Ошибка получения решения переменная для правильной оптимизации в Pyomo - PullRequest
Новая
       63

Ошибка получения решения переменная для правильной оптимизации в Pyomo

0 голосов
/ 12 ноября 2018

У меня есть простая многопериодная задача оптимизации, над которой я работаю с использованием pyomo.Цель модели - определить, какие часы должна быть включена или выключена электростанцией на основе Spark Spread (Цена на электроэнергию - Цена на газ * Теплопроизводительность + Переменные затраты) для этого часа.Распространение Spark может быть отрицательным, что означает, что растение должно быть выключено, или положительным, что означает, что растение должно работать.

В настоящее время результаты показывают, что установка просто включается и работает, несмотря на отрицательное распространение искры.

Как заставить завод включаться и выключаться на каждом временном шаге, учитывая разброс искры за этот час?

Я уверен, что это довольно простое решение, но я оченьплохо знакомы с pyomo и проблемами оптимизации, поэтому любые рекомендации и помощь будут высоко оценены.

gas_price = [2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81]
power_price = [26.24,23.8,21.94,20.4,21.2,19.98,19.34,18.83,19.19,18.48,21,21.77,23.45,26.53,29.85,31.8,28.7]

priceDict = dict(enumerate(power_price))
gasDict = dict(enumerate(gas_price))

m = en.ConcreteModel()

m.Time = en.RangeSet(0, len(power_price)-1)
m.powerPrice = en.Param(m.Time, initialize=priceDict)
m.gasPrice = en.Param(m.Time, initialize=gasDict)

m.generation = en.Var(m.Time, bounds=(0,800),
initialize=0)
m.spark = en.Var(m.Time,initialize=0)
m.heatRate = en.Var(m.Time,initialize=7)
m.vom = en.Var(m.Time,initialize=2)

m.max_gen = en.Param(initialize=800)


def Obj_fn(m):
    return sum((m.spark[i]*m.generation[i]) for i in m.Time)
m.total_cost = en.Objective(rule=Obj_fn,sense=en.maximize)

# 7 is the heat rate of the plant
def spark_rule(m,i):
    return (m.spark[i] == m.powerPrice[i]-(m.gasPrice[i]*7+m.vom[i]))
m.hourly_spark = en.Constraint(m.Time,rule=spark_rule)

def generation_rule(m,i):
    return (0<=m.generation[i]<=m.max_gen)
m.t_generation_rule = en.Constraint(m.Time, rule=generation_rule)


opt = SolverFactory("clp",executable='C:\\clp.exe')
results = opt.solve(m)

Выход модели в данный момент: 

Time Generation     Spark Spread
1   0               6.57
2   800             4.13
3   800             2.27
4   800             0.73
5   800             1.53
6   800             0.31
7   800            -0.33
8   800            -0.84
9   800            -0.48
10  800            -1.19
11  800             1.33
12  800             2.1
13  800             3.78
14  800             6.86
15  800            10.18
16  800            12.13
17  800             9.03

1 Ответ

0 голосов
/ 21 ноября 2018

Я могу ошибаться, но я думаю, что вы действительно хотели определить heatRate и vom как параметры, а не как переменные.

Это приводит к странной проблеме, потому что растение будет естественно использовать свою максимальную мощность всякий раз, когда цена «искры» положительна, и идти в 0, когда цена искры отрицательна. Я думаю, вы добавите больше ограничений позже.

Если зафиксированы heatRate и vom, вы можете переопределить проблему следующим образом: 

from pyomo import environ as pe

gas_price = [2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81,2.81]
power_price = [26.24,23.8,21.94,20.4,21.2,19.98,19.34,18.83,19.19,18.48,21,21.77,23.45,26.53,29.85,31.8,28.7]

priceDict = dict(enumerate(power_price))
gasDict = dict(enumerate(gas_price))

m = pe.ConcreteModel()

m.Time = pe.RangeSet(0, len(power_price)-1)

# this are all input parameters
m.powerPrice = pe.Param(m.Time, initialize=priceDict)
m.gasPrice = pe.Param(m.Time, initialize=gasDict)
m.vom = pe.Param(default=7)
m.heatRate = pe.Param(default=2)
m.maxGen = pe.Param(default=800)

# this is a "dependent" parameter
m.spark = pe.Param(m.Time,
    initialize = lambda m,t: m.powerPrice[t]-(m.gasPrice[t]*7+m.vom)
)

# this is the only variable
m.generation = pe.Var(m.Time, 
    initialize=0,
    bounds = (0, m.maxGen)
)

def Obj_fn(m):
    return sum((m.spark[t]*m.generation[t]) for t in m.Time)

m.total_cost = pe.Objective(rule=Obj_fn,sense=pe.maximize)
...