合不同噪聲方向的獎勵來決定下一輪網絡參數的進化方向。據悉，一個這樣的電網調度打分模型需要進行 60 萬個 episode 迭代， 合計總的電網模擬時長一萬多年，包含 10 億多步探索。而這些僅僅需要 10 個小時左右的時間就能完成。
奪冠背后：飛槳強化學習框架 PARL 加持
PARL 是基于百度飛槳深度學習平臺（PaddlePaddle）自主研發(fā)的強化學習框架，匯聚了百度多年來在強化學習領域的技術深耕和產品應用經驗。PARL 采用模塊式的編碼設計，已復現的算法覆蓋了包括 Multi-gent、Model-based、Evolution Strategy 和 Distributed RL 等不同方向的主流強化學習算法。除了強可擴展性和高質量算法復現，PARL 框架更提供了高性能且便捷靈活的并行支持能力。開發(fā)者只需要通過數行代碼和命令就能搭建起集群，并行調度資源，低成本地實現數百倍的性能加速。正是基于這樣的能力，PARL 團隊連續(xù)拿下了 NeurIPS 2018/2019 仿生人 Learning To Run 挑戰(zhàn)和 NeurIPS 2020 L2RPN 挑戰(zhàn)三連冠。
PARL 框架概覽。
據悉，PARL 框架已經應用在信息流推薦、智能打車、智能機器人等多個行業(yè)領域，也將致力于把強化學習運用在能源調度、供應鏈和交通等更多場景，將強化學習獨有的決策能力賦予到各行各業(yè)。
開源鏈接：https://github.com/PaddlePaddle/PARL
競賽地址：https://l2rpn.chalearn.org/competitions