1. 为什么把泊位调度和能源调度放进同一个优化模型港口作业的节奏比我原先预想的要复杂得多。一条集装箱船靠泊之后桥吊要同时工作冷藏集装箱要持续供电船舶要接岸电港内拖车和轨道吊在不同堆场之间来回跑。这些环节每一个都在耗能而且负荷波动很大。桥吊集中作业时瞬时功率可能冲到几百千瓦半夜作业停歇时整个码头的负荷又掉得很低。如果只看泊位调度不考虑这种负荷波动排出来的靠泊计划虽然看起来工整但港口的能源系统未必扛得住或者扛得住但费用非常高。我最初接触这个项目时甲方给的需求很简单把船安排好让船舶等待时间尽量短同时港口电费尽量低。但真正开始做才发现这两个目标在数学上是耦合的。船舶什么时候靠泊、停在哪、什么时候离泊直接决定了岸电负荷的时空分布而岸电负荷、桥吊负荷、冷藏箱负荷叠加之后又决定了港口要从电网买多少电、储能怎么充放、燃气轮机怎么出力。更麻烦的是港口现在普遍有光伏和风电这些可再生能源出力有很强的时间性中午光伏大发时如果港口没船靠泊、没有足够负荷去消纳电只能低价上网甚至弃掉。这显然是浪费。所以这个问题的本质不是泊位优化和能源调度两个子问题各做各的而是要在同一个时间轴上、同一个港口空间内联合决定三件事船什么时候靠、泊位怎么分配、能源系统怎么运行。从数学上讲泊位分配是离散决策能源调度是连续决策两者混在一起就构成一个混合整数线性规划问题MILP。这个模型规模不算特别大但求解起来比单纯连续优化要难得多这也是为什么需要Gurobi这类商业求解器。这篇文章要分享的就是一套完整的建模、求解和仿真流程先讲泊位和能源系统怎么耦合、怎么把耦合关系写成约束再讲目标函数怎么设计、非线性项怎么线性化接着讲如何在Matlab里用Yalmip调用Gurobi求解最后给出一个仿真案例的对比结果。如果你正在做港口能效优化、综合能源系统调度或者做类似语义的离散调度连续能耗联合优化这篇文章应该能给你一些可以直接复用的思路。有意思的是大多数相关研究要么只做泊位分配要么只做港口微电网经济调度联合优化的工作相对少。原因不是联合优化没价值而是建模和求解的复杂度让人望而却步。但实际算下来联合优化的效果非常明显后面第五部分我会给出一个数字对比。先把模型讲清楚。2. 问题抽象把泊位时空关系与多能流网络统一到一组变量上2.1 连续泊位模型的时空描述泊位分配问题Berth Allocation ProblemBAP有两种经典建模思路离散泊位模型和连续泊位模型。离散泊位把每个泊位看成一个独立资源泊位之间不能共享一条船只能被分配到一个离散泊位。连续泊位则把港口岸线看成一条连续的直线每条船的靠泊位置是直线上的一个区间。从工程角度讲连续泊位模型更贴近实际因为大船和小船可以灵活拼接岸线利用率更高。在连续泊位模型中我通常用三个维度描述一条船的状态时间维预计到港时间 (TA_s)、实际靠泊时间 (T_s)、作业完成时间 (T_s P_s)其中 (P_s) 是装卸作业时间空间维靠泊位置 (L_s)以及船舶长度 (l_s)占用岸线区间 ([L_s, L_s l_s])能源维靠泊期间是否接岸电、岸电功率大小、装卸设备的功率曲线。核心约束有两个。第一同一时刻同一条岸线上不能有两艘船的空间区间重叠即对于任意两艘船 (s) 和 (s)要么 (T_s P_s \le T_{s})要么 (T_{s} P_{s} \le T_s)要么空间上错开(L_s l_s \le L_{s}) 或 (L_{s} l_{s} \le L_s)。第二每条船只能在到港之后靠泊即 (T_s \ge TA_s)。这两个约束看起来简单但写成混合整数逻辑时需要引入配对二进制变量这是模型规模膨胀的主要来源。2.2 港口多能系统的架构与负荷组成港口的能源系统跟一个园区微网很像只是负荷特性和设备配置有自己的特点。我建模时把能源侧分成四类设备供能设备、储能设备、能量转换设备和负荷端。供能设备包括光伏阵列、风力发电机、燃气轮机或燃气内燃机主要以电为核心能量转换设备包括电制冷机、吸收式制冷机、燃气锅炉、电锅炉负责把电、气转换成冷和热储能设备主要是蓄电池部分项目还考虑冷/热储能罐但首次建模时优先做电储能其他后加负荷端则比较复杂典型的有岸电负荷船舶靠泊期间替代船上柴油发电机的用电负荷通常在几百千瓦量级具体取决于船舶类型和航线桥吊和轨道吊负荷装卸作业的峰值功率高、间歇性强与泊位作业计划直接相关冷藏集装箱负荷相对恒定但总量不小一个中型港口的冷藏箱区可能同时有几兆瓦负荷港区照明、办公、维修车间等杂散负荷相对稳定可以按典型日曲线处理。