本文旨在指导用户如何在PyPSA模型中为Gurobi求解器设置运算时间限制，并解决因时间限制达到后PyPSA可能抛出的ValueError: Cannot load a SolverResults object with bad status: aborted错误。我们将通过使用PyPSA推荐的network.optimize()方法，确保求解器在达到时间限制时仍能返回可用的中间解。
1. PyPSA中Gurobi求解器时间限制的配置
在PyPSA模型中使用Gurobi求解器时，可以通过solver_options参数来传递Gurobi的各项配置，包括运算时间限制。例如，要设置200秒的时间限制，可以这样配置：
solver_name = "gurobi"solverOptions = { 'LogFile': "gurobiLog", # Gurobi日志文件 'MIPGap': 0.001, # 混合整数规划相对间隙 'BarConvTol': 0.01, # 障碍法收敛容差 'TimeLimit': 200, # 运算时间限制，单位为秒}# 示例：使用network.lopf调用求解器 (此方法已弃用，下文将介绍推荐方案)# network.lopf(network.snapshots, solver_name=solver_name, solver_options=solverOptions)
当上述配置传递给Gurobi求解器后，Gurobi的日志文件（例如gurobiLog）中会明确显示这些参数已被应用：
Gurobi 10.0.1 (win64) logging started Tue Dec 12 19:51:07 2023Set parameter LogFile to value "gurobiLog"Set parameter MIPGap to value 0.001Set parameter BarConvTol to value 0.01Set parameter TimeLimit to value 200
如果求解器在指定的时间限制内未能找到最优解，或者达到了时间限制，日志中会显示类似以下信息：
Stopped in 136184 iterations and 200.04 seconds (280.23 work units)Time limit reached
这表明Gurobi求解器已正确识别并遵守了时间限制。
2. 理解“Aborted”错误及其原因
尽管Gurobi求解器成功地在时间限制内停止了计算，但在某些PyPSA版本或Pyomo（PyPSA底层优化建模库）的特定集成中，直接使用network.lopf方法可能会导致以下错误：
ValueError: Cannot load a SolverResults object with bad status: aborted
这个错误意味着Pyomo无法加载Gurobi返回的求解结果，因为它收到了一个“aborted”（中止）的状态。通常，当求解器因时间限制、迭代限制或其他非“最优”或“可行”状态而停止时，可能会返回这样的状态。network.lopf方法在处理这种非标准终止状态时可能不够健壮，导致程序崩溃，无法获取到在时间限制内找到的最佳可行解。
3. 推荐解决方案：使用 network.optimize()
为了更稳定地处理Gurobi求解器的时间限制终止情况，PyPSA推荐使用network.optimize()方法代替network.lopf()。network.optimize()是PyPSA中更现代、更灵活的优化接口，它能更好地处理各种求解器状态，包括因时间限制而中止的情况，并允许用户访问在此之前找到的最佳可行解。
以下是使用network.optimize()方法设置Gurobi时间限制的示例代码：
import pypsaimport numpy as npimport pandas as pd# from pyomo.environ import Constraint, value # 这些Pyomo导入在此示例中不是必需的# 设置时间范围和频率start_mt = 1start_yr = 2022end_mt = 12end_yr = 2022end_day = 31frequency = 15snapshots = pd.date_range(f"{start_yr}-{start_mt}-01", f"{end_yr}-{end_mt}-{end_day} 23:59", freq=f"{frequency}min")np.random.seed(len(snapshots))# 创建PyPSA网络network = pypsa.Network()network.add("Bus", "Bus")network.set_snapshots(snapshots)# 添加负荷load_profile = np.random.randint(2800, 3300, len(snapshots))network.add("Load", "Load profile", bus="Bus", p_set=load_profile)# 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},}# 添加发电机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'], )# 添加载体及其CO2排放因子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)# 添加全局约束network.add( "GlobalConstraint", "CO2Limit", carrier_attribute="co2_emissions", sense="<=", constant=50000000,)# 