1. PyPSA中Gurobi时间限制的设置与常见问题
在pypsa中，可以通过solver_options字典向gurobi求解器传递各种参数，包括timelimit。例如，将timelimit设置为200秒：
solverOptions = {
'LogFile': "gurobiLog",
'MIPGap': 0.001,
'BarConvTol': 0.01,
'TimeLimit': 200, # 200 秒
}当Gurobi求解器达到设定的TimeLimit时，其日志通常会显示类似“Time limit reached”的消息，表明求解器已停止。此时，Gurobi会返回其在规定时间内找到的最佳可行解。
然而，在某些PyPSA版本中，如果仍使用network.lopf()方法来调用优化器，即使Gurobi成功停止并返回了部分结果，PyPSA的底层优化接口（如Pyomo）可能会抛出ValueError: Cannot load a SolverResults object with bad status: aborted错误。这个错误的原因在于lopf()方法可能未能妥善处理求解器在“时间限制”状态下的终止，它可能期望一个“最优”或“可行”的最终状态，而不是“中止”状态。这通常意味着lopf()在处理非完全收敛的求解结果时不够健壮。
2. 解决方案：使用network.optimize()方法
PyPSA的最新版本推荐使用network.optimize()方法替代network.lopf()。network.optimize()方法通常与底层的linopy库结合使用，提供了更现代、更灵活且对求解器终止状态处理更健壮的接口。它能够更好地识别并处理因时间限制而中止的求解过程，并仍能加载求解器在中止时找到的最佳解决方案。
示例代码：
以下是一个完整的PyPSA模型示例，演示如何使用network.optimize()方法设置Gurobi时间限制：
import pypsa
import numpy as np
import pandas as pd
# Pyomo相关的导入在此场景下通常不是必需的，可以移除
# from pyomo.environ import Constraint
# from pyomo.environ import value
# 1. 定义时间范围和频率
start_mt = 1
start_yr = 2022
end_mt = 12
end_yr = 2022
end_day = 31
frequency = 15 # 分钟
snapshots = pd.date_range("{}-{}-01".format(start_yr, start_mt), "{}-{}-{} 23:59".format(end_yr, end_mt, end_day),
freq=str(frequency) + "min")
np.random.seed(len(snapshots))
# 2. 创建PyPSA网络
network = pypsa.Network()
network.add("Bus", "Bus")
network.set_snapshots(snapshots)
# 3. 添加负荷
load_profile = np.random.randint(2800, 3300, len(snapshots))
network.add("Load", "Load profile", bus="Bus", p_set=load_profile)
# 4. 定义发电机数据
generator_data = {
'coal1': {'capacity': 800, 'carrier': 'Coal', 'ramp up': 0.1, 'ramp down': 0.1, 'variable cost': 10, 'co2_emission_factor': 0.95},
'coal2': {'capacity': 600, 'carrier': 'Coal', 'ramp up': 0.1, 'ramp down': 0.1, 'variable cost': 11, 'co2_emission_factor': 0.95},
'coal3': {'capacity': 500, 'carrier': 'Coal', 'ramp up': 0.1, 'ramp down': 0.1, 'variable cost': 11, 'co2_emission_factor': 0.95},
'gas1': {'capacity': 600, 'carrier': 'Gas', 'ramp up': 0.05, 'ramp down': 0.05, 'variable cost': 12, 'co2_emission_factor': 0.45},
'gas2': {'capacity': 600, 'carrier': 'Gas', 'ramp up': 0.05, 'ramp down': 0.05, 'variable cost': 13, 'co2_emission_factor': 0.45},
'nuclear1': {'capacity': 300, 'carrier': 'Nuclear', 'ramp up': 0.01, 'ramp down': 0.01, 'variable cost': 4, 'co2_emission_factor': 0.03},
'nuclear2': {'capacity': 400, 'carrier': 'Nuclear', 'ramp up': 0.01, 'ramp down': 0.01, 'variable cost': 3, 'co2_emission_factor': 0.03},
'nuclear3': {'capacity': 250, 'carrier': 'Nuclear', 'ramp up': 0.01, 'ramp down': 0.01, 'variable cost': 3, 'co2_emission_factor': 0.03},
'solar1': {'capacity': 150, 'carrier': 'Solar', 'ramp up': 0.25, 'ramp down': 0.25, 'variable cost': 1, 'co2_emission_factor': 0.0},
'solar2': {'capacity': 200, 'carrier': 'Solar', 'ramp up': 0.25, 'ramp down': 0.25, 'variable cost': 2, 'co2_emission_factor': 0.0},
