低碳自动化码头AGV物流调度和有序充电的联合经济优化
Joint Economic Optimization of AGV Logistics Scheduling and Orderly Charging in a Low-Carbon Automated Terminal
通讯作者: 刘 洪,教授,博士生导师,电话(Tel.):022-27403315;E-mail:liuhong@tju.edu.cn.
责任编辑: 王历历
收稿日期: 2023-01-28 修回日期: 2023-05-4 接受日期: 2023-05-19
基金资助: |
|
Received: 2023-01-28 Revised: 2023-05-4 Accepted: 2023-05-19
作者简介 About authors
王轩(1973—),正高级工程师,从事港口设备管理、工程建设等.
针对现有自动化码头自动导航集卡(AGV)充电策略未能与分布式电源出力充分协同等问题,提出一种自动化码头AGV物流调度和有序充电联合经济优化方法.首先,解析AGV物流调度和充电调度之间的协同关系,构建联合优化框架;其次,针对AGV物流调度模块,提出考虑码头内外集卡道路隔离要求的AGV行驶距离计算方法;再次,针对AGV充电模块,定义AGV充电状态的判断条件和选桩方法;进而以码头购电费用最小为目标,考虑分时电价、风光上网电价、电量平衡约束、终止时刻的剩余电量约束、决策变量的上下限约束、物流调度约束,构建物流调度和有序充电联合优化模型,提出基于改进粒子群优化算法的快速求解方法;最后,通过某码头的实际案例,验证所提方法的有效性和经济性.
关键词:
To improve the current automated guided vehicle (AGV) charging strategy at automated terminals, which is not fully coordinated with the distributed power supply, a joint optimization method of AGV logistics scheduling and orderly charging is proposed. First, the synergetic relationship between AGV logistics scheduling and charging scheduling is analyzed, and a joint optimization framework is built. Then, a method to calculate the distance traveled by AGVs while considering the segregation requirements of trucks inside and outside the terminal is proposed. Afterwards, for the AGV charging module, the judgment conditions of AGV charging status and the pile selection method are defined. Furthermore, to minimize the cost of purchasing electricity at the terminal, a joint optimization model of logistics scheduling and orderly charging is constructed by considering time-of-use tariff, distributed power feed-in tariff, power balance constraint, state of charge constraint at the termination moment, upper and lower bound constraints of decision variables, and logistics scheduling constraint. Finally, a fast solution method based on improved particle swarm optimization algorithm is proposed, of which the effectiveness and economic efficiency are verified by an actual case of a terminal.
Keywords:
本文引用格式
王轩, 汪宝, 陈艳萍, 刘洪, 马晓慧.
WANG Xuan, WANG Bao, CHEN Yanping, LIU Hong, MA Xiaohui.
交通领域能源转型对“双碳”目标的实现具有重要支撑作用.到2035年,交通运输终端电气化比例将提升至22%以上[1].其中,港口作为陆运和海运的重要枢纽,承载着全球约85%[2]的物流任务.2018年,世界海事组织提出到2050年国际航运CO2排放量要比2008年减少50%[3].因此,“构建清洁低碳的港口用能体系”[4]是当前交通-能源深度融合[5]的重要任务.2021年交通运输部印发的《绿色交通“十四五”发展规划》指出国际集装箱枢纽海港新能源清洁能源集卡占比达到60%[6].采取分布式能源供电、运输集卡“油改电”和智能调度自动化[7]等举措可实现集装箱港口降碳减排[8].因此,建设全电力驱动、智能化控制和运行的自动化码头[9]已成为能源交通深度互联的研究热点.