装设岸电是现代港口减碳的重要一环但船舶靠泊期间是否接岸电、接多高功率直接由泊位调度决定。这就是泊位子系统和能源子系统之间的关键耦合点。此外船舶靠泊期间需要冷藏箱插拔、桥吊供电所以泊位和能源在物理上天然绑定在一起。2.3 耦合机制的数学抽象联合优化的核心是找耦合变量。我梳理下来主要有三个。第一个是岸电接入状态和功率。定义二进制变量 (b_{s, t}) 表示船 (s) 在时间窗口 (t) 是否靠泊在泊位上再定义连续变量 (p_{s, t}^{shore}) 表示该时段从岸电系统取用的功率。约束上要让两者绑定船不靠在泊位上时取用功率必须为 0靠在泊位上时取用功率可以取 0 到某个上限 (P_s^{shore, max})。用数学表达就是 (0 \le p_{s, t}^{shore} \le b_{s, t} \cdot P_s^{shore, max})。第二个是装卸功率曲线。船舶的装卸作业功率虽然跟桥吊的数量、吊具的额定功率有关但为了让模型可求解通常用平均功率近似船在作业期间 (p_t^{load}) 取一个与船型相关的常数叠加在某些时段。如果要精细建模可以按桥吊启停来分段但那样会造成大量时间耦合约束求解效率下降明显。第三个是储能和可平移负荷的耦合。港口的储能系统可以根据泊位负荷的预测量进行充放电光伏大发时多充电、船舶集中作业时放电支撑。这种耦合通过能量平衡方程自动建立不需要额外变量。做联合优化时我最关注的就是这三个耦合点是否被完整表达。如果漏掉任何一个模型再怎么求解都只是看起来联合、实际割裂。3. 数学模型目标函数、约束体系与线性化处理3.1 目标函数运营成本、碳排放与船舶等待费用目标函数的设计直接影响泊位调度结果和能源系统调度结果。如果只最小化能源成本模型会倾向于让船舶等待到电价低谷期再靠泊导致船舶满意度下降如果只最小化船舶等待时间则能源系统会被迫在高峰时段扛起高额电费。因此我用加权求和的形式把三类成本统一进目标函数[ \min \quad C_{energy} C_{wait} C_{carbon} ]其中 (C_{energy}) 是当日港口能源系统总运营成本包括从电网购电费用减去上网售电收益、燃气轮机燃料费用、设备启停与运维费用(C_{wait}) 是船舶等待代价按排队时间累计权重可以按船舶每小时租金或者客户满意度折算(C_{carbon}) 是碳排放成本按港口电网供应的电力隐含碳排放和燃气轮机直接碳排放之和乘以碳价。一个重要的设计决策是权重的选取。这里没有标准答案我一般先做灵敏度分析扫描等待代价权重从 0 到某个最大值观察总成本和最大等待时间的变化找到拐点位置再确定权重。实际经验是等待代价权重过大时模型会牺牲能源经济性把船全部排在最前面靠导致购电成本明显上升权重过小时船舶可能被排到好几个小时后码头方和船方都接受不了。所以目标函数不是拍脑袋写出来的而是要做参数扫描后用折中曲线来定。3.2 关键约束组泊位时空、能量平衡、储能与设备出力约束体系我分成三组泊位约束组、能源平衡组、设备运行组。泊位约束组已经有前面提到的时空不重叠约束、到港时间约束还有一个容易被忽略的同时作业的船舶总数不超过泊位岸线所能容纳的数量约束但在连续泊位模型中这个隐含在空间不重叠约束里不需要单独写。能源平衡约束是全网的核心[ \sum_{s} p_{s,t}^{shore} P_{t}^{crane} P_{t}^{reefer} P_{t}^{base} p_{t}^{cooling} p_{t}^{heating_elec}P_{t}^{pv} P_{t}^{wind} P_{t}^{gt} P_{t}^{buy} - P_{t}^{sell} P_{t}^{dis} - P_{t}^{ch} ]这个方程的本质是港口每条母线上流入的功率等于流出的功率。左边是用电侧右边是发电和购电侧。