Gekko制冷系统压缩机优化模型求解失败求助

问题背景 #

需基于价格向量、储冷容量Q_Spc与逐时冷负荷coolLoad，求解24小时内压缩机逐时控制变量ST_V的最优值，后续计划集成机器学习模型。当前Gekko测试模型运行时触发Degrees of freedom <=0警告，APOPT求解器迭代至最大次数后返回@error: Solution Not Found，但该优化问题已通过Scipy的SLSQP方法成功求解。

核心排查点 #

• 自由度失衡：检查控制变量数量与约束条件数量，若约束过度绑定变量，会导致自由度≤0，求解器无法找到可行解空间。
• 约束逻辑冗余/错误：如重复定义储冷罐能量平衡约束、设置过严的等式边界（强制某时刻储冷量为固定值），都会限制变量的调整空间。
• 变量边界设置不当：若ST_V的上下限完全重合，或边界设置与实际工况冲突，会直接导致变量失去自由度。
• 求解器参数配置不足：APOPT默认迭代次数可能不足以收敛，或求解器类型不匹配当前问题特性。

修复方案 #

1. 重新核算并调整自由度

   • 确认24个ST_V为独立控制变量，删除冗余等式约束。例如仅保留初始储冷量约束，无需强制终值与初始值相等，避免过度约束。
   • 确保总自由度（变量数-约束数）>0，给求解器留足可行解空间。

2. 修正约束逻辑

   • 储冷罐能量平衡仅设置递推约束：储冷量(t+1) = 储冷量(t) + ST_V(t) - coolLoad(t)，储冷量范围通过lb=0、ub=Q_Spc的不等式约束限制，而非等式约束。
   • 避免将冷负荷直接与ST_V绑定，利用储冷量的缓冲作用实现成本优化。

3. 优化变量边界

   • 给ST_V设置合理的上下限，例如lb=0、ub=压缩机最大出力，确保变量有调整空间，避免边界重合导致变量固定。

4. 调整求解器配置

   • 切换求解器或增加迭代次数：在Gekko中设置m.options.SOLVER=1（APOPT）并将m.options.MAX_ITER调至10000，或尝试m.options.SOLVER=3（IPOPT）求解。
   • 启用冷启动：添加m.options.COLDSTART=1，帮助求解器快速找到初始可行解。

验证示例代码 #

from gekko import GEKKO
import numpy as np

# 模拟输入数据
price = np.random.uniform(0.5, 2.0, 24)  # 逐时电价
coolLoad = np.random.uniform(50, 150, 24)  # 逐时冷负荷
Q_Spc = 600  # 储冷罐最大容量
max_stv = 200  # 压缩机最大出力

# 初始化Gekko模型
m = GEKKO(remote=False)
m.time = np.linspace(0, 23, 24)

# 定义变量
ST_V = m.Array(m.Var, 24, lb=0, ub=max_stv)  # 24小时压缩机控制变量
Q = m.Array(m.Var, 24, lb=0, ub=Q_Spc)  # 逐时储冷量

# 能量平衡约束
for t in range(23):
    m.Equation(Q[t+1] == Q[t] + ST_V[t] - coolLoad[t])
# 初始储冷量设为0
m.Equation(Q[0] == 0)

# 目标函数：最小化总运行成本
m.Obj(sum(price[t] * ST_V[t] for t in range(24)))

# 求解器配置
m.options.SOLVER = 1  # 选择APOPT求解器
m.options.MAX_ITER = 10000  # 增加最大迭代次数
m.options.COLDSTART = 1  # 启用冷启动

# 求解模型
m.solve(disp=True)

# 输出最优结果
print("24小时最优ST_V值：")
for t in range(24):
    print(f"第{t+1}小时：{ST_V[t].value[0]:.2f}")

内容的提问来源于stack exchange，提问作者Marius Madaus