4、选址实战：Python实现选址评分模型、数据可视化与选址报告生成

好了，前面几章我们把选址的理论框架、评分维度、数据采集都聊透了。这一章，咱们直接上代码。

说实话，我见过太多人拿着Excel表格在那手动打分，然后拍脑袋定个权重。嗯，不是说不行，但效率太低，而且容易出错。我个人习惯是：能用代码解决的，绝不手动。尤其是选址这种多维度决策问题，Python一套流程走下来，又快又准，还能自动生成报告。

4.1 选址评分模型的核心逻辑

先理一下思路。选址评分模型，说白了就是：把每个候选站点的各项指标，按照权重加权求和，得到一个总分。

公式很简单：

总分 = 电价差得分 × 权重1 + 并网条件得分 × 权重2 + 负荷匹配度得分 × 权重3 + ...

但这里有个坑——不同指标的量纲不一样。电价差是元/kWh，并网距离是公里，负荷匹配度是百分比。直接加权求和？那肯定不行。所以第一步，必须做归一化处理。

4.2 Python实现：从数据到评分

下面我直接贴一段核心代码。这是我之前做某个储能项目时用的框架，稍微简化了一下，但逻辑完全一样。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

# 1. 加载数据（假设已经采集好）
df = pd.read_csv('site_candidates.csv')

# 2. 定义评分函数（极差归一化）
def normalize(series):
    return (series - series.min()) / (series.max() - series.min())

# 3. 对每个指标做归一化
df['price_score'] = normalize(df['price_diff'])      # 电价差
df['grid_score'] = 1 - normalize(df['grid_distance']) # 并网距离（越小越好）
df['load_score'] = normalize(df['load_match'])        # 负荷匹配度

# 4. 定义权重（根据项目实际情况调整）
weights = {
    'price_score': 0.4,
    'grid_score': 0.3,
    'load_score': 0.3
}

# 5. 计算总分
df['total_score'] = (
    df['price_score'] * weights['price_score'] +
    df['grid_score'] * weights['grid_score'] +
    df['load_score'] * weights['load_score']
)

# 6. 排序输出
df_sorted = df.sort_values('total_score', ascending=False)
print(df_sorted[['site_name', 'total_score']].head(10))

你看，核心代码就这么几行。但实际项目中，我一般会再加一个约束条件过滤。比如并网距离超过5公里的直接淘汰，不参与评分。为什么？因为距离太远，电缆成本就把收益吃掉了。

4.3 数据可视化：让结果一目了然

评分模型跑完了，接下来就是可视化。我个人习惯用雷达图和柱状图来展示。雷达图能直观看到每个站点的优劣势，柱状图则方便对比总分。

下面这段代码，生成一个雷达图：

import plotly.express as px
import plotly.graph_objects as go

# 选取前5个站点
top5 = df_sorted.head(5)

# 雷达图
fig = go.Figure()
for _, row in top5.iterrows():
    fig.add_trace(go.Scatterpolar(
        r=[row['price_score'], row['grid_score'], row['load_score']],
        theta=['电价差', '并网条件', '负荷匹配'],
        fill='toself',
        name=row['site_name']
    ))

fig.update_layout(
    polar=dict(radialaxis=dict(visible=True, range=[0, 1])),
    title='Top5站点各维度评分对比'
)
fig.show()

嗯，这里要注意一点：雷达图的维度不要太多。超过6个维度，图就变成蜘蛛网了，根本看不清。我一般只选3-5个核心维度。

另外，我还会画一个热力图，看看各指标之间的相关性。比如电价差和负荷匹配度是不是正相关？如果是，那说明这个区域的储能需求确实旺盛。

# 相关性热力图
corr = df[['price_diff', 'grid_distance', 'load_match']].corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.title('指标相关性分析')
plt.show()

4.4 选址报告生成：自动化输出

评分和可视化都搞定了，最后一步是生成报告。我习惯用Jinja2模板配合PDFkit或者ReportLab，自动生成一份带图表、带评语的PDF报告。

但这里为了演示，我用一个更轻量的方式——直接生成HTML报告，然后转PDF。

from jinja2 import Template

# 定义HTML模板
template_str = """
<h2>储能选址评分报告</h2>
<p>生成日期：{{ date }}</p>
<h3>Top5站点排名</h3>
<table border="1">
    <tr><th>站点名称</th><th>总分</th><th>电价差得分</th><th>并网得分</th><th>负荷得分</th></tr>
    {% for site in top5 %}
    <tr>
        <td>{{ site.name }}</td>
        <td>{{ site.total }}</td>
        <td>{{ site.price }}</td>
        <td>{{ site.grid }}</td>
        <td>{{ site.load }}</td>
    </tr>
    {% endfor %}
</table>
<h3>推荐站点分析</h3>
<p>综合评分最高的站点是：<strong>{{ best_site }}</strong></p>
<p>建议优先开展现场踏勘和电网接入申请。</p>
"""

# 渲染模板
template = Template(template_str)
html_content = template.render(
    date='2025-01-15',
    top5=top5_dict_list,
    best_site=top5_dict_list[0]['name']
)

# 保存为HTML文件
with open('选址报告.html', 'w', encoding='utf-8') as f:
    f.write(html_content)

4.5 本章知识体系总览

下面这张图，是我自己总结的选址实战流程。你照着这个框架走，基本不会漏掉关键环节。

4.6 实战中的几个坑

代码写完了，流程也通了。但实际项目中，有几个坑我踩过，分享给你：

• 数据质量问题：我曾经拿到一份数据，电价差那一列全是0。后来一查，是采集程序bug。所以数据清洗这步，千万别省。
• 权重过于主观：有次项目组开会，大家争权重争了2小时。后来我直接做了个敏感性分析，发现排名对某个权重特别敏感。这才让大家达成共识。
• 忽略地理约束：评分模型跑出来第一名，结果现场一看，那块地是基本农田。嗯，白忙活。所以约束条件一定要前置。

好了，这一章的内容就到这。代码你可以直接拿去用，但记得根据你实际的项目数据做调整。毕竟，每个项目的侧重点不一样，权重和约束条件也得跟着变。

---

公众号:蓝海资料掘金营，微信deep3321