0 引言

在国际贸易和发展中，交通运输一直是不可或缺的存在，而航运则是其中流砥柱。根据联合国贸发会（UNCTAD）发布的《2022年世界海运述评》^[1]，船舶运输承载着全球80%以上的贸易量。随着发展中国家的制造业和消费逐渐扩增，其进口量已超过出口量，发展中国家也成为世界主要的海上贸易处理中心。而亚洲国家为此做出的贡献占比很大，尤其是与全球制造业网络融合得更为紧密的中国。在2021年，发展中国家占全球货物出口量的55%和货物进口量的61%，亚洲占全球货物出口量的42%和货物进口量的64%。港口能源系统研究已势在必行。

在绿色低碳化港口微电网建模、能源互联技术、多智能体方法等方面，各国学者开展了不同的建模与方法的研究[2]。文献[3]在考虑需求响应的情况下，搭建了含电转气及电转热设备的港口综合能源系统的数学模型，并采用混合整数线性规划法对该模型进行调度优化。针对能源互联优化，国内外学者已从各类角度，提出了不同的模型与方法[4-6]。Hannes Johnson等人通过对实际一些海运公司运输散货的案例研究，研究了减少港口等待时间对于提高能源效率的影响[7]。Boloukat等人考虑配电网与含分布式新能源微电网的协同优化，探讨了包含多个微电网的配电网的长期分配规划[8]。文献[9]里提出了一种利用多智能体理论实现多能源微网的去中心化优化调度方法。该方法考虑了能源互联系统运行时的不确定性，并提出了区域能源互联优化运行控制策略，对时间做离散化处理，对能源互联系统的多种能源设备建模，在各个能源局域网内部使用模型预测控制实现运行成本最优化。文献[10]采用多智能体理论对高复杂度的综合能源系统进行建模，对其提出了一种信息反馈的一致性控制算法，实现复杂系统不同部分之间的协调与一致性，提升系统的用能效率和稳定性。

根据以上研究现状综述可知，目前多智能体技术在绿色低碳化港口能源优化管理方面研究较少。本文将港口系统与多智能体技术结合，把港口系统的各个子能源系统集群视为各个智能体。后续内容安排如下：首先简要介绍港口能源系统架构，并基于多智能体机制提出港口能源互联系统概念。然后构建了港口能源系统的数学模型，并基于粒子群优化算法对模型进行求解。最后对比分析不同案例，通过算例分析验证了所提出优化框架可有效降低港口的运营成本和碳排放。

1 港口能源系统与优化模型

1.1 海港综合能源系统组成

1）风力发电

风力发电功率是指风力发电机组在单位时间内所产生的电能，本文中用WP（kW）来表示。文献[11]中对风力发电模型进行了详尽介绍，风力发电功率与风速、空气密度、风能利用系数以及叶片扫风截面积等相关参数密切相关，具体的计算公式为：

2）光伏发电

光伏发电的数学模型是基于太阳能电池板的特性，结合光照强度、温度等环境因素而建立^[12]，光伏发电的输出功率可表示为：

3）电制冷机

港口的公共电网负责为港区的负荷设施提供电力服务，可与当地城市的配电网相连，也可由独立的发电站直接供电。港口从公共电网的总获取电量直接决定了港口能源系统的运行成本，本文的优化目标即降低运行成本^[13]，相关计算公式如下：

5）电动船模型

电动船舶在靠港停泊期间，与岸上电力系统连接，也即通过岸电技术实现港口岸侧与船舶的能源互联，利用岸上的电源为自身电池组充电^[15]。

1.2基于多智能体的港船协同优化模型

多智能体系统是由多个功能独立、具有交流和学习能力的智能体组成，各智能体依托物理或网络连接，通过信息共享与智能协作达成统一目标。各个智能体之间的协作包括合作和竞争，每个智能体根据自身目标和周围环境做出决策，并通过交流与有连接关系的其它智能体共享资料。通过协调行动，系统的整体求解能力可以超过单独智能体的求解能力总和。在此过程中，个体智能体能够自主决策，而不受其他智能体的限制，并通过解决目标与行为之间的冲突来实现协同效应^[16]。