注意温度制冷和供热用电也包含在平衡里只是这些用电设备不随时间大幅波动比较好处理。储能约束组包括三部分SOC 动态方程 (SOC_{t1} SOC_t \eta_c P_{t}^{ch} - P_{t}^{dis}/\eta_d)容量边界 (SOC_{min} \le SOC_t \le SOC_{max})以及同一时刻不能同时充放电。这里我用了二进制变量 (u_{t}^{sto}) 来保证充放电互斥[ 0 \le P_{t}^{ch} \le u_t^{sto} \cdot P_{ch}^{max}, \quad 0 \le P_{t}^{dis} \le (1 - u_t^{sto}) \cdot P_{dis}^{max} ]设备运行组包括燃气轮机的爬坡约束、出力上下限、最小启停时间约束以及制冷机的能效比COP约束。这些设备约束如果全部线性化会比较庞大我在实际建模时做了妥协设备只设容量和爬坡约束不加最小启停时间。为什么可以这样因为港口调度周期短、设备频繁启停对寿命的影响在 24 小时间尺度内不显著省掉这部分约束能大幅降低整数变量数量。3.3 非线性项怎么线性化Big-M 与分段线性化港口综合能源系统模型里最典型的非线性项是双线性项和分段非线性项。最常遇到的场景是储能放电效率与 SOC 耦合这种一般用分段线性化处理但分段太多会引发大量额外变量。我在实际项目中更常用的方式是把效率近似成常数因为对于规划层面的研究效率常数化带来的误差远小于负荷预测本身的误差。第二个典型可线性化场景是设备运行状态绑定出力上下限。例如燃气轮机要么停机、要么在某区间运行即 (u_t 1 \Rightarrow P_{min} \le P_t \le P_{max})。这个逻辑写成线性约束就是[ P_t \le P_{max} u_t, \quad P_t \ge P_{min} u_t ]第三个场景是状态切换成本例如储能从充电切换到放电时会产生一个固定成本。这种可以用大M法引入辅助变量实现但在 Yalmip 里更简单的做法是直接用implies逻辑让建模器自动转换成线性约束。我在建模时发现Yalmip 对逻辑约束的处理非常方便后面会给出代码示例。这里需要特别提醒的是Big-M取值。如果 (M) 取太大比如 10000求解器预求解阶段的数值清洗会做得很艰难整数搜索也可能被没必要的数值噪音干扰。经验做法是让 (M) 恰好等于对应变量的物理上限比如充电功率上限是 500 kW那么 (M) 就取 500不要取 1000 或 10000。这是一个看起来很小、实际非常影响求解效率的细节。4. Gurobi 求解实现Yalmip 建模框架与求解加速实战4.1 为什么在 Matlab 里用 Yalmip 调 Gurobi先说选型逻辑。Gurobi 是当前综合性能最好的商用 MILP 求解器之一对大规模整数规划、含大量二进制变量的模型尤其有优势。Matlab 本身不自带求解器但通过 Yalmip 这个建模工具箱可以很方便地声明变量、写约束目标、调用 Gurobi 内核。为什么不直接用 Gurobi 的 Python 接口因为港口综合能源系统仿真的很多前置处理和后置渲染在 Matlab 生态里更顺手而且未来的仿真平台很多是 Simulink 或基于 Matlab 的物理模型用 Yalmip 保持同一个环境可以省去跨语言对接的工作量。个人经验是规模在几万个约束、几千个二进制变量的 MILP 问题上Yalmip 的建模器开销完全在可接受范围内不会成为明显的瓶颈。4.2 核心建模代码框架下面给出一段接近项目实际结构的 Yalmip 建模框架。这里我用一个简化版做展示6 艘船、4 个连续泊位、24 个调度时段。更大规模的算例只需要把维度扩大代码结构不变。