Python Pyomo建模语言中约束计算的错误

大家好

因此，我有以下错误：

计算约束5965时出错：无法计算sqrt'（0）。 错误：pyomo.opt:Solver（asl）返回非零返回代码（1） 错误：pyomo.opt：有关诊断信息，请参阅上面的解算器日志

解算器（asl）未正常退出

实际上，问题出在代码的以下部分：

def热极限（i、j、k型）：
如果行\u加载\u限制==真：
P_branch_ij=（model.V_magn[i，k]**2）*np.float（real（Y_矩阵[i，j]）-model.V_magn[i，k]*model.V_magn[j，k]*（np.float（real（Y_矩阵[i，j]）cos（model.V_角度[i，k]-model.V_角度[j，k]）+np float（imag（Y_矩阵[i，j]）*sin角度[i，k]-model.V角度[k]））
Q_branch_ij=（model.V_magn[i，k]**2）*np.float（imag（Y_矩阵[i，j]）+model.V_magn[i，k]*model.V_magn[j，k]*（np.float（（实（Y_矩阵[i，j]））*sin模型V_角[i，k]-模型V_角[j，k]）-np float（imag（Y_矩阵[i，j]）*cos（模型V角[i，k]-模型k]）*
return（sqrt（（P_branch_ij**2）+（Q_branch_ij**2））
这在技术上不是Pyomo的问题，而是您的公式的问题
当解算器将p_branch_ij和Q_branch_ij的值驱动为0时，ASL（解算器可执行文件的一部分）抛出错误（这可能是由于非活动行或错误的初始值造成的）。在0处，
sqrt（0）的导数
未定义。此数值错误导致解算器退出而不返回解

有几种可能的解决办法：

正如您在编辑中指出的，您可以尝试不同的初始变量值。当解算器从不同的起点开始时，它可能不会采用将
p_branch_ij
和
Q_branch_ij
驱动为零的路径。这种方法的缺点是，在获得一个初始值之前，您可能需要尝试许多不同的初始值这不会使解算器通过
sqrt（0）
，也不能保证找到一个有效的解算器（特别是如果问题的解决方案确实是0！）

绑定变量，使总分支功率（
p\u branch\u ij**2+Q\u branch\u ij**2
）永远不会达到零。这有点棘手，因为你不能用一个简单的约束来实现：大多数解算器在解算过程中都被允许违反约束，致命的错误是如果解算器试图计算
sqrt（0）的导数
。幸运的是，大多数解算器总是尊重变量边界。因此，为了防止解算器计算
sqrt'（0）
，您需要定义中间Pyomo变量（而不仅仅是Python表达式）对于
PQ2_branch_ij
，然后将变量下限设置为大于0的值。这种方法的缺点是，您现在正在解决另一个问题，如果原始问题的解决方案确实为0，则可能会迫使自己采用次优解决方案

model.PQ2\u branch\u ij=Var（branch\u from\u to，scenario\u set，bounds=（1e-8，无））
def compute_PQ2_branch_ij（m，i，j，k）：
P_-branch_-ij=（m.V_-magn[i，k]**2）*np.float（实（Y_矩阵[i，j]）-m.V_-magn[i，k]*m.V_-magn[j，k]*（np.float（实（Y_矩阵[i，j]）cos（m.V_角[i，k]-m.V_角[j，k]）+np float（imag（Y_矩阵[i，j]）*sin m.V角[i，k]-m.V角[k]）
Q_-branch_-ij=（m.V_-magn[i，k]**2）*np.float（imag（Y_-matrix[i，j]）+m.V_-magn[i，k]*m.V_-magn[j，k]*（np.float（（实（Y_-matrix[i，j]））*sin m.V_角[i，k]-m.V_角[j，k]）-np float（imag（Y_-matrix[i，j]）*cos]）*
返回m.PQ2_branch_ij[i，j，k]==P_branch_ij**2+Q_branch_ij**2
def thermal_lim_ineq_con（m，i，j，k）：
return sqrt（m.PQ2_branch_ij）这在技术上不是Pyomo的问题，而是您的公式的问题

当解算器将p_branch_ij和Q_branch_ij的值驱动为0时，ASL（解算器可执行文件的一部分）抛出错误（这可能是由于非活动行或错误的初始值造成的）。在0处，
sqrt（0）的导数
未定义。此数值错误导致解算器退出而不返回解

有几种可能的解决办法：

正如您在编辑中指出的，您可以尝试不同的初始变量值。当解算器从不同的起点开始时，它可能不会采用将
p_branch_ij
和
Q_branch_ij
驱动为零的路径。这种方法的缺点是，在获得一个初始值之前，您可能需要尝试许多不同的初始值这不会使解算器通过
sqrt（0）
，也不能保证找到一个有效的解算器（特别是如果问题的解决方案确实是0！）

绑定变量，使总分支功率（
p\u branch\u ij**2+Q\u branch\u ij**2
）永远不会达到零。这有点棘手，因为你不能用一个简单的约束来实现：大多数解算器在解算过程中都被允许违反约束，致命的错误是如果解算器试图计算
sqrt（0）的导数
。幸运的是，大多数解算器总是尊重变量边界。因此，为了防止解算器计算
sqrt'（0）
，您需要定义中间Pyomo变量（而不仅仅是Python表达式）对于
PQ2_branch_ij
，然后将变量下限设置为大于0的值。这种方法的缺点是，您现在正在解决另一个问题，如果原始问题的解决方案确实为0，则可能会迫使自己采用次优解决方案

model.PQ2\u branch\u ij=Var（branch\u from\u to，scenario\u set，bounds=（1e-8，无））
def compute_PQ2_branch_ij（m，i，j，k）：
P_-branch_-ij=（m.V_-magn[i，k]**2）*np.float（实（Y_-matrix[i，j]）-m.V_-magn[i，k]*m.V_-magn[j，
model.V_magn[i, k]