单位承诺约束 pyomo

Question

我目前尝试使用this 单元承诺示例来使用pyomo 构建我自己的模型。在定义开启和关闭变量后，我很难实现以下等式：Equation

yalmip 示例非常简单：

for k = 2:Horizon
 for unit = 1:Nunits
  % indicator will be 1 only when switched on
  indicator = onoff(unit,k)-onoff(unit,k-1);
  range = k:min(Horizon,k+minup(unit)-1);
  % Constraints will be redundant unless indicator = 1
  Constraints = [Constraints, onoff(unit,range) >= indicator];
 end
end

现在我只研究一个单元，它给了我这个模型。

model = ConcreteModel()

p = prices
ts = timesteps
ut = min_uptime1

model.x = Var(ts, within = Binary) #onoff
model.v = Var(ts, within = Binary) #switch_on
model.w = Var(ts, within = Binary) #switch_off

def obj_rule(model):
    return sum(p[t] * model.x[t] - 0.001 * (model.v[t] + model.w[t]) for t in ts)
model.revenue = Objective(rule = obj_rule, sense = maximize)
#start-up, shut-down costs will be added

def daily_uptime_rule (model):
    return sum(model.x[t] for t in ts) == 12
model.daily_uptime_rule = \
    Constraint(rule = daily_uptime_rule)

def switch_on(model, t):
    if t == ts[0]:
        return model.v[t] >= 1 - (1 - model.x[t])
    else:
        return model.v[t] >= 1 - model.x[t-1] - (1 - model.x[t])
model.switch_on = \
    Constraint(ts, rule = switch_on)

def switch_off(model, t):
    if t == ts[23]:
        return model.w[t] >= model.x[t]
    else:
        return model.w[t] >= 1 - model.x[t+1] + (model.x[t] - 1)
model.switch_off = \
    Constraint(ts, rule = switch_off)

def min_ut(model, t):
    a = list(range(t, (min(ts[23], t+ut-1)+1)))
    for i in a:
        return model.x[i] >= model.v[t]
model.min_ut = \   
    Constraint(ts, rule = min_ut)

我的问题是，我无法在 pyomo 中以相同的方式访问变量 x。对于每个时间步 t，我们需要 t+1、t+2、.. t+min_up -1 的约束，但我不能使用带变量的范围（model.x）。我可以使用 pyomo 中的 yalmip 示例还是需要新的公式？

Answer 1

好的，所以这里的基本问题似乎是您想要做的求和指数取决于不等式的 RHS。您可以通过几种方式构建总和的索引。您只需要注意您构造的值是有效的。这是一个可能对您有所帮助的想法。这个玩具模型试图最大化 x[t] 的总和，但限制 x[t] t 的传递值“即时”构建求和范围：

from pyomo.environ import *

m = ConcreteModel()

m.t = Set(initialize=range(5))

m.x = Var(m.t)

# constrain x_t to be less than the sum of x_(t-1), x_(t-2)
def x_limiter(m, t):
    if t==0:
        return m.x[t] <= 1   # limit the first value
    # upperlimit on remainder is sum of previous 2
    return sum(m.x[i] for i in range(t-2, t) if i in m.t) >= m.x[t]
m.c1 = Constraint(m.t, rule=x_limiter)

# try to maximize x
m.OBJ = Objective(expr=sum(m.x[t] for t in m.t), sense=maximize)

solver = SolverFactory('glpk')

m.pprint()

solver.solve(m)

m.display()

它完成了工作：

  Variables:
    x : Size=5, Index=t
        Key : Lower : Value : Upper : Fixed : Stale : Domain
          0 :  None :   1.0 :  None : False : False :  Reals
          1 :  None :   1.0 :  None : False : False :  Reals
          2 :  None :   2.0 :  None : False : False :  Reals
          3 :  None :   3.0 :  None : False : False :  Reals
          4 :  None :   5.0 :  None : False : False :  Reals

  Objectives:
    OBJ : Size=1, Index=None, Active=True
        Key  : Active : Value
        None :   True :  12.0

最近的这个帖子也有类似的想法：

Pyomo creating a variable time index