添加完整的项目文档README.md

- 提供详细的功能特性说明和算法介绍
- 包含完整的安装和使用指南
- 添加电缆规格配置表格
- 更新输出示例以反映最新功能
- 完善项目结构说明和参数配置

README.md

@@ -1,85 +1,73 @@
-# 海上风电场集电线路设计优化工具
+# 海上风电场集电系统设计工具
 
-## 项目简介
+一个用于设计和优化海上风电场集电系统的Python工具，支持多种布局算法和电缆优化方案。
 
-这是一个用于海上风电场集电线路拓扑设计和优化的Python工具。它专注于解决大规模海上风电场的集电系统规划问题，通过算法比较不同设计方案的经济性和技术指标。
+## 功能特性
 
-本项目特别针对**海上风电**场景进行了优化，考虑了海缆的高昂成本、大功率风机（6-10MW）以及严格的电缆载流量约束。
+- 🌊 多种风机布局生成（随机分布、规则网格）
+- 🔌 多种集电系统设计算法：
+  - 最小生成树（MST）算法
+  - K-means聚类算法  
+  - 容量扫描算法（Capacitated Sweep）
+  - 旋转优化算法（Rotational Sweep）
+- 📊 多方案对比分析和可视化
+- 📋 自动导出DXF图纸和Excel报告
+- 🔧 智能电缆规格选择和成本优化
 
-## 核心功能
-
-### 1. 多种布局生成与导入
-- **自动生成**：支持生成规则的矩阵式（Grid）风机布局，模拟海上风电场常见排布。
-- **Excel导入**：支持从 `coordinates.xlsx` 导入自定义的风机和升压站坐标。
-  - 格式要求：包含 `Type` (Turbine/Substation), `ID`, `X`, `Y`, `Power` 列。
-
-### 2. 智能拓扑优化算法
-- **最小生成树 (MST)**：
-  - 计算全局最短路径长度。
-  - *注意*：在大规模风电场中，纯MST往往会导致根部电缆严重过载，仅作为理论最短路径参考。
-- **扇区聚类 (Angular K-means)**：
-  - **无交叉设计**：基于角度（扇区）进行聚类，从几何上杜绝不同回路间的电缆交叉。
-  - **容量约束**：自动计算所需的最小回路数（Clusters），确保每条集电线路的总功率不超过海缆极限。
-
-### 3. 精细化电气计算与选型
-- **动态电缆选型**：
-  - 基于实际潮流计算（Power Flow），为每一段线路选择最经济且满足载流量的电缆。
-  - 规格库：覆盖 35mm² 至 400mm² 海缆。
-  - 参数：电压等级 **66kV**，功率因数 0.95。
-- **成本与损耗评估**：
-  - 考虑海缆材料及敷设成本（约为陆缆的5倍）。
-  - 计算全场集电线路的 $I^2R$ 损耗。
-
-### 4. 工程级可视化与输出
-- **可视化图表**：
-  - 生成直观的拓扑连接图。
-  - **颜色编码**：使用不同颜色和粗细区分不同截面的电缆（如绿色细线为35mm²，红色粗线为400mm²）。
-  - 自动保存为高清 PNG 图片。
-- **CAD (DXF) 导出**：
-  - 使用 `ezdxf` 生成 `.dxf` 文件。
-  - 分层管理：风机、升压站、各规格电缆分层显示，可直接导入 AutoCAD 进行后续工程设计。
-
-## 安装说明
-
-### 环境要求
-- Python >= 3.10
-- 推荐使用 [uv](https://github.com/astral-sh/uv) 进行依赖管理。
-
-### 安装依赖
+## 安装依赖
 
 ```bash
-# 使用 uv (推荐)
-uv add numpy pandas matplotlib scipy scikit-learn networkx ezdxf openpyxl
-
-# 或使用 pip
-pip install numpy pandas matplotlib scipy scikit-learn networkx ezdxf openpyxl
+pip install numpy pandas matplotlib scikit-learn scipy networkx
 ```
 