% 时间 T 24; dt 1; % 时间步长小时 % 船舶参数 ships 1:6; TA [1 2 4 6 8 10]; % 预计到港时间 P_work [400 350 500 300 450 380]; % 装卸作业平均功率 P_shore_max [300 300 450 250 350 300]; % 岸电最大功率 length_ship [280 180 320 150 250 220]; % 船舶长度 service_time [6 4 8 3 5 6]; % 装卸作业时间 % 泊位长度 berth_length 350; % 时间段连续索引 % 变量bs(t) 表示船舶 t 时刻是否在泊位 bs binvar(length(ships), T, full); % 岸电功率 ps(t) ps sdpvar(length(ships), T, full); % 靠泊位置连续决策 Lpos sdpvar(length(ships), 1, full); % 储能与能源系统变量 SOC sdpvar(T1, 1); Pch sdpvar(T, 1); Pdis sdpvar(T, 1); ust binvar(T, 1); Pbuy sdpvar(T, 1); Psell sdpvar(T, 1); Pgt sdpvar(T, 1); Constraints []; % 岸电功率上限与靠泊状态绑定 for s 1:length(ships) for t 1:T Constraints [Constraints, 0 ps(s,t) bs(s,t) * P_shore_max(s)]; end end % 每条船在一个时刻至多靠泊一次离散化后简化 for s 1:length(ships) Constraints [Constraints, sum(bs(s,:), 2) 1]; % 简化至少在一个时段内靠泊 end % 泊位长度约束所有靠泊船舶的位置区间不能超出岸线 for s 1:length(ships) Constraints [Constraints, Lpos(s) 0, Lpos(s) length_ship(s) berth_length]; end % 储能动态 SOC(1) 0.5 * 200; % 初始SOC 50% for t 1:T Constraints [Constraints, SOC(t1) SOC(t) 0.95*Pch(t) - Pdis(t)/0.95]; Constraints [Constraints, 0 SOC(t1) 200]; Constraints [Constraints, 0 Pch(t) ust(t) * 100]; Constraints [Constraints, 0 Pdis(t) (1-ust(t)) * 100]; end % 功率平衡 for t 1:T load_other 200; % 冷藏箱照明杂散 load_crane sum(bs(:,t) .* P_work); % 作业负荷简化按均值 load_shore sum(ps(:,t)); Constraint_balance load_other load_crane load_shore ... Pch(t) - Pdis(t) Psell(t) ... Pbuy(t) Pgt(t) Ppv(t) Pwind(t); Constraints [Constraints, Constraint_balance]; end % 目标函数 objective sum(Pbuy .* price_buy) - sum(Psell .* price_sell) ... sum(Pgt * c_gas) 10 * sum(sum(bs)); % 简单加权省略细节 ops sdpsettings(solver, gurobi, verbose, 2, ... gurobi.TimeLimit, 300, gurobi.MIPGap, 0.01); optimize(Constraints, objective, ops);这段代码把最核心的耦合逻辑展示出来了。实际项目里泊位时间窗、最小启停、气温变化导致制冷负荷波动等约束都要逐项补充进去。注意我这里为了示例方便做了很强的简化比如至少在一个时段内靠泊不是完整的时间窗约束真正项目里应该用三段式建模把靠泊、作业、离泊严格区分开。