自动化码头的生产作业包括靠泊分配、岸桥分配、集卡调度、堆场分配等过程[10].与传统码头相比,自动化码头将依靠燃油的装卸设备均替代为电力驱动的自动化设备[9],其中无人驾驶的自动导航集卡(Automated Guided Vehicle,AGV)往返于岸桥和堆场之间,是提供集装箱运输服务的重要载体,通常分为物流、充电、等待3种状态.因此,AGV在货物转运的同时还需合理安排充电计划,导致码头物流调度系统和充电调度系统相耦合.随着可再生能源在港口的应用越来越广泛,高比例分布式电源将为码头提供电能供应[3],如果不考虑物流和充电联合优化,则可能会出现大量清洁能源电量外送、对外购电费用高、对电网冲击影响大等问题,联合优化有利于实现分布式电源自发自用经济最优的目标,提高码头运营经济性.因此,实现AGV调度的联合优化已成为港口运输智能化建设的重要途径.
按照AGV电量充电方式的不同,现有AGV主要分为换电池充电[11-12]、浅充浅放循环充电[13]和机会充电[14⇓⇓⇓-18]3种类型,其中机会充电利用物流作业间隙充电.已有研究从物流调度优化[15]、充电过程优化[16]、任务紧急程度优化[17]、调用时间优化[18]等角度提出AGV调度策略以提升调度效率.然而,由于所涉模型的变量维数多且复杂离散,比如集装箱数量、物流作业时间、AGV位置、剩余电量(State of Charge, SOC)、行驶路径、充电电量、充电桩位置等,任一参数变化均可能会影响整体求解结果.因此,联合优化难点主要集中在以下3个方面.一是简化参数求解过程:如给定AGV运箱效率[15]、固定AGV行驶路程[16]、给定起始终止路径的耗电量[17]、给定下次充电前的可行驶距离[18]需要已知各个时刻下的参数信息,影响模型的精度.二是未考虑充电桩桩数限制:通常AGV数量远高于充电桩数量,必然会存在排队充电状态.三是对于装有分布式电源的码头而言,鲜有研究对AGV联合优化和就地消纳之间展开深入分析,缺乏对分布式电源码头的源荷互动效果的评估,因此有必要对联合优化策略的实际效果进行验证.
针对以上问题,同时考虑分布式电源出力、物流调度和有序充电的动态联系,提出低碳自动化码头AGV物流调度和有序充电联合经济优化方法.首先,解析物流调度和充电调度之间的关系,考虑分布式电源供电构建联合优化框架;其次,针对AGV物流调度模块,建立考虑港口内外集卡道路隔离要求的计算模型,形成AGV物流调度指派策略和多参数计算方法;再次,针对AGV有序充电模块,定义AGV开始与停止充电的判断条件,建立AGV选择充电桩的指派策略和多参数计算方法;进而,以港口购电费用最小为目标,以最小剩余电量和最大充电电量为决策变量,考虑分时电价、风光上网电价、电量平衡约束、终止时刻的SOC约束、物流调度约束,构建物流调度和有序充电联合优化模型,提出基于改进粒子群优化(Particle Swarm Optimization,PSO)算法的快速求解方法;最后,以天津港某码头为例,对不同充电策略对比、物流和充电调度结果、多岸桥并行作业、分布式电源就地消纳进行分析,验证所提方法的有效性和经济性.
1 AGV物流和充电联合优化框架
1.1 物流调度和充电调度的关系
(1) 物流调度的作业流程. 当船舶到港时,由调度系统指定船舶停靠泊位,并提前分配好相应的岸桥,指派满足电量要求的AGV到指定的岸桥位置等待.待岸桥将集装箱装卸至AGV后,由AGV自动行驶至堆场内指定位置,并等待轨道桥卸放集装箱至目的地,即完成本轮任务.然后,AGV保持就地不动,等待下轮指派.自动化码头布局示意图如图1所示.自动化码头可分为A、B、C三个区域,为保证AGV无人驾驶的安全性,需将其所行驶的道路与外部集卡道路隔离[19],且在堆场侧AGV只能由西向东单向行驶,在岸桥侧方可双向行驶.当AGV与外部集卡交汇在道路重合部分时,AGV启动自动识别和等待功能,待外部集卡通过后方可继续行驶,如图1中箭头所示.例如:当停在C区堆场侧的AGV到A区岸桥侧时,需先返回至C区岸桥侧后行驶至A区岸桥侧.因此在进行物流调度建模时需考虑行驶路径要求.