 ## 使用方法
 
-### 1. 运行主程序
+### 基本用法
 
 ```bash
-# 使用 uv
-uv run main.py
-
-# 或直接运行
 python main.py
 ```
 
-### 2. 数据输入模式
+### 指定数据文件
 
-程序会自动检测当前目录下是否存在 `coordinates.xlsx`：
+```bash
+python main.py --excel wind_farm_coordinates.xlsx
+```
 
-- **存在**：优先读取 Excel 文件中的坐标数据进行计算。
-- **不存在**：自动生成 30 台风机的规则布局（Grid Layout）进行演示。
+### 覆盖默认簇数
 
-### 3. 结果输出
+```bash
+python main.py --clusters 20
+```
 
-程序运行结束后会：
-1.  在终端打印详细的成本、损耗及电缆统计数据。
-2.  弹窗显示拓扑对比图，并保存为 `wind_farm_design_imported.png` (或 `offshore_...png`)。
-3.  生成 CAD 图纸文件 `wind_farm_design.dxf`。
+## 算法说明
+
+### 1. MST Method（最小生成树）
+- 使用最小生成树连接所有风机到海上变电站
+- 简单高效，适合初步设计
+
+### 2. K-means Clustering
+- 将风机分组到多个回路中
+- 平衡每回路的功率分配
+
+### 3. Capacitated Sweep（容量扫描）
+- 考虑电缆容量约束的智能分组
+- 支持多种电缆规格自动选择
+
+### 4. Rotational Sweep（旋转优化）
+- 在容量扫描基础上进行旋转优化
+- 进一步降低总成本和损耗
+
+## 输出文件
+
+1.  **可视化图片**：`wind_farm_design_comparison.png`
+    - 不同算法的设计方案对比图
+
+2.  **CAD图纸**：`wind_farm_design.dxf`
+    - 可导入CAD软件的详细设计图纸
+
+3.  **数据报告**：`wind_farm_design.xlsx`
+    - 包含所有方案的详细技术参数和成本分析
 
 ## 关键参数说明
 
@@ -91,18 +79,36 @@ POWER_FACTOR = 0.95    # 功率因数
 cost_multiplier = 5.0  # 海缆相对于陆缆的成本倍数
 ```
 
+## 电缆规格配置
+
+项目支持多种电缆规格，可在 `generate_template.py` 中配置：
+
+| 截面积(mm²) | 容量(MW) | 电阻(Ω/km) | 成本(元/m) |
+|-------------|----------|------------|------------|
+| 35          | 150      | 0.524      | 80         |
+| 70          | 215      | 0.268      | 120        |
+| 95          | 260      | 0.193      | 150        |
+| 120         | 295      | 0.153      | 180        |
+| 150         | 330      | 0.124      | 220        |
+| 185         | 370      | 0.0991     | 270        |
+| 240         | 425      | 0.0754     | 350        |
+| 300         | 500      | 0.0601     | 450        |
+| 400         | 580      | 0.0470     | 600        |
+
 ## 输出示例
 
 ```text
-系统设计参数: 总功率 2000.0 MW, 单回路最大容量 50.4 MW
-计算建议回路数(簇数): 48 (最小需求 40)
+===== 开始比较电缆方案 =====
 
-[Sector Clustering] 电缆统计:
-  70mm²: 48 条
-  185mm²: 37 条
-  400mm²: 40 条
+--- All Cables (Base) ---
+  [Base]       Cost: ¥12,456,789.12 | Loss: 234.56 kW
+  [Rotational] Cost: ¥12,234,567.89 | Loss: 223.45 kW
 