1.2.1 港口管理智能体（PM/A）

（1）港口管理智能体目标函数

不考虑港口系统的维护成本，运营成本来源于从公共电网取电的费用，可以用下式表示：

1.2.2 冷藏箱集群智能体

（1）冷藏箱集群目标函数

冷藏箱在一个优化周期的结束状态即为下一运行周期初始状态，故数学表达式如下：

1.2.3 电动船舶集群智能体

（1）电动船舶集群目标函数

电动船舶在一个优化周期的结束状态即为下一运行周期初始状态，故数学表达式如下：

2 模型求解

多智能体系统是由多个功能独立、具有交流和学习能力的智能体组成，各智能体依托物理或网络连接，通过信息共享与智能协作达成统一目标。各个智能体之间的协作包括合作和竞争，每个智能体根据自身目标和周围环境做出决策，并通过交流与有连接关系的其它智能体共享资料。通过协调行动，系统的整体求解能力可以超过单独智能体的求解能力总和。在此过程中，个体智能体能够自主决策，而不受其他智能体的限制，并通过解决目标与行为之间的冲突来实现协同效应^[17]。

本文采用粒子群优化算法^[18]进行优化策略实现多智能体之间的协同工作，求取最优的计及多智能体机制的港口能源系统运行的具体优化步骤如下：

1）从电网运营商接收分时电价信息；

2）将电价信息转发至各个集群和本地智能体；

3）本地智能体根据电价信息和限制条件求解电力需求分配优化问题；

4）判断是否为对应集群所管理的最后一个智能体；

5）若判断结果为是，则集群智能体汇总所管理的本地智能体的需求分配优化问题解集，若判断结果为否，则跳转至3）；

6）判断是否满足对应约束条件，并判断是否为最后一个集群智能体；

7）若满足对应约束条件，且为最后一个集群智能体，则汇总所有集群智能体的优化分配结果；若不是最后一个集群智能体，则返回3）;

9）判断是否满足电网约束；

10）如满足电网约束，则整合最佳电力需求分配方案，计算运营成本；如不满足电网约束，则返回3）；

11）输出最优运行结果，和各优化变量解集。

基于粒子群优化算法的多智能体协同优化算法的流程图如图1所示。

图1  基于多智能体的港船协同优化算法流程

3 算例分析

3.1 算例设置

本港口模型为考虑风力发电、光伏发电、公共电网、港口非柔性负载、冷藏箱集群、电动船舶集群的简单中小型港口，接下来对常规运行的某日中的基本参数进行列举。24小时内的分时段电价、每小时的平均风速预测量、每小时的平均辐照度预测量、每小时的平均非柔性负荷预测量如表1-4所示。

表1  24小时内的分时段电价

表2  24小时内每小时的平均风速预测量

表3  24小时内每小时的平均辐照度预测量

表4  24小时内每小时的平均非柔性负荷预测量

3.2 优化配置结果分析

本文通过三种不同算例的对比，验证所提计及多智能体机制得港口能源的有效性，冷藏箱制冷功率优化分配结果如图2所示，电动船舶充放电功率优化分配结果如图3所示，公共电网供电功率优化分配结果如图4所示，冷藏箱内部温度如图5所示，电动船舶荷电状态SoC如图6所示。

（1）算例1：无优化港船运行分析（as business as usual ，BAU）

（2）算例2：采用集中式优化方式的港船协同运行分析（Centralized）

（3）算例3：基于多智能体优化方式的港船协同运行分析（MAS）

图4 公共电网供电功率优化分配结果

经过仿真得到上述三种优化方式的运营成本分别为：3568.8元，3519.5元与3519.5元。可以发现集中式优化方式和多智能体优化方式的运营成本几乎一致。无优化运行时，公共电网供电功率主要由非柔性负荷用电需求决定。两种优化模式运行的各设备和公共电网优化分配结果趋势相近，可以观察到各设备全部满足工作范围约束，冷藏箱和电动船舶的用电需求能灵敏地进行柔性调整；当电价处于峰值时段，电动船舶的接入功率非常小，甚至为负值，表示电动船舶作为能源系统进行放电为港口供能；在16时，非柔性负荷用电需求处于峰值附近，此时电动船舶放电功率达最大；在24时，即优化周期结束时，冷藏箱内部温度均恢复至-15℃，电动船舶SoC均为1即充满电，与预设的要求一致。

可以发现两种优化运行都能充分利用电价优势，柔性地调整电力分配，电网的稳定性远高于无优化运行。而从图5、图6中，可以发现采用多智能体优化时，冷藏箱的内部温度变化更加平缓，对存储物更加友好。且多智能体优化中电动船舶的荷电状态变化更大，更能灵敏地根据电价、风力与光伏电波动进行分配调整。因此，多智能体的优化结果略优于集中式优化，远好于无优化运行。

