如何在PYOMO的energy_balance约束中使用二进制变量insufficient_dispatch

Pyomo不支持直接在约束里写Python的if-else逻辑，必须把条件约束转化为线性约束组，这里用大M法解决你的需求，分两步完成：

1. 把二进制变量insufficient_dispatch[m]的逻辑转化为线性约束 #

你需要这个变量在lost_load[m] ≥ 0.1*load[m]时取1，否则取0，用大M法实现：

# 定义大M值，取场景中lost_load最大可能值的1.1倍（确保足够大）
M = max(model.load.values()) * 1.1
# 极小值ε，避免浮点误差导致的边界歧义
ε = 1e-6

# 约束1：当insufficient_dispatch[m]=1时，lost_load[m] ≥ 0.1*load[m]
def lost_load_high_rule(model, m):
    return model.lost_load[m] >= 0.1 * model.load[m] - M * (1 - model.insufficient_dispatch[m])
model.lost_load_high = pyo.Constraint(model.timeset, rule=lost_load_high_rule)

# 约束2：当insufficient_dispatch[m]=0时，lost_load[m] ≤ 0.1*load[m] - ε
def lost_load_low_rule(model, m):
    return model.lost_load[m] <= 0.1 * model.load[m] - ε + M * model.insufficient_dispatch[m]
model.lost_load_low = pyo.Constraint(model.timeset, rule=lost_load_low_rule)

2. 实现基于insufficient_dispatch[m]的能量平衡约束 #

你的需求可以通过两组线性约束覆盖：

# 定义总供应表达式，简化后续约束写法
model.total_supply = pyo.Expression(model.timeset, rule=lambda model, m: 
    model.solar_use[m] + model.wind_use[m] + model.e_out[m] - model.e_in[m] + model.lost_load[m])

# 基础约束：两种场景都满足0.9*grid[m] ≤ total_supply[m]
def balance_base_rule(model, m):
    return 0.9 * model.grid[m] <= model.total_supply[m]
model.balance_base = pyo.Constraint(model.timeset, rule=balance_base_rule)

# 严格约束：仅当insufficient_dispatch[m]=0时，要求grid[m] ≤ total_supply[m]
def balance_strict_rule(model, m):
    return model.grid[m] <= model.total_supply[m] + M * (1 - model.insufficient_dispatch[m])
model.balance_strict = pyo.Constraint(model.timeset, rule=balance_strict_rule)

逻辑说明 #

• 当insufficient_dispatch[m]=0时，balance_strict约束生效，强制grid[m] ≤ total_supply[m]，balance_base约束会自动满足；
• 当insufficient_dispatch[m]=1时，balance_strict约束中的M*(1-0)会让约束松弛，此时只有balance_base约束生效，即0.9*grid[m] ≤ total_supply[m]。

注意点 #

• 大M值不能太小，否则会限制模型可行域；也不能过大，避免数值计算不稳定；
• ε的取值要足够小，不会影响模型结果的合理性，仅用来避免边界条件下的二进制变量歧义。

内容的提问来源于stack exchange，提问作者Vesper