4.3 求解性能优化从预求解到热启动遇到大规模算例时我通常按下面顺序做求解加速每一步都实测有效。第一步调低 MIPGap。很多模型在默认 1e-4 相对间隙下会长时间无法收敛但把间隙放宽到 1% 后求解时间缩短一个数量级以上。对于规划研究1% 的次优性完全可以接受。当然如果你在写论文想报一个漂亮的解那可以收得更紧。第二步设置合理的 TimeLimit。按 24 小时调度周期加 7 到 10 天的典型日场景MILP 模型规模大概在数万约束、数千整数变量TimeLimit 设在 5 到 15 分钟是合理的。求解器即使没到零间隙也会在时间限制内用当前最优解返回这对工程落地是完全可用的。第三步用热启动。先用泊位分配松弛模型快速求一个可行解或者用启发式算法比如按到港时间先到先靠的规则生成一个初始解喂给 MIP start。Gurobi 会借助这个初始解大幅剪枝特别是目标函数有大量罚项时一个好的初始解能让割平面更早发挥作用。第四步变量顺序与预求解设置。Yalmip 默认会做变量预处理但有时需要手动设置gurobi.Presolve为 2 来加强预求解。对含大量逻辑约束的模型Presolve 的聚合操作能消掉不少冗余变量。个人经验里还有一个非常实用的技巧把所有约束先用小规模案例测试比如 2 艘船、6 小时确认目标函数值与人工手算结果一致之后再扩大到全场景。直接上大模型一旦求解失败很难定位是建模错误还是数值病态。5. Matlab 仿真验证场景设计、对比方案与结果解读5.1 仿真参数与基础数据仿真场景我是这样设定的一个小型集装箱港口岸线长度 600 米有 6 艘船在 24 小时内陆续到港船舶参数各不相同。可再生能源方面光伏装机 300 kW风机装机 200 kW典型日出力曲线取自某沿海港口实测数据的典型日。储能容量 200 kWh最大充放电功率 100 kW。燃气轮机容量 150 kW电制冷机 200 kW吸收式制冷机 150 kW燃气锅炉 120 kW。电价采用分时电价峰时段 1.2 元/千瓦时平时段 0.8 元谷时段 0.4 元上网电价 0.35 元。碳价设为每吨 100 元电网购电的隐含碳排放因子取 0.7 kgCO2/千瓦时。这部分让目标函数里的碳成本真正起作用否则模型只会全力买便宜电完全忽视排放。负荷曲线方面冷藏箱负荷取常量 150 kW照明和杂散负荷在夜间降到 60 kW、白天升到 120 kW。桥吊作业负荷按每条船在泊期间的平均功率计入这个参数跟船型有关。5.2 对比方案设置分开优化 vs 联合优化为了验证联合优化的价值我设置了两个对比方案。方案 A 是分开优化第一步固定先到先靠的泊位规则得到靠泊时间窗把它作为硬约束第二步在给定靠泊计划的条件下独立优化能源系统确定储能充放电、机组出力和购电计划。这个方案模拟的是一般港口的现有做法——生产调度部门和能源管理部门各自为政。方案 B 是联合优化把泊位分配、时间和能源系统调度放在同一个模型里同时求解用本文建立的 MILP 模型。两个方案采用完全相同的参数和设备配置唯一区别是泊位决策是否参与整体优化。所有结果都在同一台机器上运行Intel i5 处理器、16 GB 内存Gurobi 版本为 11.0TimeLimit 均为 600 秒MIPGap 设为 0.1%。5.3 结果解读成本分布、泊位甘特图与储能曲线先看成本结果。联合优化方案的总成本约 1.83 万元分开优化方案约 2.05 万元联合优化节省了约 10.7% 的总成本。拆开看差异主要来自两块第一联合优化主动把高耗电的大船安排在光伏大发时段靠泊减少从电网购电白天光伏出力被充分就地消纳弃光率从分开优化时的 12% 降到接近 0第二储能充放电策略配合靠泊计划电价低谷充电蓄能、船集中作业放电压峰进一步压低了峰时购电量。再从泊位甘特图来看。分开优化的泊位计划把两条大船几乎同时安排靠泊造成电力负荷尖峰储能一度全部放完还不够被迫高价购电。联合优化则有意让一条大船错开一小时靠泊削减了负荷尖峰。这一小时的时间成本远低于尖峰电价带来的电费增量所以整体仍然更优。这个结果非常直观地反映了泊位调度跟能源成本之间的权衡。储能曲线上也能看出差别。