一种用于港口碳排放和污染物减排的自适应技术组合优化框架

《Journal of Cleaner Production》：An adaptive technology portfolio optimization framework for port carbon and pollutants mitigation

港口污染减排与碳抵消研究提出基于生成对抗网络（GAN）的定制化解决方案，整合条件GAN架构、动态技术组合优化及多准则决策分析，在舟山某码头验证中实现85%的专家建议吻合度，减排性能提升10.4%，关键技术包括设备电气化、岸电系统及清洁燃料应用。

　　

Juncheng Wu|Xianhao Guo|Shitao Peng|Shaojie Song

生态环境部城市空气颗粒物污染防治重点实验室，南开大学环境科学与工程学院，天津，300350，中国

摘要

减少港口空气污染和碳排放对于改善区域环境质量及应对气候变化至关重要。传统的减排技术通常依赖于专家判断，且难以适应多样化的排放情况，这限制了其在不同港口设施中的有效性。本研究提出了一种新的框架，该框架利用生成对抗网络（GAN）结合条件GAN架构、自适应技术组合优化和多标准决策分析来生成定制的港口减排方案。该模型通过专家知识库和案例研究终端的历史实施数据进行了训练和验证。结果表明，该模型在减排效果上显著提升，与专家建议的一致性达到85%，同时相比传统方法减排性能提高了10.4%。该模型还生成了包括设备电气化、岸电系统和清洁燃料应用在内的技术组合，从而通过整合数据驱动的方法和领域专业知识来推进环境管理，以实现可持续的港口发展。

引言

港口作为全球贸易网络中的关键节点，在促进经济发展的同时，面临着日益严重的污染排放和碳排放问题。港口活动直接贡献了全球约3%的温室气体排放，对沿海环境和气候变化产生了影响（Gibbs等人，2014；Izaguirre等人，2021；Wang等人，2023）。为应对这些挑战，过去几十年中不断开发了港口污染减排和碳排放缓解技术及管理模型，从早期的末端处理方式转变为整个过程的系统性协同治理。其中，基于自动识别系统（AIS）数据的船舶排放监测和评估方法已在包括上海洋山港、鹿特丹港和洛杉矶港在内的全球主要港口得到广泛应用，通过高精度排放因子和活动强度数据实现了对港口区域污染物排放的动态监测（Lim等人，2019；Qi等人，2024）。虽然有详细的排放清单和能源流分析为港口减排策略提供了数据支持，但现有研究表明，由于忽视了港口辅助设备和陆上运输等排放源，传统方法低估了实际排放量（10-25%），并且缺乏针对不同类型港口的差异化减排技术解决方案。这些限制严重阻碍了污染减排和碳排放缓解目标的实现，特别是在发展中国家的港口，同样的技术措施在这些港口的减排效果仅为发达国家的50%（Lin等人，2024；Miola和Ciuffo，2011；Song，2014）。 传统的港口污染减排和碳排放缓解技术解决方案主要依赖于静态排放清单和基于经验的技术选择，例如设备电气化、推广岸电系统和燃料替代。然而，这些方法在处理港口复杂的时空排放特征和多源污染物协同控制时存在显著局限性（Z. Luo等人，2024b；Meng等人，2022；Wan等人，2021）。例如，在港口碳排放管理实践中，传统方法无法有效捕捉货物处理操作与能源消耗之间的非线性关系，单个电动橡胶轮胎龙门吊（RTG）的瞬时功率峰值可达500-800千瓦，功率需求波动可达600千瓦，这对准确预测和平衡港口电网负荷至关重要（Alasali等人，2018）。此外，大多数现有研究仅限于单一港口的案例研究，忽视了不同类型港口在货物结构、运营方式和排放特征上的差异，这大大降低了减排技术解决方案的适用性和有效性（Dallmann等人，2011；Jin等人，2024；Xia等人，2021）。 近年来，人工智能（AI）技术的快速发展为解决港口污染减排和碳排放缓解技术的复杂挑战提供了新方法。这些AI方法主要包括基于生成对抗网络（GAN）的模型和使用多目标优化的算法（H. Luo等人，2024；Tian等人，2024；Zhao等人，2025）。基于条件生成对抗网络（cGAN）的框架在能源数据稀缺的情况下表现出优异的性能。Baasch等人（2021）通过将多个建筑负荷建模为多变量时间序列，仅使用396个序列就实现了0.012的低Jensen–Shannon散度。同样，Shao等人（2024）提出的基于多任务时空GAN（MTST-GAN）的联合预测框架在预测早晚高峰时段的网络级旅行时间可靠性方面表现出色，与基线模型相比降低了平均Jensen–Shannon散度，并在多个指标上优于现有方法。然而，这些基于GAN的模型在处理多样化的港口排放源和复杂的能源消耗模式时仍存在局限性，无法充分考虑港口特定的时空特征和运营流程。多目标优化算法为技术解决方案筛选提供了新途径。最近在港口运营优化方面的进展展示了将多种AI方法与运营数据相结合的潜力。Nadi等人（2021）开发了一个结合前馈神经网络和进化算法的混合框架，用于鹿特丹港的卡车流量预测，成功捕捉了集装箱周转变化的复杂滞后响应。Bai等人（2022）分析了30个主要集装箱港口的AIS数据，以量化疫情引起的中断传播，并为平衡健康、经济和可持续性关切的多目标决策框架提供了信息。Yin等人（2024）通过贝叶斯网络分析267份事件报告，确定了极端天气、劳资纠纷和拥堵是主要的中断因素，而Van Nguyen等人（2020）将数据挖掘与网络理论相结合，以解决涉及地理、效率和经济考虑的多维港口规划挑战。 本研究提出了一种基于GAN的港口污染减排和碳排放缓解技术解决方案生成框架，整合了三项关键创新：首先，多尺度条件GAN架构，能够捕捉港口特征与减排技术之间的复杂关联；其次，自适应技术组合优化算法，可根据港口参数动态调整解决方案；第三，基于多标准决策分析的全面评估指标系统，涵盖减排、碳排放缓解、经济成本和技术可行性等多个目标。通过在舟山沙朗湖码头的应用实践证明，该框架优于现有方法，推荐的解决方案与专家建议的一致性超过85%，减排性能提高了10.4%。本研究为不同类型的港口提供了定制化解决方案，对推动绿色和低碳港口发展具有重大价值。表1详细比较了所提出的框架与以往研究的方法创新，强调了在数据整合、不确定性处理和多目标优化方面的创新。

