You need to enable JavaScript to run this app. Pyomo机组组合模型对偶提取及含二元变量场景获取影子价格咨询
优惠活动
大模型
产品
解决方案
定价
更多

Pyomo机组组合模型对偶提取及含二元变量场景获取影子价格咨询

全约束对偶值与松弛量的通用批量提取

现在手动为每个约束建字典拼DataFrame的写法重复度很高,后续加新约束还要反复修改代码,完全可以通过遍历模型全量约束的方式实现通用提取,不需要逐一定义:

  • Pyomo 内置了组件遍历接口,可以直接抓取模型中所有处于激活状态的约束,不管是无索引的单约束(比如你的m.demandP、m.demandR),还是带集合索引的约束集(比如按机组索引的m.lb、m.ub),都能统一兼容。
  • 核心实现逻辑是遍历所有约束的所有索引项,逐行提取对偶值、上下松弛量,最后拼成规整的DataFrame,可直接复用的代码如下:
def extract_all_constraint_metrics(model):
    record_list = []
    # 遍历模型中所有激活状态的约束组件
    for con in model.component_objects(pyo.Constraint, active=True):
        # 遍历每个约束下的所有索引条目(无索引的单约束,索引值为None)
        for idx in con:
            con_item = con[idx]
            record_list.append({
                "约束名称": con.name,
                "索引键": str(idx),
                "对偶值": model.dual.get(con_item, None),
                "上界松弛量": con_item.uslack(),
                "下界松弛量": con_item.lslack()
            })
    return pd.DataFrame(record_list)

# 直接调用即可拿到全量约束结果
constraint_result = extract_all_constraint_metrics(m)

这个方法不需要对后续新增的约束做任何适配,输出的结构和你现在手动拼接的结果完全一致,没有额外的格式问题。

含二元变量的混合整数规划场景下的影子价格获取

先把底层逻辑说清楚:含二元变量的混合整数规划问题本身不存在传统连续优化意义上的全局对偶值——这不是Pyomo或者求解器的功能缺失,是问题本身的特性决定的:二元变量的取值是离散跳变的,不存在连续的边际变化,求解器在求解MIP时本身就不会输出全局对偶值,这也是你启用二元变量后读不到对偶值的核心原因。
在机组组合这类电力优化场景中,我们实际用到的影子价格,本来就不是MIP的全局对偶,而是固定最优机组启停状态下,剩余连续子问题的对偶值,对应的标准实现流程完全可落地:

  1. 正常求解完整的混合整数机组组合模型,拿到所有二元启停变量的最优取值;
  2. 把所有二元变量固定为求解得到的最优值,将原MIP模型转换为纯连续的线性规划问题;
  3. 对这个固定了二元状态的LP模型重新求解,此时求解器返回的对偶值,就是当前最优机组组合下各物理约束的影子价格,和参考教材中例3.1的影子价格计算逻辑完全匹配。
    对应的核心实现代码片段:
# 1. 求解完整MIP拿到最优启停状态
m = unit_commitment()
# 启用二元变量与对应的机组出力关联约束
m.OnOff = pyo.Var(m.N, domain=pyo.Binary)
m.lb = pyo.Constraint(m.N, rule=lambda m, n: Gen[n]['Cap_min'] * m.OnOff[n] <= m.Pgen[n] + m.Rgen[n])
m.ub = pyo.Constraint(m.N, rule=lambda m, n: Gen[n]['Cap_MW'] * m.OnOff[n] >= m.Pgen[n] + m.Rgen[n])
solver = pyo.SolverFactory('glpk')
solver.solve(m)

# 2. 固定所有二元变量为最优值,转成纯连续LP
for n in m.N:
    m.OnOff[n].fix(pyo.value(m.OnOff[n]))

# 3. 重新求解LP模型,即可正常读取对偶值
solver.solve(m)
# 调用之前写的通用提取函数获取全部结果
constraint_result = extract_all_constraint_metrics(m)

实操注意点:

  • 这种方法得到的影子价格,是当前给定最优机组组合下的连续边际值,也是电力系统机组组合分析中影子价格的标准定义形式,Gurobi、CPLEX等商业求解器内置的MIP边际值计算,本质也是采用相同的固定二元变量求LP对偶的逻辑。
  • 不存在对应机组启停状态跳变的全局统一影子价格,如果需要分析不同启停场景下的边际价格,需要对每种场景分别固定二元状态求解对应LP的对偶值。

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

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.11 08:36:03