图1
(2) 充电调度的作业流程.由于AGV利用物流调度间隙进行充电,所以AGV需根据SOC大小判断充电起始和终止条件,在物流—充电—等待状态之间切换.当AGV电量低于最小剩余电量Emin时,将物流状态切换为等待充电状态,当充电桩充足时,指派AGV到充电桩切换为充电状态;当AGV电量达到最大充电电量Emax时切换为等待物流状态,可接受下一轮的指派,继续切换回物流状态.由上述讨论可知,AGV充电调度介于物流调度作业之间,需要根据SOC大小进行实时决策,物流调度和充电调度之间相互影响,充电电量充足是物流调度的前提,而物流的电量消耗又决定了下一轮充电任务.
1.2 联合优化框架
采用分布式电源供电是当前低碳港口能源转型的主要途径,而由于分布式电源的上网电价与码头对外购电电价之间存在价差,所以实施分布式电源就地消纳时考虑电网峰谷价差,有利于达到分布式电源自发自用、余量上网的经济最优目标.为解决上述问题,需采取AGV有序充电措施,即对AGV充电行为加以引导,有效控制AGV充电时间和充电电量.
联合优化关键在于对AGV充电过程进行动态决策,其中SOC是联系物流调度和充电调度的关键变量.因此,选择Emin和Emax为决策变量,用来判断AGV何时开始充电以及充到多少后停止.当SOC低至Emin时AGV停止物流调度,执行充电;当SOC达到Emax时AGV停止充电,恢复物流调度.由此实现对全体AGV运行调度问题的解耦处理,并将物流调度和有序充电环节进行串联耦合.同时,考虑到各辆AGV之间的时空复杂影响,对所有AGV均采用统一决策变量以实现模型快速求解.
物流调度和有序充电联合优化框架如图2所示,在任一调度时段内,将各辆AGV的SOC与Emin相比,生成AGV可调度集和待充电集,从可调度集内选派AGV执行物流作业;从待充电集选派AGV执行充电,并将本时段充电后的SOC与Emax相比,作为是否停止充电的判断依据.各个调度时段依次递推,最后,以整日购电费用最小为目标,考虑电量平衡约束、终止时刻的SOC约束、决策变量上下限约束和物流调度约束求解.
图2
图2
物流调度和有序充电联合优化框架
Fig.2
Joint optimization framework of logistics scheduling and orderly charging
2 AGV物流调度模块
AGV物流调度模块分为模型假设、读取初始信息、就近指派AGV和更新实时参数4个部分.
2.1 模型假设
(1) 由于AGV仅能装载20英尺(1英尺=30.48 cm)和40英尺的标准集装箱[20],而不能装载高箱、散货箱等非标准集装箱,所以假设所有作业任务均为标准集装箱,AGV每次可装载2个20英尺或1个40英尺的集装箱.
(2) 各条船舶的靠泊位置、岸桥坐标、到港时间、离港时间、20和40英尺集装箱数量、岸桥与AGV配比、堆场内坐标已知.
(3) 各AGV的起始坐标、起始剩余电量、每千米耗电量、平均运输速度、AGV响应时间、各区左右两侧路径坐标已知,AGV行驶路线已知.
(4) 岸桥装卸时间、轨道式场桥装卸时间、岸桥与AGV配比已知.
(5) 各AGV运行行驶距离默认为直线,转弯行驶距离默认不计.
2.2 初始信息读取
读取港口当日物流作业任务,由于AGV在上一运输任务完成后原地等待,所以各AGV通常在码头区域内随机分布.按照就近原则,以码头平面为对象,以左下角为原点,建立二维坐标系.
读取各AGV的SOC,记为Ec(c=1, 2, …, n),n为AGV总车辆数,将Ec与最小剩余电量Emin进行比较,将AGV分为可调度集和待充电集,分别记为可调度状态Kable和不可调度状态Kwait,m为可调度集AGV的车辆数,n-m为待充电集车辆数.
