Pyomo多地点小时级优化为何所有输出变量均为零

• 结果导出代码存在低级错误：导出风电装机Pwind、电解槽功率Ph2时，变量全部错误赋值为instance.Psolar，没有读取对应变量的求解结果，是导出值全0的直接原因。
• 模型打印逻辑错误：model.pprint()调用的是未实例化的抽象模型模板，不是求解完成的实例化对象instance，因此会显示组件Size=0、未构建状态，和模型本身构建是否正确无关。
• 目标函数存在数值奇点：分式结构的目标在全0点分子分母均为0，属于数值未定义区域，初始点靠近0时梯度爆炸，求解器容易坍缩到全0的退化解；且你没有给分母加极小值平滑，求解过程中一旦碰到年制氢量接近0的迭代步，就会触发数值错误导致收敛方向偏移。
• 模型规模偏高属于正常现象：全年共8760小时，单地点配置4个逐小时索引的辅助变量时，仅辅助变量就有8760*4=35040个，加3个地点级核心决策变量刚好匹配你统计的35043个变量规模，5地点变量数乘5为175215也和统计值一致，不是建模逻辑错误导致的规模异常。

1. 修正基础代码错误 #

• 修正结果导出段的变量引用：Pwind=instance.Pwind、Ph2=instance.Ph2，不要全部引用光伏装机变量。
• 将模型打印语句改为instance.pprint()，查看实例化、求解后的真实模型结构。
• 给目标函数分母加极小平滑项避免除零：将分母位置的年制氢项从(sum(model.Y_h2[l,h] for h in model.H))*Sy改为(sum(model.Y_h2[l,h] for h in model.H))*Sy + 1e-6，1e-6的偏移量不会对最优解结果产生可感知的影响，但能彻底规避迭代过程中的除零奇点。

2. 压缩模型规模（可将求解速度提升4倍以上） #

你当前定义的4个逐小时辅助变量全部可以被核心决策变量线性表出，无需全部定义为决策变量，可直接消元砍掉冗余变量和约束：

• 直接删除E_res、E_curt、Y_h2三个逐小时辅助变量，仅保留E_h2作为唯一逐小时变量即可。
• 逐小时约束仅需保留2个不等式：

  def eh2_upper1_rule(model, l, h):
      return model.E_h2[l,h] <= model.Psolar[l]*model.CFsolar[l,h] + model.Pwind[l]*model.CFwind[l,h]
  def eh2_upper2_rule(model, l, h):
      return model.E_h2[l,h] <= model.Ph2[l]
  

  由于优化目标是最小化单位制氢成本，最优解下E_h2会自然取到两个上限的最小值，不需要额外加电量平衡、发电量、制氢量的等式约束，也不需要定义弃电变量——弃电本身无成本，不需要显式建模。
• 目标函数可直接简化为：

  def objective_function(model):
      return sum(
          (K_solar*model.Psolar[l] + K_wind*model.Pwind[l] + K_h2*model.Ph2[l]) / (effi*Sy*sum(model.E_h2[l,h] for h in model.H) + 1e-6)
          for l in model.L
      )
  

  改完后单地点变量数会降到8763个，约束数降到17521个，规模直接砍半，求解速度提升明显。

3. 求解配置优化 #

• 调整变量初始值：不要统一用5000作为初始化值，可先计算各地点光伏、风电的年平均容量因子，按土地约束上限的30%-50%给核心变量赋初值，让初始点远离全0奇点。
• 拆分独立子问题：由于各选址点优化完全独立，不需要把所有地点放在同一个模型里求解，可以循环单个地点的模型逐点求解，求解时间和内存占用会随地点数线性下降，不会出现多地点超时的问题。
• 求解器参数适配：用IPOPT求解时可开启自适应障碍参数mu_strategy=adaptive，对分式非线性目标的收敛性提升明显；用Octeract时可适当提高数值精度阈值，避免小数值触发的收敛判定错误。

内容的提问来源于stack exchange，提问作者Levidas