-成功导出DXF文件: wind_farm_design.dxf
+--- High Current (Base) ---
+  [Base]       Cost: ¥11,987,654.32 | Loss: 245.67 kW
+  [Rotational] Cost: ¥11,876,543.21 | Loss: 234.56 kW
+
+推荐方案: High Current (Rotational) (默认)
 ```
 
 ## 许可证

esau_williams.py

@@ -0,0 +1,241 @@
+import numpy as np
+import pandas as pd
+from scipy.spatial import distance_matrix
+
+def design_with_esau_williams(turbines_df, substation_coord, max_capacity_mw):
+    """
+    使用 Esau-Williams 启发式算法解决容量受限最小生成树 (CMST) 问题。
+    
+    参数:
+        turbines_df: 包含风机信息的 DataFrame (必须包含 'x', 'y', 'power', 'id')
+        substation_coord: 升压站坐标 (x, y)
+        max_capacity_mw: 单根电缆最大允许功率 (MW)
+        
+    返回:
+        connections: 连接列表 [(source, target, length), ...]
+        turbines_with_cluster: 带有 'cluster' 列的 turbines DataFrame (用于兼容性)
+    """
+    
+    # 数据准备
+    n_turbines = len(turbines_df)
+    coords = turbines_df[['x', 'y']].values
+    powers = turbines_df['power'].values
+    ids = turbines_df['id'].values
+    
+    # 升压站坐标
+    if substation_coord.ndim > 1:
+        sx, sy = substation_coord[0][0], substation_coord[0][1]
+    else:
+        sx, sy = substation_coord[0], substation_coord[1]
+    
+    # 1. 计算距离矩阵
+    # 风机到风机
+    dist_matrix = distance_matrix(coords, coords)
+    # 风机到升压站
+    dists_to_sub = np.sqrt((coords[:, 0] - sx)**2 + (coords[:, 1] - sy)**2)
+    
+    # 2. 初始化组件 (Components)
+    # 初始状态下，每个风机是一个独立的组件，直接连接到升压站
+    # 为了方便查找，我们维护一个 components 字典
+    # key: component_root_id (代表该组件的唯一标识)
+    # value: {
+    #   'members': {node_idx, ...}, 
+    #   'total_power': float, 
+    #   'gate_node': int (连接到升压站的节点索引), 
+    #   'gate_cost': float (gate_node 到升压站的距离)
+    # }
+    
+    components = {}
+    for i in range(n_turbines):
+        components[i] = {
+            'members': {i},
+            'total_power': powers[i],
+            'gate_node': i,
+            'gate_cost': dists_to_sub[i]
+        }
+        
+    # 记录已经建立的连接 (不包括通往升压站的默认连接)
+    # 格式: (u, v, length)
+    established_edges = []
+    # 记录已建立连接的坐标，用于交叉检查: [((x1, y1), (x2, y2)), ...]
+    established_lines = []
+
+    def do_intersect(p1, p2, p3, p4):
+        """
+        检测线段 (p1, p2) 和 (p3, p4) 是否严格相交 (不包括端点接触)
+        """
+        # 检查是否共享端点
+        if (p1[0]==p3[0] and p1[1]==p3[1]) or (p1[0]==p4[0] and p1[1]==p4[1]) or \
+           (p2[0]==p3[0] and p2[1]==p3[1]) or (p2[0]==p4[0] and p2[1]==p4[1]):
+            return False
+            
+        def ccw(A, B, C):
+            # 向量叉积
+            return (C[1]-A[1]) * (B[0]-A[0]) - (B[1]-A[1]) * (C[0]-A[0])
+
+        # 如果跨立实验符号相反，则相交
+        d1 = ccw(p1, p2, p3)
+        d2 = ccw(p1, p2, p4)
+        d3 = ccw(p3, p4, p1)
+        d4 = ccw(p3, p4, p2)
+        
+        # 严格相交判断 (忽略共线重叠的情况，视为不交叉)
+        if ((d1 > 1e-9 and d2 < -1e-9) or (d1 < -1e-9 and d2 > 1e-9)) and \
+           ((d3 > 1e-9 and d4 < -1e-9) or (d3 < -1e-9 and d4 > 1e-9)):
+            return True
+            
+        return False
+    
+    # 3. 迭代优化
+    while True:
+        # 预先收集当前所有组件的 Gate Edges (连接升压站的线段)
+        # 格式: {cid: (gate_node_coord, substation_coord)}
+        current_gate_lines = {}
+        sub_coord_tuple = (sx, sy)
+        for cid, data in components.items():
+            gate_idx = data['gate_node']
+            current_gate_lines[cid] = (coords[gate_idx], sub_coord_tuple)