配置Gurobi求解器选项，包括TimeLimitsolver_name = "gurobi"solverOptions = { 'LogFile': "gurobiLog", 'MIPGap': 0.001, 'BarConvTol': 0.01, 'TimeLimit': 5, # 设置一个较短的时间限制用于测试}# 使用network.optimize()方法进行优化# 注意：network.lopf()已被弃用，推荐使用network.optimize()network.optimize(snapshots=network.snapshots, solver_name=solver_name, solver_options=solverOptions)# 导出网络模型csv_folder_name = 'model dump'network.export_to_csv_folder(csv_folder_name)# 计算并打印结果dispatch = network.generators_t.ptotal_gen = dispatch.sum()# 注意：这里直接使用了generator_data中的co2_emission_factor和variable cost# 实际PyPSA模型中，这些信息通常会存储在network.generators或network.carriers中co2 = sum([total_gen[gen] * generator_data[gen]['co2_emission_factor'] for gen in total_gen.index])cost = sum([total_gen[gen] * generator_data[gen]['variable cost'] for gen in total_gen.index])print('co2 emission = ', co2)print('total cost = ', cost)dispatch['load profile'] = load_profiledispatch.to_excel('fuel wise dispatch.xlsx')
当使用network.optimize()并在Gurobi达到时间限制时，控制台输出和日志通常会显示求解器状态，例如：
INFO:gurobipy.gurobipy:Solved in 256542 iterations and 13.88 seconds (31.22 work units)INFO:gurobipy.gurobipy:Solved in 256542 iterations and 13.88 seconds (31.22 work units)Optimal objective 1.107350697e+09INFO:gurobipy.gurobipy:Optimal objective 1.107350697e+09INFO:linopy.constants: Optimization successful: Status: okTermination condition: optimalSolution: 385440 primals, 1576779 dualsObjective: 1.11e+09Solver model: availableSolver message: 2# ... (后续PyPSA的输出)
即使Gurobi因时间限制而停止，network.optimize()也能正确处理其返回的状态，并允许PyPSA加载在此之前找到的最佳可行解（如果存在），而不是直接抛出错误。Termination condition: optimal或Time limit reached等信息会清晰地指示求解器的最终状态。
4. 注意事项与最佳实践
network.lopf()的弃用：network.lopf()方法已被标记为弃用。强烈建议所有新代码和现有代码迁移到network.optimize()，以利用其更强大的功能和更稳定的错误处理机制。理解求解器状态：即使求解器因时间限制而停止，network.optimize()也会尝试加载最佳可行解。用户应检查求解器的最终状态（例如，通过PyPSA或Gurobi日志中的Termination condition）来判断结果是否为最优解，或者仅仅是一个可行解。Pyomo导入：在上述示例中，如果代码不直接使用Pyomo的API（例如Constraint或value函数），则可以安全地移除from pyomo.environ import Constraint, value等导入语句，以保持代码的简洁性。Gurobi参数调优：除了TimeLimit，MIPGap（混合整数规划相对间隙）和BarConvTol（障碍法收敛容差）等参数也对求解性能和解的质量至关重要。在设置时间限制时，可以根据需求调整这些参数，以在有限时间内获得尽可能好的解。例如，如果时间非常有限，可能需要放宽MIPGap以更快地找到一个可接受的解。
总结
在PyPSA模型中为Gurobi求解器设置时间限制是控制计算资源和获取及时结果的关键。通过使用PyPSA推荐的network.optimize()方法，可以有效避免ValueError: Cannot load a SolverResults object with bad status: aborted错误，确保即使在达到时间限制时，也能稳定地获取并处理求解器找到的最佳可行解。务必关注network.lopf()的弃用，并采纳network.optimize()作为标准的优化接口。
以上就是在PyPSA模型中为Gurobi求解器设置时间限制并解决“Aborted”错误的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1377001.html
微信扫一扫 
支付宝扫一扫 
