基于浅充浅放策略与强化学习的自动化码头AGV充电调度优化研究

为解决自动化集装箱码头(ACTs)中自动导引车(AGV)利用率低、电池寿命衰减快的问题，研究人员提出融合空闲时间充电与阈值控制的浅充浅放策略(SCSD-ITT)，并建立双目标优化模型。通过Wolf-PHC强化学习算法验证，该策略可提升AGV利用率15%、降低电池损耗成本23%，为绿色港口建设提供关键技术支撑。

　　

在全球港口智能化转型浪潮中，自动化集装箱码头(ACTs)凭借高效装卸和低碳环保优势成为发展焦点。然而作为核心运输工具的自动导引车(AGV)面临两大痛点：传统"满充满放"充电模式导致电池寿命快速衰减，而充电过程中的设备停机又严重制约运输效率。青岛前湾港虽首创非接触式浅充浅放(SC&SD)策略，但存在电量补给不足的风险。这一矛盾直接关系到港口运营成本与碳中和目标的实现。

针对这一挑战，国内研究人员创新性提出SCSD-ITT充电策略，该策略突破性地整合了三种充电场景：在AGV与场桥交互区进行1分钟非接触快充、利用空闲时间在充电桩补电、电量低于20%阈值时启动深度充电。研究团队首次将电池寿命损耗成本纳入优化目标，建立考虑空载/负载差异的双目标模型，通过Wolf-PHC（融合"胜快学快"规则与策略爬山算法）求解。实验数据表明，该方案使AGV利用率提升至92.3%，同时将电池寿命延长30%以上。相关成果发表于《Journal of Cleaner Production》。

关键技术包括：1）构建考虑充电速率η_c
和放电深度(DOD)的电池寿命衰减模型；2）设计基于非支配排序遗传算法(NSGA-II)的对比实验；3）采用Friedman检验验证Wolf-PHC算法的统计显著性。

【研究结果】

1. 充电策略优化：SCSD-ITT策略通过动态调节充电阈值（20%-80% SOC区间），使DOD控制在40%以下，较传统模式降低电池损耗达47%。
2. 算法性能比较：Wolf-PHC在求解1000集装箱任务时，Pareto解集质量优于NSGA-II，计算效率提升2.3倍。
3. 经济性分析：案例显示该策略使单AGV年均维护成本减少$12，000，码头碳排放降低8.7%。

结论表明，该研究首次实现AGV调度中效率与电池寿命的协同优化，提出的"移动充电+定点补能"混合模式为新能源物流设备管理提供新范式。未来可探索光伏-储能系统与充电策略的联动优化，进一步推动ACTs的可持续发展。