Pyomo中如何实现仅当连续时刻变量差为0时生效的约束？

原代码的问题 #

1. 不能直接判断优化变量的相等性：Pyomo在构建模型阶段无法知晓优化变量的取值，因此不能在约束规则中用model.SOC[t] == model.SOC[t+1]这种逻辑判断。
2. 错误定义calendar_aging为Expression：Expression是由其他变量计算得出的派生值，不能被约束赋值，必须改为Var类型。

解决方案：二进制变量+大M法 #

通过引入二进制变量标记SOC是否相等，结合大M约束实现逻辑判断，具体步骤如下：

1. 定义二进制变量

新增二进制变量z[t]，用于标记第t时刻与t+1时刻的SOC是否相等：

• z[t] = 1：SOC[t] == SOC[t+1]
• z[t] = 0：SOC[t] != SOC[t+1]

model.z = Var(model.T, domain=Binary)

2. 计算大M值

大M需取SOC的最大可能差值，确保约束有效：

M = model.SoC_max - model.SoC_min

3. 关联二进制变量与SOC的约束

添加两个约束，确保当z[t]=1时，SOC[t]与SOC[t+1]必须相等；当z[t]=0时，SOC可自由变化：

def soc_equal_upper(model, t):
    if t == model.T.last():  # 最后一个时刻无后续时刻，跳过约束
        return Constraint.Skip
    return model.SOC[t] - model.SOC[t+1] <= M * (1 - model.z[t])
model.soc_equal_upper = Constraint(model.T, rule=soc_equal_upper)

def soc_equal_lower(model, t):
    if t == model.T.last():
        return Constraint.Skip
    return model.SOC[t+1] - model.SOC[t] <= M * (1 - model.z[t])
model.soc_equal_lower = Constraint(model.T, rule=soc_equal_lower)

4. 重新定义calendar_aging为Var

将原Expression改为Var，使其可被约束赋值：

model.calendar_aging = Var(model.T)

5. 添加日历老化的条件约束

根据z[t]的取值，控制calendar_aging的取值：

def calendar_aging_rule(model, t):
    if t == 1:
        return model.calendar_aging[t] == 0  # t=1时固定为0
    if t == model.T.last():
        return model.calendar_aging[t] == 0  # 最后一个时刻无后续，固定为0
    # 计算日历老化表达式
    aging_expr = (-0.0000006084 * model.SOC[t]**2 + 0.0000028168 * model.SOC[t] + 0.0000614109) * 12 * model.idle[t]
    # z[t]=1时取表达式值，z[t]=0时取0
    return model.calendar_aging[t] == model.z[t] * aging_expr
model.calendar_aging_constraint = Constraint(model.T, rule=calendar_aging_rule)

注意事项 #

• 大M取值必须足够大（至少等于SoC_max - SoC_min），否则约束会失效。
• 由于老化表达式包含二次项，模型属于非线性规划（NLP），需使用支持非线性的求解器（如Ipopt）。若需使用MILP求解器，需将二次项线性化。

内容的提问来源于stack exchange，提问作者Paul