如何在 Pyomo 中添加标志约束？答案

【问题标题】：How to add a flag constraint in Pyomo?如何在 Pyomo 中添加标志约束？
【发布时间】：2019-12-12 03:52:20
【问题描述】：

我正在尝试模拟具有充电和放电约束的电池调度模型。 BESS 正在从太阳能光伏系统充电。当我当前运行模型时，BESS 有时会同时充电和放电。如何添加一个标志，使得当 Charge >、Discharge =0 时，反之亦然。

 def market_constraintx0(model, t):

        return (model.Charge[t] <= df.loc[t,'PVGeneration']*stripeff)

    model.market_rulex0 = Constraint(model.T, rule=market_constraintx0)

    def market_constraintx1(model, t):

        return (model.Charge[t] + model.RegDown[t]  <= model.ChargeMax)

    model.market_rulex1 = Constraint(model.T, rule=market_constraintx1)

    def market_constraintx2(model, t):

        return ( model.Discharge[t] + model.RegUp[t]  <= model.DischargeMax)

    model.market_rulex2 = Constraint(model.T, rule=market_constraintx2)


    def charge_soc(model, t):

        return model.RegUp[t] + model.Discharge[t]  <= model.SoC[t] * stripeff     ###Battery discharge and regup capacity is limited by SOC

    model.charge_soc = Constraint(model.T, rule=charge_soc)

    def discharge_soc(model, t):

        return model.RegDown[t] + model.Charge[t] <= (model.SoCmax - model.SoC[t])/stripeff        ### Battery can be charged by the amount of capacity left to charge.

    model.discharge_soc = Constraint(model.T, rule=discharge_soc)

【问题讨论】：

标签： python optimization pyomo battery

【解决方案1】：

约束

x >= 0 or y >= 0

有时称为互补条件。也可以写成：

x * y = 0

（我假设 x 和 y 是非负变量）。有不同的方法可以解决这个问题：

互补求解器。一些求解器直接支持这种约束。数学编程模型中的互补性约束称为 MPEC（具有平衡约束的数学编程）。所以这些求解器有时被称为 MPEC 求解器。
非线性公式。约束 x*y=0 不是很容易，但全局求解器应该能够可靠地处理这个问题。然而，这些求解器只处理相对较小的模型（与本地求解器相比）。
离散公式。使用二元变量或 SOS1 构造制定 OR 条件。如果模型的其余部分是线性的，这尤其有用。

您可能需要查看 pyomo.mpec。如需更多信息，请参阅link。

【讨论】：

【解决方案2】：

如果你想坚持（混合整数）线性公式，你也可以寻找指标约束，一般讨论in this question。 CPLEX 和 Gurobi 等一些求解器似乎具有针对指标约束的特定约束类型，但我不熟悉如何在 Pyomo 中使用它们。

通常，您可以使用“大 M”公式获得类似的功能。在您的情况下，类似于：

model.Indicator = Var(model.T, within=Binary)
model.M = Param(initialize=1000)

def charge_indicator_constraint(model, t):
    return model.M * model.Indicator[t] >= model.Charge[t]
...

def discharge_indicator_constraint(model, t):
    return (1 - model.M) * model.Indicator >= model.Discharge[t]
...

正如我在链接到的问题中所讨论的，选择正确的 model.M 值对于保持模型公式“紧密”很重要，在您的情况下，您可能会将其直接与 BESS 的额定功率联系起来.

【讨论】：