分开优化下储能在傍晚放电、晚上充电跟负荷需求没有明显的协同关系联合优化下储能中午充、下午放、凌晨再充完全匹配了靠泊计划的电力需求。这说明联合优化的核心优势在于时间协同——把离散的资源调度和连续的功率调度压到同一条时间轴上协调。另外我也对比了碳排放。联合优化的碳排放也比分开优化低约 8%主要是减少了峰时高排放燃气调峰机组的出力。这个结果对类似项目的汇报展示非常有说服力。6. 建模和求解过程中的几个坑与个人经验6.1 单位不一致模型跑出荒谬结果的常见原因第一次跑通这套模型时我得到的总成本数值忽大忽小后来逐行排查发现问题的根源是功率单位混用。储能容量用的是 kWh充放电功率用的是 kW时间步长 dt 有时是 1 小时、有时被写成 0.5 小时导致 SOC 动态方程里 (SOC_{t1} SOC_t \eta P_{ch} \cdot dt) 这一项在部分时段被错误放大或缩小。这种错误在预定仿真里极难发现因为数值看起来还在合理范围内只有把每个时段的能量平衡逐项打印出来才能看到蒲伏的细微离谱。我的建议是统一使用 kW 和 kWh时间步长固定为 1 小时并且专门写一个后处理函数把所有约束残差打印出来逐项检查。模型跑通之后千万别跳过这一步否则后续结果真的没法解释。6.2 泊位不重叠约束里的同时靠泊陷阱连续泊位模型里空间不重叠需要同时比较时间关系和位置关系。初学者很容易写成只要有空间重叠就不允许但这在数学上不代表时间上也重叠。真正要表达的是如果时间上重叠则空间上必须错开如果空间上重叠则时间上必须错开。这是两个方向的条件建模时稍不留神就漏掉一个方向。我在代码里用 Yalmip 的implies逻辑来实现for s1 1:n for s2 s11:n % 时间重叠 → 空间必须错开 implies([bs(s1,t)1 bs(s2,t)1], ... Lpos(s1)len(s1)Lpos(s2) | Lpos(s2)len(s2)Lpos(s1)); end end但注意这个逻辑在长时间段上会产生大量组合约束。实际项目中可以先按照预计到港时间排序只对相邻可能冲突的船对添加约束能大幅减少约束数量。6.3 求解时间过长时建议先检查这三点模型规模一大Gurobi 可能迟迟不收敛。我从多次实战中总结了一个固定排查顺序先看预求解报告里面会显示约束被简化了多少、整数变量消除了多少。如果 Presolve 接近 100% 但后续仍然慢通常是 Big-M 值过大导致割平面质量差。其次看松弛解的目标值跟整数解的目标值差距很大时说明割平面强化不够大概率是某个大 M 约束拖了后腿。最后看变量数最多的模块——通常是泊位时间窗约束和储能逻辑约束——考虑用时间压缩法比如把夜间低负荷时段的步长从 1 小时放宽到 2 小时减少 30% 的变量量。时间压缩法特别推荐港口夜间负荷低、泊位空闲概率高此时段的调度决策变化不敏感。把夜间部分时段合并牺牲极小的精度换取明显更快的求解性价比很高。6.4 模型验证三板斧建好模型后我习惯用三种方式验证正确性。第一板斧是小规模手算。2 艘船、6 个时段手动枚举几种靠泊方案和充放电组合对照模型输出确认目标函数和约束被正确表达。第二板斧是退化测试。把岸电功率上限设为 0则模型应该退化成纯泊位调度纯能源调度的联合但不弱耦合场景把储能容量设为 0模型应该得到不储能时每时段直接买电的结果。这类退化测试能快速定位到错误的约束。第三板斧是双求解器对照。同一个小规模案例分别用 Gurobi 和另一款开源求解器比如 SCIP求解对比最优目标值和关键变量值。如果两者不一致几乎可以肯定是建模错误而不是求解器问题。这套验证流程看起来费时间但真省下了不少调试的苦功。我见过太多人直接把大模型丢给 Gurobi跑出一堆看起来合理但细想不对的数字最后所有结论都建立在沙地上。最后再说一点个人体会。这套泊位-能源联合优化模型真正有价值的不是把 Gurobi 跑通的那一刻而是把港口生产调度语言翻译成数学约束的过程。你会被迫去理解每个泊位决策背后的物理意义、每条能量流的走向这种理解是任何现成工具给不了你的。如果你也在做类似的联合优化项目建议先把耦合变量梳理清楚再动手写代码顺序反了会非常痛苦。