研究对象和数据来源

本研究选择舟山沙朗湖码头作为研究对象（图S1），该码头位于浙江省舟山市大山镇沙朗湖岛上，是一个典型的大型专用干散货码头，主要从事铁矿石和混合矿石的水上转运。该码头是一个离岸岛屿式设施，没有道路或铁路接入，所有货物均通过水路运输。

研究数据主要来源于...

港口排放源构成和能源消耗结构特征

港口碳排放源构成分析显示，2021-2022年间，购买的电力是码头的主要碳排放源，如图3a所示，占总排放量的65.8%（2021年）和65.3%（2022年）。其次是船舶辅助发动机的排放，占总排放量的18.9%（2021年）和19.3%（2022年）。此外，矿石混合过程也贡献了约9.5%（2021年）和9.8%（2022年）的碳排放。

讨论

本研究提出了一种基于GAN的港口污染减排和碳排放缓解技术解决方案生成框架，并通过具体码头的应用实践证明了其有效性。结果显示，碳排放主要来源于购买的电力（约65%）、停靠期间的辅助发动机排放（约20%）和矿石混合过程（约10%），显示出高度电气化的特征和动态变化模式。

Juncheng Wu：撰写——原始草稿、可视化、方法论、调查、正式分析、数据整理。Xianhao Guo：验证、数据整理。Shitao Peng：撰写——审阅与编辑、监督。Shaojie Song：撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念化。 代码可用性

本文的核心PortTech-GAN框架可在Zenodo上获取（https://doi.org/10.5281/zenodo.15350301）。该仓库包含了我们的港口减排技术解决方案生成和推荐系统的完整实现，包括核心GAN模型架构（port_gan_model.py）、技术解决方案评估系统（evaluator.py）和推荐系统（recommender.py），以及数据生成（data_generator.py）和数据处理支持模块。

资助

本工作得到了国家重点研发计划（2024YFC3712301）的支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。