如何在 Gekko 中高效实现跨时间向量的整数约束优化

本文详解如何使用 Gekko 对长度为 42 的时间向量（如电价、基础负荷等）进行统一优化，正确声明变量数组、构建向量化中间表达式，并施加事件频次上限（如最多触发 5 次）等整数约束，避免 `TypeError: x must be a python list of GEKKO parameters...` 等常见错误。

在 Gekko 中处理时间序列优化，尤其是像 42 个时段这样联合优化时，很多人第一个碰到的坑，就是变量类型搞混了。核心问题其实很简单：必须把标量决策变量和向量级别的中间表达式严格区分开，而且所有 Gekko 的运算操作，都得作用在 Gekko 对象上，而不是原生 Python 列表或 NumPy 数组上。为什么直接对 x7 调用 m.sum(x7) 会报错？因为 x7 是单个 m.Var() 标量，而 m.sum() 只接受由 Gekko 变量或表达式构成的 Python 列表。

✅ 正确做法：使用 m.Array() + 列表推导式构建向量化模型

第一步，先理清决策变量的维度：

• x1, x2：连续型标量，比如价格系数，用 m.Var 定义，范围设为 lb=3, ub=15。
• x3–x7：整数型标量，代表开关状态或触发次数。其中 x7 表示总触发次数上限，不能超过 5。

from gekko import GEKKO
import numpy as np

m = GEKKO(remote=False)
n = 42  # 时间向量长度

# ✅ 使用 m.Array 高效创建标量变量组（注意，这里不是向量！）
x1, x2 = m.Array(m.Var, 2, lb=3, ub=15, value=1)
x3, x4, x5, x6, x7 = m.Array(m.Var, 5, lb=0, ub=1, value=1, integer=True)

# 单独设置 x7 上限为 5（用 upper bound 比方程约束更高效）
x7.upper = 5

# ✅ 向量化中间变量：对每个时段 i 构建独立的 Gekko 表达式
sp   = np.random.rand(n)   # 示例数据：价格信号
base = np.random.rand(n)   # 示例数据：基础负荷
co_ln, co1, co2, co3 = 2.0, 5.0, 6.0, 7.0

neg_ln = [m.Intermediate(-m.log(x1 / sp[i])) for i in range(n)]
vol1   = [m.Intermediate(co1 + base[i] + neg_ln[i] * co_ln) for i in range(n)]
vol2   = [m.Intermediate(co2 + base[i] + neg_ln[i] * co_ln) for i in range(n)]
vol3   = [m.Intermediate(co3 + base[i] + neg_ln[i] * co_ln) for i in range(n)]
vol4   = [m.Intermediate(base[i] + neg_ln[i] * co_ln) for i in range(n)]

# ✅ 每时段的 total_vol[i] 是一个 Gekko 表达式，依赖标量 x3–x7 和向量 base[i], volX[i]
total_vol = [
    m.Intermediate((
        m.max2(0, base[i] * (m.exp(vol1[i]) - 1)) * x3 +
        m.max2(0, base[i] * (m.exp(vol2[i]) - 1)) * x4 +
        m.max2(0, base[i] * (m.exp(vol3[i]) - 1)) * x5 +
        m.max2(0, base[i] * (m.exp(vol4[i]) - 1)) * x6
    ) + base[i]) * x7
    for i in range(n)
]

⚠️ 关键注意事项

• 别把标量和向量的逻辑搞混：这里的 x3–x7 是单个整数变量，代表全局策略参数，而不是 42×1 的向量。如果你需要每个时段独立开关，那就要把 x3 定义成 m.Array(m.Var, n, integer=True, lb=0, ub=1)，然后约束写成 m.Equation(m.sum(x3) <= 5)。
• 约束书写要规范：

m.Equation(x3 + x4 + x5 + x6 == 1)  # 正确：标量方程
m.Equation(x7 <= 5)                 # 推荐：直接设 upper bound，比 m.Equation() 更高效

• 目标函数聚合：m.sum(total_vol) 是正确的，因为 total_vol 是一个包含 42 个 Gekko 表达式的 Python 列表，完全符合 m.sum() 的输入要求。
• 求解器选择：一旦涉及整数变量，就必须启用混合整数非线性规划（MINLP）求解器，比如 m.options.SOLVER = 1（APOPT）。

总结：三步构建可靠向量优化模型

1. 变量声明分层：用 m.Array() 明确生成标量变量组；向量化的中间量用列表推导式逐元素构建。
2. 约束精准匹配：标量约束作用于标量变量（如 x7 <= 5），时段级约束需基于向量变量（如 m.sum(x3_vector) <= 5）。
3. 避免冗余操作：删除无意义的 z 变量映射，直接在 m.Var() 中声明 integer=True 和边界；优先用 var.upper/var.lower 替代 m.Equation() 实现简单不等式。

运行后，Gekko 会返回全局最优的标量策略组合（比如 x[1]=3.0, x[7]=1.0），确保在满足所有物理与逻辑约束的前提下，最大化跨 42 个时段的累计收益。