2.3 AGV就近指派
计算各
式中:DPi, j为各区AGV到各岸桥起始点的距离,其中P为A、B、C三个区域,j=1, 2, …, nq,nq为并行作业岸桥总数;xPi、yPi分别为各区AGV的横、纵坐标;xPj、yPj为各岸桥起始点横、纵坐标;xP,right为AGV所在区的右侧边界横坐标;λij为AGV从第i个区域到第j个区域的关系变量,按照AGV行驶规则,从λP矩阵中提取,即
αij为岸桥和AGV距离右侧边界的变量,满足
将DPi,j由小至大排序,并按照每个岸桥的AGV配比数σ选出此时段响应物流调度的Kcall,当出现距离相同的情况时,将SOC作为次优先级.
2.4 参数实时更新
计算出各Kcall完成一轮装卸的行驶距离Dik,其等于从起始点到岸桥再到堆场的距离之和,关系为
式中:xPk、yPk分别为堆场终止点的横、纵坐标,Kcall从岸桥起始点出发后只能从左至右行驶至堆场内部;λjk为岸桥所在区域和堆场所在区域的变量,从λP矩阵中提取;xP,left为堆场所在区域的左侧边界横坐标;αjk为岸桥和堆场距离左侧边界的状态变量,满足
分别计算出Kcall行驶时间、剩余电量和剩余集装箱数量,
式中:c=1, 2…, σ;
3 AGV有序充电模块
AGV有序充电的起停判断条件由决策变量而定,当剩余电量小于最小剩余电量Emin时开始充电,当剩余电量大于最大充电电量Emax时停止充电.有序充电模块分为就近选择充电桩、计算充电参数和判断是否停止充电3个部分.
3.1 就近选择充电桩
假设各充电桩初始状态默认均为空闲,其对应的坐标、充电功率已知.依据2.2节生成的待充电集提取各Kwait坐标,读取充电桩状态,空闲状态方可使用,记为Pidle.按照2.3节中的行驶规则,遍历计算各Kwait到所有空闲充电桩的距离Dip,p为充电桩数,为避免多车选择同一个充电桩,当一座空闲充电桩被选中时,更改Pidle为占用状态Pon,避免选桩冲突.Dip表示为
式中:i=1, 2, …, n-m;xa-pile、ya-pile分别为各充电桩的横、纵坐标,a=1, 2, …, npile,npile为空闲充电桩数;λip为AGV所在区域和充电桩所在区域的变量,从λP矩阵中提取;αip为AGV和充电桩距离右侧边界的状态变量,满足
然后,比较待充电数和空闲充电桩数之间的关系,当n-m>npile时,代表充电桩不足,将Dip由小到大排序,优选出npile辆AGV进行充电,将未能充电的AGV安排至下一时段,反之将全部Kwait依次选桩充电.
3.2 计算充电参数
计算第t时段内每辆待充电AGV的充电时长和电量,分别记为
式中:Ct为第t时段是否含有新增充电的AGV,无则为0,有则为1;pchar为充电桩充电功率.
3.3 判断是否停止充电
最后,按照最大充电电量Emax依次判断各AGV
4 联合优化模型与算法
4.1 目标函数
建立购电费用最小的目标函数:
式中:T为整个调度周期;Ctoe(t)为第t时段的分时电价;Cwind为风电和光伏的上网电价;Ebuy(t)为第t时段的购电电量;Esell(t)为第t时段的售电电量.
4.2 约束条件
4.2.1 电量平衡约束
表示为
式中:Pwind(t)为第t时段风电的日前预测发电量;PPV(t)为第t时段光伏的日前预测发电量;PART(t)为第t时段AGV的充电电量;Pload(t)为第t时段的日前预测基准负荷电量,均满足上下限约束
ηt为第t时段电网购电或售电的状态变量,有
4.2.2 终止时刻的SOC约束
为保证所提策略的复用性,与传统的储能充电策略相似,有研究[15]设置AGV充放电满足起始电量和终止电量相同.但是受物流作业的约束,AGV必须保证物流作业能按时完成,并且在作业间隙进行充电,因此无法保证起始电量和终止电量完全相等.结合码头调度的实际需求,为保证终止时刻的剩余电量满足所设定下一周期起始电量的需求,考虑到各辆AGV充电的灵活性,对终止时刻电量之和进行约束以保证下一周期的起始总电量充足,即
式中:Ec,end为第c辆AGV在终止时刻的剩余电量;Ere为下一周期的起始总电量.
