Python SciPy.Optimize构建SCED约束字典报错咨询

你遇到的两个报错和逻辑问题根源有三个：

• LinearConstraint触发未知类型错误：该类构造器要求第一个参数为线性系数矩阵/线性算子，满足约束形式lb ≤ A @ x ≤ ub，直接传入决策变量切片不符合参数格式要求。
• NonlinearConstraint触发无属性A错误：一方面该类的第一个参数必须是输入决策变量、返回约束值的可调用函数，你直接传入数组切片本身参数非法；另一方面这类纯单变量边界约束是线性约束，部分求解器处理约束时会优先读取线性约束专属的A系数矩阵属性，非线性约束对象没有该属性，自然抛出属性错误。用非线性约束承载线性关系本身就会大幅拉低求解效率，完全不适合SCED这类大规模线性规划场景。
• 约束生成逻辑存在严重bug：你写的三个约束生成函数，在双层for循环的第一次迭代（即t=0、g=0时）就直接return结果，最终只生成了1组3条约束，全时段、其余机组的几百上千条约束全部丢失，根本不符合建模需求。

你需要的分段出力上下界是最基础的线性边界约束，不需要用非线性约束接口，根据建模习惯选以下任意一种方式实现即可：

方案1：直接通过变量边界传入（效率最高，推荐） #

如果约束是给单个决策变量设置上下界，直接构造Bounds对象传入求解器即可，不需要单独构造约束对象，性能最优：

import numpy as np
from scipy.optimize import Bounds

# 先根据你的决策变量展平规则计算总变量数，示例为T个时段、G台机组、每台4段出力的场景
T = len(LOAD)
G = len(GEN)
SEG = 4
n_vars = T * G * SEG

# 初始化所有变量默认上下界，无界的场景可以设为±np.inf
lb = np.full(n_vars, -np.inf)
ub = np.full(n_vars, np.inf)

for t in range(T):
    for g in range(G):
        # 计算每个分段变量在展平后的一维索引，根据你自己的变量排列顺序调整即可
        idx_seg2 = t * G * SEG + g * SEG + 1
        idx_seg3 = t * G * SEG + g * SEG + 2
        idx_seg4 = t * G * SEG + g * SEG + 3
        
        # 给各段设置上下界
        lb[idx_seg2] = 0
        ub[idx_seg2] = P2Max[g]
        lb[idx_seg3] = 0
        ub[idx_seg3] = P3Max[g]
        lb[idx_seg4] = 0
        ub[idx_seg4] = P4Max[g]

var_bounds = Bounds(lb=lb, ub=ub)
# 求解时把var_bounds传给bounds参数即可

方案2：显式构造LinearConstraint（适合线性组合类约束场景） #

如果后续需要加功率平衡、线路潮流这类多变量线性组合的约束，可以统一用LinearConstraint构造，注意第一个参数必须是系数矩阵，大规模问题优先用稀疏矩阵降低内存占用：

import numpy as np
from scipy.optimize import LinearConstraint
from scipy.sparse import csr_matrix

T = len(LOAD)
G = len(GEN)
SEG = 4
n_vars = T * G * SEG

A_data = []
A_row = []
A_col = []
con_lb = []
con_ub = []
current_row = 0

for t in range(T):
    for g in range(G):
        idx_seg2 = t * G * SEG + g * SEG + 1
        idx_seg3 = t * G * SEG + g * SEG + 2
        idx_seg4 = t * G * SEG + g * SEG + 3
        
        # 第二段约束
        A_data.append(1)
        A_row.append(current_row)
        A_col.append(idx_seg2)
        con_lb.append(0)
        con_ub.append(P2Max[g])
        current_row += 1
        
        # 第三段约束
        A_data.append(1)
        A_row.append(current_row)
        A_col.append(idx_seg3)
        con_lb.append(0)
        con_ub.append(P3Max[g])
        current_row += 1
        
        # 第四段约束
        A_data.append(1)
        A_row.append(current_row)
        A_col.append(idx_seg4)
        con_lb.append(0)
        con_ub.append(P4Max[g])
        current_row += 1

# 构造稀疏系数矩阵
A = csr_matrix((A_data, (A_row, A_col)), shape=(current_row, n_vars))
seg_constraints = LinearConstraint(A=A, lb=np.array(con_lb), ub=np.array(con_ub))
# 把seg_constraints和其他约束一起放到约束元组里传入求解器即可

• 不要在循环内部第一次迭代就return，要把所有时段、所有主体的约束全部收集完成后，再统一传入求解器。
• SCED属于大规模线性规划问题，所有线性约束优先用线性接口实现，尽量用稀疏矩阵存储系数，能把求解速度提升几个数量级。
• 单变量上下界优先用Bounds传入，比单独构造线性约束的求解效率更高。

内容的提问来源于stack exchange，提问作者Demetra Salls