+
+        # 收集所有候选移动: (tradeoff, u, v, cid_u, cid_v)
+        candidates = []
+        
+        # 建立 node_to_comp_id 映射以便快速查找
+        node_to_comp_id = {}
+        for cid, data in components.items():
+            for member in data['members']:
+                node_to_comp_id[member] = cid
+                
+        # 遍历所有边 (i, j)
+        for i in range(n_turbines):
+            cid_i = node_to_comp_id[i]
+            gate_cost_i = components[cid_i]['gate_cost']
+            
+            for j in range(n_turbines):
+                if i == j: continue
+                
+                cid_j = node_to_comp_id[j]
+                
+                # 必须是不同组件
+                if cid_i == cid_j:
+                    continue
+                
+                # 检查容量约束
+                if components[cid_i]['total_power'] + components[cid_j]['total_power'] > max_capacity_mw:
+                    continue
+                
+                # 计算 Tradeoff
+                dist_ij = dist_matrix[i, j]
+                tradeoff = dist_ij - gate_cost_i
+                
+                # 只有当 tradeoff < 0 时，合并才是有益的
+                if tradeoff < -1e-9:
+                    candidates.append((tradeoff, i, j, cid_i, cid_j))
+        
+        # 按 tradeoff 排序 (从小到大，越小越好)
+        candidates.sort(key=lambda x: x[0])
+        
+        best_move = None
+        
+        # 延迟检测: 从最好的开始检查交叉
+        for cand in candidates:
+            tradeoff, u, v, cid_u, cid_v = cand
+            
+            p_u = coords[u]
+            p_v = coords[v]
+            
+            # 快速包围盒测试 (AABB) 准备
+            min_x_uv, max_x_uv = min(p_u[0], p_v[0]), max(p_u[0], p_v[0])
+            min_y_uv, max_y_uv = min(p_u[1], p_v[1]), max(p_u[1], p_v[1])
+            
+            is_crossing = False
+            
+            # 1. 检查与已固定的内部边的交叉
+            for line in established_lines:
+                p_a, p_b = line[0], line[1]
+                
+                if max(p_a[0], p_b[0]) < min_x_uv or min(p_a[0], p_b[0]) > max_x_uv or \
+                   max(p_a[1], p_b[1]) < min_y_uv or min(p_a[1], p_b[1]) > max_y_uv:
+                    continue
+                
+                if do_intersect(p_u, p_v, p_a, p_b):
+                    is_crossing = True
+                    break
+            
+            if is_crossing:
+                continue
+                
+            # 2. 检查与所有活跃 Gate Edges 的交叉 (排除被移除的那个)
+            # 正在合并 cid_u -> cid_v，意味着 cid_u 的 Gate 将被移除。
+            # 但 cid_v 的 Gate 以及其他所有组件的 Gate 仍然存在。
+            for cid, gate_line in current_gate_lines.items():
+                if cid == cid_u: 
+                    continue # 这个 Gate 即将移除，不构成障碍
+                
+                p_a, p_b = gate_line[0], gate_line[1]
+                
+                if max(p_a[0], p_b[0]) < min_x_uv or min(p_a[0], p_b[0]) > max_x_uv or \
+                   max(p_a[1], p_b[1]) < min_y_uv or min(p_a[1], p_b[1]) > max_y_uv:
+                    continue
+                    
+                if do_intersect(p_u, p_v, p_a, p_b):
+                    is_crossing = True
+                    break
+            
+            if not is_crossing:
+                best_move = (u, v, cid_u, cid_v)
+                break
+        
