基于Pyomo的带条件非线性效用项的目标函数构建问题

问题根源 #

你遇到的报错是因为Pyomo的变量（Var）是符号变量，不能直接用于Python原生的布尔判断（如if语句）或内置max()函数，必须用Pyomo支持的建模方式表达条件逻辑。以下是针对你的电池效用项的可行实现方法：

方法1：用Pyomo内置的max()构建连续非线性表达式（推荐，适配Ipopt） #

Ipopt支持连续非线性表达式，你可以用Pyomo提供的max()（而非Python原生函数）拆分效用项：

• 当SOC_Bat >= SOC_Bat'时，效用项等价于 max(SOC_Bat - SOC_Bat', 0)**alpha
• 当SOC_Bat < SOC_Bat'时，效用项等价于 -delta * max(SOC_Bat' - SOC_Bat, 0)**beta

完整代码示例：

from pyomo.environ import ConcreteModel, Var, Param, Objective, maximize, max as pmax  # 重命名避免混淆

# 初始化模型与参数
m = ConcreteModel()
m.T = RangeSet(0, 23)  # 假设时间维度为24小时
m.grid_buy = Var(m.T, domain=NonNegativeReals)  # 购电量
m.grid_sell = Var(m.T, domain=NonNegativeReals)  # 售电量
m.SOC_Bat = Var(domain=Reals)  # 电池优化后SOC
# 定义固定参数
m.SOC_Bat_prime = Param(initialize=0.5)  # 原始固定SOC
m.alpha = Param(initialize=1.5)
m.delta = Param(initialize=0.8)
m.beta = Param(initialize=2.0)
m.p_buying = Param(m.T, initialize=0.5)  # 购电价格
m.p_selling = Param(m.T, initialize=0.3)  # 售电价格

# 目标函数规则
def obj_rule(m):
    energy_cost = sum(m.grid_buy[t] * m.p_buying[t] for t in m.T)
    energy_profit = sum(m.grid_sell[t] * m.p_selling[t] for t in m.T)
    # 构建效用项
    utility = pmax(m.SOC_Bat - m.SOC_Bat_prime, 0)**m.alpha - m.delta * pmax(m.SOC_Bat_prime - m.SOC_Bat, 0)**m.beta
    # 最终目标：Min C = 购电成本 - 售电利润 - 效用项（根据你的需求调整符号）
    return energy_cost - energy_profit - utility

m.obj = Objective(rule=obj_rule, sense=minimize)

方法2：引入二进制变量建模逻辑（适用于MINLP求解器） #

如果你需要严格的分段逻辑，可引入二进制变量z标记SOC的状态，但此方法需要支持混合整数非线性规划的求解器（如Bonmin），因为Ipopt仅处理连续问题：

from pyomo.environ import Binary

m.z = Var(domain=Binary)  # z=1表示SOC_Bat >= SOC_Bat'，z=0反之
M = 1.0  # 足够大的常数，需大于SOC的最大可能波动范围

# 添加约束限定z的逻辑
m.con1 = Constraint(expr=m.SOC_Bat - m.SOC_Bat_prime >= -M*(1 - m.z))
m.con2 = Constraint(expr=m.SOC_Bat - m.SOC_Bat_prime <= M*m.z)

# 重构效用项
def obj_rule(m):
    energy_cost = sum(m.grid_buy[t] * m.p_buying[t] for t in m.T)
    energy_profit = sum(m.grid_sell[t] * m.p_selling[t] for t in m.T)
    utility = m.z * (m.SOC_Bat - m.SOC_Bat_prime)**m.alpha + (1 - m.z) * (-m.delta * (m.SOC_Bat_prime - m.SOC_Bat)**m.beta)
    return energy_cost - energy_profit - utility

方法3：使用Pyomo的Piecewise组件定义分段函数 #

对于单断点的分段函数，此方法稍显繁琐，但适合多断点场景：

from pyomo.environ import Piecewise

m.u = Var()  # 效用项变量
breakpoints = [m.SOC_Bat_prime()]  # 分段断点

# 定义分段函数逻辑
def u_fun(soc):
    if soc >= m.SOC_Bat_prime():
        return (soc - m.SOC_Bat_prime())**m.alpha()
    else:
        return -m.delta()*(m.SOC_Bat_prime() - soc)**m.beta()

# 绑定分段函数到变量
m.piecewise_u = Piecewise(m.u, m.SOC_Bat, pw_pts=breakpoints, f_rule=u_fun, pw_constr_type='NC')

# 目标函数中直接使用m.u
def obj_rule(m):
    energy_cost = sum(m.grid_buy[t] * m.p_buying[t] for t in m.T)
    energy_profit = sum(m.grid_sell[t] * m.p_selling[t] for t in m.T)
    return energy_cost - energy_profit - m.u

关键注意事项 #

• 所有固定参数（如SOC_Bat_prime、alpha）必须定义为Pyomo的Param，而非普通Python变量。
• 优先使用方法1，无需切换求解器，Ipopt可直接处理该连续非线性表达式。

内容的提问来源于stack exchange，提问作者toni.bo