4.2.3 决策变量的上下限约束
按照AGV电池设置的技术及安全要求,设置决策变量上下限约束:
式中:
4.2.4 物流调度约束
按照船舶离港时间,计算在T调度周期内应完成的集装箱总和
式中:B(t)为t时段实际运输的集装箱数量,该约束保证物流满足离港时限要求.
4.3 基于改进粒子群算法的求解方法
式中:
当完成个体极值和全局极值后,继续更新每个粒子的速度和位置,为保证决策变量满足式(17)和(18)中的约束条件,还需对更新的速度进行上下限约束,
式中:
4.4 求解流程
AGV调度时段设为15 min,即一天分为96个时段,求解流程如图3所示.通过设置决策变量,在每个调度时段内先后执行物流调度模块和有序充电模块,依次递推完成一日的调度后计算整日购电费用.
图3
图3
物流调度和有序充电联合优化求解流程
Fig.3
Solution flow of joint optimization of logistics scheduling and orderly charging
5 算例分析
5.1 参数设置
5.1.1 自动化码头及作业情况
某港口自动化码头共设有岸桥12座,AGV 76辆,充电桩13座;安装风电机组2台,每台装机容量4.5 MW,光伏装机容量0.44 MW.码头采取昼夜连续作业调度,提前一日安排未来24 h的作业计划.某典型日船舶到港信息及作业数据详如表1所示.
表1 船舶到港信息及作业数据
Tab.1
船舶号 | 靠泊 时间 | 离泊 时间 | 可配岸 桥数/号 | 各岸桥各类集装箱数 | |
---|---|---|---|---|---|
20英尺 | 40英尺 | ||||
1 | 00:00 | 08:15 | 1~8 | 79 | 172 |
2 | 03:30 | 10:30 | 1~8 | 82 | 164 |
3 | 11:30 | 20:15 | 1~8 | 90 | 145 |
各岸桥配数由当日作业量而定,满足并行同步作业的要求,各岸桥、堆场坐标如表2所示.
表2 各岸桥和堆场坐标
Tab.2
船号 | 参数名称 | 坐标 |
---|---|---|
1 | 岸桥1~8 | (1, 562), (40, 562), (60, 562), (86, 562), (95, 562), (123, 562), (134, 562), (150, 562) |
堆场1~8 | (258, 108), (258, 216), (258, 350), (258, 108), (258, 226), (258, 330), (825, 216), (258, 400) | |
2 | 岸桥1~8 | (400, 562), (435, 562), (455, 562), (475, 562), (500, 562), (525, 562), (545, 562), (555, 562) |
堆场1~8 | (360, 216), (270, 92), (324, 92), (375, 216), (450, 270), (554, 324), (639, 270), (580, 324) | |
3 | 岸桥1~8 | (830, 562), (850, 562), (860, 562), (880, 562), (900, 562), (915, 562), (920, 562), (940, 562) |
堆场1~8 | (378, 92), (430, 92), (900, 400), (378, 92), (430, 92), (900, 400), (216, 79), (258, 405) |
1~13号充电桩坐标分别为(90, 440), (126, 440), (162, 440), (198, 440), (234, 440), (270, 440), (306, 440), (801, 440), (837, 440), (909, 440), (945, 440), (981, 440) m.
各AGV初始时刻默认均匀分布在堆场区域,无充电状态,且所在位置满足内外集卡隔离要求.风光出力和基准负荷的时序曲线如图4所示.