图6 电动船舶荷电状态SoC

4 结论

本文利用多智能体技术，将港口系统的各个子能源系统集群视为智能体. 结合港区近年发展情况以及常规港口的自然环境条件，对绿色低碳化港口各类能源和负荷实际工作特点进行探究，搭建了港口能源互联系统，并对各部分进行合理的数学模型建立。结合多智能体理论，提出了通过粒子群优化算法实现的多智能体协同优化策略。结合典型港口与船舶数据设计了约束条件和仿真环境。对比分析不同算例，可以得出以下结论：

1）采用多智能体优化时，冷藏箱的内部温度变化更加平缓，对存储物更加友好。且多智能体优化中电动船舶的荷电状态变化更大，更能灵敏地根据电价、风力与光伏电波动进行分配调整。因此，多智能体的优化结果略优于集中式优化，远好于无优化运行。

2）提出了多智能体系统下的港口能源互联框架，对系统中各个智能体的分工进行了简介，并搭建了包含风力发电系统、光伏发电系统、公共电网、港口非柔性负载、冷藏箱、电动船舶共五个部分的港口能源互联系统。

3）验证了所设计的算法能够在不同工况下完成港口运行的最佳分配问题的求解，有效降低港口运营成本，实现能源互联管理、多种能源的协调互补，平衡新能源产电波动，削弱总能耗，增强可再生能源的使用效率，显著减少用电高峰的电网压力，降低峰谷差异，从而提高港口系统的经济和环境效益。

后续研究将进一步优化多智能体机制，改进优化算法，并赋予智能体人工智能技术，以提高系统的自适应性。

参考文献：

[1] United nations conference on trade and development. Review of Maritime Transport[R]. UNCTAD,2022.

[2]林森,文书礼,朱淼等.海港综合能源系统低碳经济发展研究综述[J/OL].中国电机工程学报:1-22[2023-08-30].

[3] 普月,纪历,刘皓明. 考虑综合需求响应的港口能源系统优化运行[J]. 电力需求侧管理,2021,23(1):11-17.

[4] 于雪风,徐桂芝,刘其辉,等. 含电转气及电转热的园区综合能源系统建模与优化运行[J]. 电力需求侧管理,2020,22(1):58-63,80.

[5] 康慨,施念,王艳鹏等.计及全电船-冷藏箱能量时空协同响应的港口配电网日前经济调度策略[J].高电压技术,2022,48(02):544-553.

[6] 黄伟,柳思岐,叶波.考虑源-荷互动的园区综合能源系统站-网协同优化[J].电力系统自动化,2020,44(14):44-53.

[7] Johnson, Hannes, and Linda Styhre. Increased energy efficiency in short sea shipping through decreased time in port[J]. Transportation research, Part A. Policy and practice,2015,71A(Jan.):167-178.

[8] M. H. S. Boloukat and A. A. Foroud. Multiperiod Planning of Distribution Networks Under Competitive Electricity Market With Penetration of Several Microgrids, Part I: Modeling and Solution Methodology[J]. IEEE transactions on industrial informatics,2018,14(11):4884-4894.

[9] 张有兵，徐向志，王国烽等.一种基于多智能体技术的多能源微网去中心化优化调度方法[P].中国专利：CN109636056B,2019.04.16

[10] 邓啸巍.多智能体综合能源系统一致性算法设计[J].电子世界,2022,No.632(02):198-199.

[11] 王江. 风力发电变桨距控制技术研究[D]. 安徽:合肥工业大学,2009.

[12] 俞万能,廖卫强,杨荣峰等.基于太阳能锂电池及柴油发电机组的多能源(光柴储)船舶微网能量控制系统研发[J].中国造船,2017,58(01):170-176.

[13] 黄宇晴. 多能互补全电力船舶发电与航程协同优化研究[D].哈尔滨工程大学,2022.

[14] F. D. Kanellos, E. -S. M. Volanis and N. D. Hatziargyriou. Power Management Method for Large Ports With Multi-Agent Systems[J]. IEEE transactions on smart grid,2019,10(2):1259-1268.

[15] 顾明昌,文书礼,朱淼等.计及时空多变量耦合的全电力医疗船集群 航程与发电协同优化[J/OL].中国电机工程学报:1-12[2023-05-18].

[16] 喻磊. 基于多代理理论的微电网分布式优化控制方法研究[D].重庆大学,2014.

[17] 范如意. 基于多智能体一致性的综合能源系统能量管理研究[D].东北大学,2020.

[18] 赵波,曹一家.电力系统无功优化的多智能体粒子群优化算法[J].中国电机工程学报,2005(05):3-9