'backup': {'capacity': 1000, 'carrier': 'Import', 'ramp up': 0.25, 'ramp down': 0.25, 'variable cost': 2000, 'co2_emission_factor': 1.0},
}
# 5. 添加发电机和载体
for name, data in generator_data.items():
network.add("Generator", name,
bus="Bus",
carrier=data['carrier'],
p_nom=data['capacity'],
marginal_cost=data['variable cost'],
ramp_limit_up=data['ramp up'],
ramp_limit_down=data['ramp down'],
)
network.add("Carrier", "Coal", co2_emissions=0.95)
network.add("Carrier", "Gas", co2_emissions=0.45)
network.add("Carrier", "Nuclear", co2_emissions=0.03)
network.add("Carrier", "Import", co2_emissions=1.0)
network.add("Carrier", "Solar", co2_emissions=0)
# 6. 添加全局约束
network.add(
"GlobalConstraint",
"CO2Limit",
carrier_attribute="co2_emissions",
sense="<=",
constant=50000000,
)
# 7. 配置Gurobi求解器选项，包括TimeLimit
solver_name = "gurobi"
solverOptions = {
'LogFile': "gurobiLog",
'MIPGap': 0.001,
'BarConvTol': 0.01,
'TimeLimit': 20, # 设置时间限制为20秒
}
# 8. 使用network.optimize()进行优化
# 注意：这里使用optimize()代替lopf()
network.optimize(snapshots, solver_name=solver_name, solver_options=solverOptions)
# 9. 导出结果并进行后处理
csv_folder_name = 'model dump'
network.export_to_csv_folder(csv_folder_name)
dispatch = network.generators_t.p
total_gen = dispatch.sum()
co2 = sum([total_gen[gen] * data['co2_emission_factor'] for gen, data in generator_data.items()])
cost = sum([total_gen[gen] * data['variable cost'] for gen, data in generator_data.items()])
print('co2 emission = ', co2)
print('total cost = ', cost)
dispatch['load profile'] = load_profile
dispatch.to_excel('fuel wise dispatch.xlsx')3. 结果解读与注意事项
当使用network.optimize()并设置TimeLimit后，即使Gurobi在时间限制内未能达到最优解，你将看到以下行为：
- Gurobi日志： 日志文件（例如gurobiLog）中会明确显示“Time limit reached”信息，以及求解器在停止时所做的迭代次数和用时。
- PyPSA/Linopy输出： 控制台输出会显示优化状态。即使未达到全局最优，如果求解器在时间限制内找到了可行解，linopy通常会报告Status: ok，并且Termination condition会指示求解器因何种原因停止（例如optimal、feasible或time limit）。optimize()方法会尝试加载并返回在时间限制内找到的最佳可行解。
- 获取结果： network.generators_t.p等属性将包含求解器在时间限制内计算出的调度结果。
注意事项：
- PyPSA版本： 确保你的PyPSA版本支持network.optimize()方法。通常，较新的PyPSA版本（例如0.20及更高版本）推荐使用此方法。如果你的PyPSA版本较旧，可能需要升级。
- lopf()的弃用： 如果你在使用lopf()时收到弃用警告，应立即切换到optimize()以避免潜在问题和利用新功能。
- aborted状态： ValueError: Cannot load a SolverResults object with bad status: aborted错误通常指示Pyomo未能解析求解器返回的特定终止状态。optimize()通过linopy层，提供了更精细的控制和状态解析。
- 不必要的Pyomo导入： 在示例代码中，如果你的模型没有直接使用Pyomo的API（如自定义Pyomo约束），则可以安全地移除from pyomo.environ import Constraint和from pyomo.environ import value等导入语句，使代码更简洁。
- extra_functionality参数： 如果你在lopf()中使用了extra_functionality，在切换到optimize()时需要将其转换为extra_postprocessing或其他适当的参数，具体取决于你的PyPSA版本和需求。在本文的简化示例中，该参数已被移除。
4. 总结
在PyPSA模型中使用Gurobi求解器并设置时间限制时，为了避免aborted错误并确保在时间限制触发后仍能成功获取求解结果，强烈建议使用network.optimize()方法替代已弃用的network.lopf()。network.optimize()提供了更健壮的接口，能够更好地处理Gurobi因时间限制而中止的求解状态，并返回在规定时间内找到的最佳可行解，从而使优化过程更加可靠和高效。