图4
5.1.2 模型参数设置
设置粒子数30个,迭代次数100次,ω1表示η=1情况下的初值为1,ωa为0.95,c1、c2均为1.5,速度变量的变化系数φ为0.3,调度模型参数如表3所示.表中:pchar,1、pchar,2分别为SOC小于、大于等于80%时的充电功率.分时电价分别为峰时段(09:00-12:00,16:00-21:00) 0.919 67元/(kW·h)、谷时段(23:00-07:00) 0.331 47元/(kW·h)、平时段(07:00-09:00,12:00-16:00,21:00-23:00) 0.636 87元/(kW·h),风光上网电价为 0.365 5 元/(kW·h).
表3 调度模型参数
Tab.3
参数 | 取值 | 参数 | 取值 |
---|---|---|---|
n/辆 | 76 | 20, 60 | |
npile/桩 | 13 | 60, 100 | |
σ | 7 | t2/min | 4 |
Ploss/(kW·h·km-1) | 3.7 | (xA, left, xA, right)/m | (0, 296) |
Ptotal/(kW·h) | 282 | (xB, left, xB, right)/m | (355, 652) |
v/(m·s-1) | 4 | (xC, left, xC, right)/m | (711, 1 008) |
t1/min | 1 | pchar,1, pchar,2/kW | 234, 109 |
5.2 不同充电策略对比分析
以3座岸桥并行作业为例,AGV起始SOC设置如下:1~19号均为20%;20~38号均为40%;39~57号均为60%;58~76号均为80%;整体均值为50%.调度结束时刻SOC均值不低于70%.为验证联合优化能提高码头经济性,对比无序充电、仅考虑分时电价、仅考虑风光出力和本文优化策略,此处无序充电表示AGV电量低于20%时充电,充到100%后停止.对比各时段AGV充电电量结果如图5所示.
图5
由图可见,以上4种策略的整日购电费用依次为 8 554、7 185、7 745 和 6 819 元.受起始电量影响,4种策略在起始时段00:00—04:15均处于充电状态,策略1仅与SOC电量有关;策略2将16:45—21:00间充电转移到平时段12:00—15:15;策略3将部分电量转移到03:15—05:15和14:30—15:00风光出力高峰时段;策略4综合考虑分时电价与风光出力.4种策略在净发电量大于零时段的充电量占比分别为60.1%、80.4%、80.3%和89.5%,说明所提联合优化方法的经济性最优.
5.3 物流和充电调度结果分析
表4 物流调度参数结果(00:15—01:45)
Tab.4
调度时间 | 岸桥1 AGV序列 | 岸桥2 AGV序列 | 岸桥3 AGV序列 |
---|---|---|---|
00:15 | 76/72/59/60/43/64/45 | 51/73/70/39/57/74/55 | 55/63/41/47/68/54/48 |
00:45 | 41/47/48/52/54/63/68 | 40/44/49/62/66/69/75 | 39/43/45/51/55/57/59 |
01:15 | 39/43/45/51/55/57/59 | 41/47/48/52/54/60/63 | 40/44/49/62/66/68/64 |
01:45 | 40/44/49/62/64/66/68 | 1/2/3/4/6/10/39 | 7/8/12/41/43/45/47 |
表5 有序充电调度参数结果(00:15—01:45)
Tab.5
调度 时间 | 充电桩序列 | 对应AGV序列 | 充电量/ (kW·h) | 平均充电 时长/min | AGV 平均 SOC/% | 各辆AGV的Ec/% | ||||
---|---|---|---|---|---|---|---|---|---|---|
1号 | 2号 | 3号 | 4号 | |||||||
0:15 | 8/7/9/6/5/10/11/4/12/13/3/2/1 | 6/1/9/2/10/5/3/4/7/13/8/12/11 | 608.40 | 12.0 | 52 | 39 | 37 | 37 | 37 | |
0:45 | 8/7/9/6/5/10/11/4/12/13/3/2/1 | 6/1/9/2/10/5/3/4/7/13/8/12/11 | 760.50 | 15.0 | 59 | 81 | 79 | 79 | 79 | |
1:15 | 8/7/9/6/5/10/11/4/12/13/3/2/1 | 6/1/9/2/10/5/3/4/7/13/8/12/11 | 354.25 | 15.0 | 61 | 100 | 99 | 99 | 99 | |
1:45 | 8/4/5/7/9/11/6/10/3/1/2/12/13 | 16/15/21/19/20/17/18/14/26/23/ 24/22/25 | 694.40 | 13.7 | 66 | 99 | 97 | 97 | 97 |
由表4可见,根据岸桥与AGV配比可知每座岸桥可同时调度7辆AGV.根据调度结果,同一时刻下同一辆AGV仅能服务于1座岸桥,且按照每15 min指派一轮的策略,AGV并不固定服务于某座岸桥,体现了物流调度的灵活性.
由表5可见,当日起始时刻各AGV的平均电量仅为50%,当日充电任务较重,在起始段各充电桩已满载充电.另根据有序充电指派策略,当该时段电量未达到Emax时,AGV继续充电,因此00:15—01:15 AGV充电序列不变.当AGV的SOC电量大于80%时充电功率下降,因此在01:15时刻,充电电量减少,而充电时长不变.从00:15和01:15的平均充电时长不足15 min可见,仿真考虑了AGV从起始位置到充电桩的行驶时间.由于篇幅有限,仅展示1~4号AGV的SOC值,可见00:00—01:15期间4辆AGV均处于充电状态,在01:45时刻已充满,结合表5可知1~4号AGV在01:45时刻被2号岸桥调度,处于物流状态,体现了两个模块之间的耦合效果.
5.4 多岸桥并行作业对比分析
由于岸桥并行作业数决定了AGV物流调度的需求量,所以本算例采用联合优化方法分别选取1、3、5、7座岸桥进行并行作业调度,起始SOC均为95%,调度结束时刻SOC均值不低于75%,求解出各场景下的决策变量区间,如图6所示.由图可见,当岸桥数为1座和3座时,寻优的Emin和Emax区间差值分别为28%和34%,说明对充电电量要求低,从频次较低可以看出物流可调度AGV充裕;当岸桥数为5座和7座时,寻优的Emin和Emax区间差值分别为55%和57%,说明对充电量需求提高,且从充电频次增多可以看出,随着岸桥并行作业数量的提高,AGV消耗电量增多,充电时长从短时段递进为长时段以保证物流调度作业的连续性和稳定性,从而提升优化效果.
图6
图6
多岸桥并行作业的AGV充电结果
Fig.6
AGV charging results in parallel operation of multi-quay cranes
5.5 分布式电源就地消纳分析
图7
6 结论
针对现有自动化码头AGV充电策略未能与分布式电源出力充分响应的问题,考虑风光出力和物流调度对港口AGV充电策略的影响,提出一种自动化码头AGV物流调度和有序充电联合经济优化方法,通过对物流调度模块和有序充电模块进行解耦处理,实现AGV的有序充电,并基于改进PSO算法进行求解.经过算例分析验证,得到以下结论:
(1) 在考虑自动化码头AGV所涉变量多维离散的基础上结合实际应用场景,提出AGV物流调度指派策略、充电指派策略和多参数计算方法,提高了模型精度;与无序充电、仅考虑分时电价或风光出力的充电策略相比,所提联合优化方法能够有效降低购电费用.
(2) 所提方法可对AGV物流和充电参数进行动态更新,体现多维参数计算的完整性.多岸桥并行作业会影响AGV的充电需求和结果,随着物流调度的需求加大,采用所提策略有利于得到最佳充电区间,保证物流调度的连续性和稳定性.
(3) 联合优化方法可小幅度提高港口分布式电源的就地消纳率,且随着AGV充电需求的增加,负荷的可调配空间加大,有利于分布式电源的就地消纳.
参考文献
“双碳”背景下我国中长期能源需求预测与转型路径研究
[J].
Medium-and long-term energy demand of China and energy transition pathway toward carbon neutrality
[J].
面向碳中和的港口综合能源系统(一):典型系统结构与关键问题
[J].
Port integrated energy systems toward carbon neutrality(I): Typical topology and key problems
[J].
海港综合能源系统低碳经济发展研究综述
[J].
Review on low-carbon and economic development of seaport integrated energy system
[J].
基于同贝同步装卸的岸桥与集卡联合调度优化模型
[J].
Optimization model for integrated quay cranes and yard trucks scheduling based on double cycling
[J].
绿色集装箱港口节能减排策略综述
[J].
Review on energy saving and emission reduction strategies of green container ports
[J].
自动化集装箱码头的经济和社会效益分析
[J].
Economic and social benefits of automated container terminals
[J].
集装箱码头集成调度研究综述
[J].
Review on integrated scheduling of container terminals
[J].
自动化码头AGV电池备件与充电机配置联合决策
[J].
DOI:10.12305/j.issn.1001-506X.2023.04.15
[本文引用: 1]
以自动化集装箱码头换电式自动导引车(automated guided vehicle, AGV)电池换电系统为研究对象, 采用双有限源封闭循环描述AGV电池换电队列与充电队列, 以满足一定工作水平下的总成本最低为目标, 基于马尔可夫过程建立电池备件和充电机配置联合优化模型。通过遗传算法求解, 得到最优电池备件数与充电机数量。研究结果表明, 电池备件数或充电机数过少时, 将产生高额的惩罚成本与利润损失。相较于传统的用一备一策略, 采取最优策略使得运营总成本显著降低。
Joint decision-making of AGV battery spare parts and charger configuration in automated terminal
[J].
Using battery-electric AGVs in container terminals—Assessing the potential and optimizing the economic viability
[J].
自动化集装箱码头水平运输系统动力系统及充电方案
[J].
Power system and charging scheme of horizontal transportation system of automated container system
[J].
港口综合能源系统低碳化技术综述
[J].
Review of low-carbon technology for integrated port energy systems
[J].
考虑多源激励的港口能流-物流全过程协同调度优化
[J].
Whole-process collaborative scheduling optimization for port energy flows and logistics flows considering multi-source incentives
[J].
Study on AGVs battery charging strategy for improving utilization
[J].
考虑充电和等待时间的集装箱码头AGV调度
[J].
Scheduling of AGV in container terminals considering charging and waiting time
[J].
自动化码头AGV充电与作业的集成调度研究
[J].
DOI:10.3778/j.issn.1002-8331.1605-0003
[本文引用: 3]
为了提高自动化集装箱码头AGV(Automated Guided Vehicle)的作业效率,根据采用电力驱动的AGV作业时的充电需求和运输过程的特性,考虑了垂岸式集装箱堆场布局和AGV充电过程对实际作业的影响,以最大化AGV充电利用率、最小化最末任务完成时间、最小化AGV空载时间为目标,以AGV充电后的续航能力等为约束条件,以遗传算法为研究方法,构建了考虑充电过程的自动化码头AGV作业的调度模型。通过算例分析,对比了遗传算法与混合整数规划算法的求解效果,分析了参与运输的AGV数量对运输时间的影响,也验证了遗传算法给出的调度方案的可信性。最后得出结论:针对该问题,遗传算法可以快速、高效地给出值得信赖的AGV调度方案。
Research of AGV charging and job integrated scheduling at automated container terminal
[J].
天津港北港池C段自动化集装箱码头总体布置设计
[J].
General layout design of automated container terminals in section C of North Basin of Tianjin Port
[J].
基于PSO算法的电动汽车有序充放电两阶段优化策略
[J].
Two-stage optimization strategy for coordinated charging and discharging of EVs based on PSO algorithm
[J].
一种改进的粒子群优化算法及其算法测试
[J].
An improved particle swarm optimization algorithm and its algorithm test
[J].
面向新能源就地消纳的园区储能与电价协调优化方法
[J].
Coordination and optimization method of park-level energy storage and electricity price for local accommodation of renewable energy
[J].
/
〈 |
|
〉 |