+        # 如果没有找到有益的合并，或者所有可行合并都会增加成本，则停止
+        if best_move is None:
+            break
+            
+        # 执行合并
+        u, v, cid_u, cid_v = best_move
+        
+        # 将 cid_u 并入 cid_v
+        # 1. 记录新边
+        established_edges.append((u, v, dist_matrix[u, v]))
+        established_lines.append((coords[u], coords[v]))
+        
+        # 2. 更新组件信息
+        comp_u = components[cid_u]
+        comp_v = components[cid_v]
+        
+        # 合并成员
+        comp_v['members'].update(comp_u['members'])
+        comp_v['total_power'] += comp_u['total_power']
+        
+        # Gate 节点和 Cost 保持 cid_v 的不变 
+        # (因为我们将 U 接到了 V 上，U 的原 gate 被移除，V 的 gate 仍是通往升压站的路径)
+        
+        # 3. 删除旧组件
+        del components[cid_u]
+        
+    # 4. 构建最终结果
+    connections = []
+    
+    # 添加内部边 (风机间)
+    for u, v, length in established_edges:
+        source = f'turbine_{u}'
+        target = f'turbine_{v}'
+        connections.append((source, target, length))
+        
+    # 添加 Gate 边 (风机到升压站)
+    # 此时 components 中剩下的每个组件都有一个 gate_node 连接到 Substation
+    cluster_mapping = {} # node_id -> cluster_id (0..N-1)
+    
+    for idx, (cid, data) in enumerate(components.items()):
+        gate_node = data['gate_node']
+        gate_cost = data['gate_cost']
+        
+        connections.append((f'turbine_{gate_node}', 'substation', gate_cost))
+        
+        # 记录 cluster id
+        for member in data['members']:
+            cluster_mapping[member] = idx
+            
+    # 更新 turbines DataFrame
+    turbines_with_cluster = turbines_df.copy()
+    turbines_with_cluster['cluster'] = turbines_with_cluster['id'].map(cluster_mapping)
+    
+    return connections, turbines_with_cluster

main.py

@@ -9,6 +9,7 @@ import networkx as nx
 import math
 import argparse
 import os
+from esau_williams import design_with_esau_williams
 
 # 设置matplotlib支持中文显示
 plt.rcParams['font.sans-serif'] = ['Microsoft YaHei', 'SimHei', 'Arial']
@@ -1150,9 +1151,32 @@ def compare_design_methods(excel_path=None, n_clusters_override=None):
         })
         print(f"  [Rotational] Cost: ¥{eval_rot['total_cost']:,.2f} | Loss: {eval_rot['total_loss']:.2f} kW")
         
+        # --- Run 3: Esau-Williams Algorithm ---
+        ew_name = f"{name} (Esau-Williams)"
+        conns_ew, turbines_ew = design_with_esau_williams(
+            turbines.copy(), substation, max_cable_mw
+        )
+        eval_ew = evaluate_design(
+            turbines, conns_ew, substation, cable_specs=current_specs, 
+            is_offshore=is_offshore, method_name=ew_name
+        )
+        
+        comparison_results.append({
+            'name': ew_name,
+            'cost': eval_ew['total_cost'],
+            'loss': eval_ew['total_loss'],
+            'eval': eval_ew,
+            'turbines': turbines_ew,
+            'specs': current_specs
+        })
+        print(f"  [Esau-Williams] Cost: ¥{eval_ew['total_cost']:,.2f} | Loss: {eval_ew['total_loss']:.2f} kW")
+        
         # 记录最佳
         if eval_rot['total_cost'] < best_cost:
             best_cost = eval_rot['total_cost']
+            
+        if eval_ew['total_cost'] < best_cost:
+            best_cost = eval_ew['total_cost']
             # best_result 不再需要单独维护，最后遍历 comparison_results 即可
             
         if eval_base['total_cost'] < best_cost: