基于经验挖掘与混合语言的海上风电制氢加氢港口选址研究

doi:10.11930/j.issn.1004-9649.202403015

中国电力 ›› 2024, Vol. 57 ›› Issue (9): 113-123.DOI: 10.11930/j.issn.1004-9649.202403015

• 海上风电制氢技术经济、规划运行及政策机制 • 上一篇下一篇

基于经验挖掘与混合语言的海上风电制氢加氢港口选址研究

黄宁泊¹(), 高建伟¹(), 许传博¹, 徐选华², 赵舒通¹, 缑迅杰³, 姜晓静¹

1. 华北电力大学经济与管理学院，北京　102206
2. 中南大学商学院，湖南长沙　410083
3. 四川大学商学院，四川成都　610065

收稿日期:2024-03-06 接受日期:2024-05-27 出版日期:2024-09-28 发布日期:2024-09-23
作者简介:黄宁泊（1995—），男，博士研究生，从事能源经济、多属性决策和综合能源规划研究，E-mail：ncepu_hnb@163.com
高建伟（1972—），男，通信作者，博士，教授，博士生导师，从事综合能源系统服务与优化、决策理论与方法研究，E-mail：gaojianwei111@sina.com
基金资助:
国家自然科学基金重大资助项目（72293574）；国家自然科学基金资助项目（72071076）；教育部人文社会科学研究青年基金项目（21YJC630030）；中国博士后科学基金项目（2020M680151，2023T160459）；中国氢能联盟2023政研项目（CHA2023RP001）。

Site Selection of Offshore Wind Power-Hydrogen Production and Refueling Ports Based on Empirical Mining and Hybrid Linguistic Approach

Ningbo HUANG¹(), Jianwei GAO¹(), Chuanbo XU¹, Xuanhua XU², Shutong ZHAO¹, Xunjie GOU³, Xiaojing JIANG¹

1. School of Economics and Management, North China Electric Power University, Beijing 102206, China
2. School of Business, Central South University, Changsha 410083, China
3. Business School, Sichuan University, Chengdu 610065, China

Received:2024-03-06 Accepted:2024-05-27 Online:2024-09-28 Published:2024-09-23
Supported by:
This work is supported by the Major Project for the National Natural Science Foundation of China (No.72293574), the National Natural Science Foundation of China (No.72071076), the Humanities and Social Science Project of the Ministry of Education of China (No.21YJC630030), and the China Postdoctoral Science Foundation (No.2020M680151, No.2023T160459), the China Hydrogen Alliance Policy Research Project (No.CHA2023RP001).

摘要/Abstract

摘要：

为辅助海上风电的加氢制氢港口选址决策问题，提出利用经验挖掘算法和混合语言型术语的多属性决策方法。首先，利用爬虫算法、TextRank算法、Word2Vec算法和Louvain算法对历史经验性文件进行挖掘、排序、构建词对和聚类，从而获取基于经验挖掘的属性集；其次，引入对偶自信语言，云模型和实数等语言术语兼顾定量和定性数据的表达，解决数据集转换失真问题；最后，引入标准化公式处理指标数据，获取综合排序结果，以海上风电的加氢制氢港口选址为案例，验证了方法的科学性和有效性。结果表明，考虑定性及定量评估，基于集中式制氢+液氢+购买/租赁船舶技术方案的选址方案A5综合最优，敏感性分析表明气氢储运技术搭配船舶运输是技术成熟度和经济性方面表现较好的技术方案。

关键词: 海上风电, 制氢加氢, 经验挖掘, 对偶自信双层语言, 云模型

Abstract:

To support the decision-making for site selection of offshore wind power-hydrogen production and refueling ports (OWP-HPRP), we propose a multi-attribute decision-making method using experience mining algorithm and hybrid linguistic terminologies. Initially, the crawler algorithm, TextRank algorithm, Word2Vec algorithm, and Louvain algorithm are used to facilitate the mining, ranking, word pairs construction, and clustering of historical empirical documents, and an experience mining based attribute set is thereby obtained. Secondly, the linguistic terminologies such as the duality-confidence linguistics, cloud models and real numbers are introduced to enable the accommodation of quantitative and qualitative data expressions and to solve the distortion problem in transformation of data set. Finally, a standardized formula is introduced to process the indicator data, and a comprehensive ranking result is thus obtained. The effectiveness of the proposed method was verified through a case study of site selection for an offshore wind power-hydrogen production and refueling port. The results show that according to both the qualitative and quantitative assessments, the site scheme A5 based on the technical scheme of centralized hydrogen production + liquid hydrogen + purchase/lease of ships is comprehensively optimal. The sensitivity analysis indicates that the technical scheme of gas hydrogen storage and transportation technology combined with shipping transportation has a good performance in technical maturity and economy.

Key words: offshore wind power, hydrogen production and refueling, experience minin, duality-confidence double hierarchy linguistics, cloud model

黄宁泊, 高建伟, 许传博, 徐选华, 赵舒通, 缑迅杰, 姜晓静. 基于经验挖掘与混合语言的海上风电制氢加氢港口选址研究[J]. 中国电力, 2024, 57(9): 113-123.

Ningbo HUANG, Jianwei GAO, Chuanbo XU, Xuanhua XU, Shutong ZHAO, Xunjie GOU, Xiaojing JIANG. Site Selection of Offshore Wind Power-Hydrogen Production and Refueling Ports Based on Empirical Mining and Hybrid Linguistic Approach[J]. Electric Power, 2024, 57(9): 113-123.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.202403015

https://www.electricpower.com.cn/CN/Y2024/V57/I9/113

图/表 9

参考文献 33

1	SHI M F, LI X M, XU C B. Two-stage site selection of hydrogen refueling stations coupled with gas stations considering cooperative effects based on the CRITIC-ITFAHP-MABAC method: a case study in Beijing[J]. International Journal of Hydrogen Energy, 2024, 49, 1274- 1292. DOI
2	XU M J, WU Y N, LIAO Y J, et al. Optimal sites selection of oil-hydrogen combined stations considering the diversity of hydrogen sources[J]. International Journal of Hydrogen Energy, 2023, 48 (3): 1043- 1059. DOI
3	ZHANG W X, GENG X L, CHENG S, et al. Simultaneous evaluation of criteria and alternatives method-based site selection for solar hydrogen production plant in Inner Mongolia, China[J]. Sustainable Energy Technologies and Assessments, 2024, 61, 103583. DOI
4	WU Y N, DENG Z Q, TAO Y, et al. Site selection decision framework for photovoltaic hydrogen production project using BWM-CRITIC-MABAC: a case study in Zhangjiakou[J]. Journal of Cleaner Production, 2021, 324, 129233. DOI
5	GULERIA A, BAJAJ R K. A robust decision making approach for hydrogen power plant site selection utilizing (R, S)-norm pythagorean fuzzy information measures based on VIKOR and TOPSIS method[J]. International Journal of Hydrogen Energy, 2020, 45 (38): 18802- 18816. DOI
6	WU Y N, HE F Y, ZHOU J L, et al. Optimal site selection for distributed wind power coupled hydrogen storage project using a geographical information system based multi-criteria decision-making approach: a case in China[J]. Journal of Cleaner Production, 2021, 299, 126905. DOI
7	KARIPOĞLU F, SERDAR GENÇ M, AKARSU B. GIS-based optimal site selection for the solar-powered hydrogen fuel charge stations[J]. Fuel, 2022, 324, 124626. DOI
8	WAN Q F, XU X H, HAN J. A dimensionality reduction method for large-scale group decision-making using TF-IDF feature similarity and information loss entropy[J]. Applied Soft Computing, 2024, 150, 111039. DOI
9	WU D, YANG R X, SHEN C. Sentiment word co-occurrence and knowledge pair feature extraction based LDA short text clustering algorithm[J]. Journal of Intelligent Information Systems, 2021, 56 (1): 1- 23. DOI
10	QIU D, ZHENG Q. Improving TextRank algorithm for automatic keyword extraction with tolerance rough set[J]. International Journal of Fuzzy Systems, 2022, 24 (3): 1332- 1342.
11	RICHARZ J, WEGEWITZ S, HENN S, et al. Graph-based research field analysis by the use of natural language processing: an overview of German energy research[J]. Technological Forecasting and Social Change, 2023, 186 122139.
12	KORACH Z T, YANG J, ROSSETTI S C, et al. Mining clinical phrases from nursing notes to discover risk factors of patient deterioration[J]. Int J Med Inform, 2020, 135, 104053. DOI
13	徐选华, 黄丽, 陈晓红. 基于共词网络的群智知识挖掘方法: 在应急决策中应用[J]. 管理科学学报, 2023, 26 (5): 121- 137.
	XU Xuanhua, HUANG Li, CHEN Xiaohong. Collectire intelligence knowledge mining method based on co-word network: application in emergency decision-making[J]. Journal of Management Sciences in China, 2023, 26 (5): 121- 137.
14	QIN J D, LI M X, WANG X J, et al. Collaborative emergency decision-making: a framework for deep learning with social media data[J]. International Journal of Production Economics, 2024, 267, 109072. DOI
15	GUDIVADA V N, RAO D L, GUDIVADA A R. Information retrieval: concepts, models, and systems[M]//Handbook of Statistics. Amsterdam: Elsevier, 2018: 331–401.
16	DRŽÍK D, ŠTEFLOVIČ K. Text vectorization techniques based on wordnet[J]. Journal of Linguistics, 2023, 74 (1): 310- 322.
17	JI S H, SATISH N, LI S, et al. Parallelizing Word2Vec in shared and distributed memory[J]. IEEE Transactions on Parallel and Distributed Systems, 2019, 30 (9): 2090- 2100. DOI
18	GOEL A, MAJUMDAR A. Contrastive deep convolutional transform k-means clustering[J]. Information Sciences, 2024, 661, 120191. DOI
19	YU H, ZHOU C H, BAO J C, et al. Analysis and effect evaluation of offshore wind power output characteristics based on Gaussian mixed clustering[J]. Procedia Computer Science, 2023, 224 (C): 389- 394.
20	REBAFKA T. Model-based clustering of multiple networks with a hierarchical algorithm[J]. Statistics and Computing, 2024, (1): 527- 542.
21	GOU X J, XU Z S, WANG X X, et al. Managing consensus reaching process with self-confident double hierarchy linguistic preference relations in group decision making[J]. Fuzzy Optimization and Decision Making, 2021, 20 (1): 51- 79. DOI
22	LIU W Q, DONG Y C, CHICLANA F, et al. Group decision-making based on heterogeneous preference relations with self-confidence[J]. Fuzzy Optimization and Decision Making, 2017, 16 (4): 429- 447. DOI
23	LIU W Q, ZHANG H J, CHEN X, et al. Managing consensus and self-confidence in multiplicative preference relations in group decision making[J]. Knowledge-Based Systems, 2018, 162 (C): 62- 73.
24	GOU X J, LIAO H C, XU Z S, et al. Group decision making with double hierarchy hesitant fuzzy linguistic preference relations: consistency based measures, index and repairing algorithms and decision model[J]. Information Sciences: an International Journal, 2019, 489 (C): 93- 112.
25	MILLET I. The effectiveness of alternative preference elicitation methods in the analytic hierarchy process[J]. Journal of Multi-Criteria Decision Analysis, 1997, 6 (1): 41- 51. DOI
26	CHICLANA F, HERRERA-VIEDMA E, ALONSO S, et al. Cardinal consistency of reciprocal preference relations: a characterization of multiplicative transitivity[J]. IEEE Transactions on Fuzzy Systems, 2009, 17 (1): 14- 23. DOI
27	尹儇鹏, 徐选华, 陈晓红. 风险视域下的大群体应急决策策略选择研究[J]. 系统工程理论与实践, 2021, 41 (3): 678- 690. DOI
	YIN Xuanpeng, XU Xuanhua, CHEN Xiaohong. Study on the selection of large group emergency decision-making strategies under the perspective of risk[J]. Systems Engineering-Theory & Practice, 2021, 41 (3): 678- 690. DOI
28	高建伟, 黄宁泊, 缑迅杰, 等. 基于对偶自信双层语言偏好关系的多属性群决策方法[J]. 系统科学与数学, 2024, 44 (4): 935- 961.
	GAO Jianwei, HUANG Ningbo, GOU Xunjie, et al. Multi-attribute group decision-making method based on dual-layer linguistic preference relations with self-confidence[J]. Systems Science and Mathematical Sciences, 2024, 44 (4): 935- 961.
29	KAHNEMAN D, TVERSKY A. Prospect theory: an analysis of decision under risk[M]//Decision, Probability and Utility. Cambridge: Cambridge University Press, 1988: 183–214.
30	李德毅, 孟海军, 史雪梅. 隶属云和隶属云发生器[J]. 计算机研究与发展, 1995, 32 (6): 15- 20.
31	李德毅, 刘常昱. 论正态云模型的普适性[J]. 中国工程科学, 2004, 6 (8): 28- 34. DOI
	LI Deyi, LIU Changyu. Study on the universality of the normal cloud model[J]. Engineering Science, 2004, 6 (8): 28- 34. DOI
32	LU H W, REN L X, CHEN Y Z, et al. A cloud model based multi-attribute decision making approach for selection and evaluation of groundwater management schemes[J]. Journal of Hydrology, 2017, 555, 881- 893. DOI
33	徐选华, 王佩, 蔡晨光. 基于云相似度的语言偏好信息多属性大群体决策方法[J]. 控制与决策, 2017, 32 (3): 459- 466.
	XU Xuanhua, WANG Pei, CAI Chenguang. Linguistic multi-attribute large group decision-making method based on similarity measurement of cloud model[J]. Control and Decision, 2017, 32 (3): 459- 466.

数值	语义	数值	语义
1	完全不自信	5	高的自信度
2	很低的自信度	6	很高的自信度
3	低的自信度	7	完全自信
4	中等的自信度

数值	语义	数值	语义
1	完全不自信	5	高的自信度
2	很低的自信度	6	很高的自信度
3	低的自信度	7	完全自信
4	中等的自信度

一级指标	二级指标	关键词
自然因素	风速	风能资源；风速分布；风向变化；长期风速变化；电力生产潜力；能源评估；风力发电效率···
	水深	海洋地形；水深测量；海床地质；建设成本；基础建设；水下结构；设计参数；安全评估···
	浪高	气象条件；浪高频率；风暴影响；设备稳定性；维护成本；海洋动力学；设计安全；海浪数据···
	用地面积	空间规划；建设限制；场址选择；环境影响；土地利用；开发潜力；规模可扩展性；地理条件···
经济因素	LCOH	初始投资成本；运维成本折现；税收折现；利息折现；回收残值；全寿命制氢量折现；现金折现率；折现期数···
技术因素	单位可利用小时数	风力发电机效率；运行稳定性；维护周期；故障率；性能监测；能源供应稳定性；可用性分析···
技术因素	技术成熟度	技术验证；成本效益；市场接受度；研发进度；技术壁垒；创新应用；技术标准；发展趋势···
社会因素	政府支持	政策激励；资金补贴；法规框架；项目批准；政策环境；发展规划；环境评估政策；投资优惠···
	公众支持	社会接受度；公众意识；社区参与；意见征询；教育普及；公众关系；社会责任；媒体报道···
	氢气需求	市场规模；需求增长；应用领域；消费趋势；价格敏感性；竞争分析；市场潜力；客户调研···
	GDP增长	经济贡献；产业发展；就业创造；技术创新；产值增长；投资吸引；地方经济；产业链效应···
环境因素	节能效益	能源利用率；节能措施；能源管理；节能技术；效率提升；消耗降低；环保标准；绿色能源···
环境因素	碳减排	减排目标；温室气体；碳足迹；环境保护；清洁能源；碳交易；碳税；环境影响评估；气候变化···
风险因素	极端天气	天气预报；风险评估；应急准备；灾害影响；安全措施；设备防护；风险管理；恢复计划···
	配电可靠性	电网稳定；供电中断；备用电源；电力质量；电网接入；电力供应；运营风险；维护策略···
	气体泄漏	安全标准；泄露检测；防泄措施；应急响应；风险控制；维修协议；安全培训；监控系统···
	储运风险	物流管理；储存条件；运输安全；风险识别；风险预防；安全规范；应急措施；储运设备···

一级指标	二级指标	关键词
自然因素	风速	风能资源；风速分布；风向变化；长期风速变化；电力生产潜力；能源评估；风力发电效率···
	水深	海洋地形；水深测量；海床地质；建设成本；基础建设；水下结构；设计参数；安全评估···
	浪高	气象条件；浪高频率；风暴影响；设备稳定性；维护成本；海洋动力学；设计安全；海浪数据···
	用地面积	空间规划；建设限制；场址选择；环境影响；土地利用；开发潜力；规模可扩展性；地理条件···
经济因素	LCOH	初始投资成本；运维成本折现；税收折现；利息折现；回收残值；全寿命制氢量折现；现金折现率；折现期数···
技术因素	单位可利用小时数	风力发电机效率；运行稳定性；维护周期；故障率；性能监测；能源供应稳定性；可用性分析···
技术因素	技术成熟度	技术验证；成本效益；市场接受度；研发进度；技术壁垒；创新应用；技术标准；发展趋势···
社会因素	政府支持	政策激励；资金补贴；法规框架；项目批准；政策环境；发展规划；环境评估政策；投资优惠···
	公众支持	社会接受度；公众意识；社区参与；意见征询；教育普及；公众关系；社会责任；媒体报道···
	氢气需求	市场规模；需求增长；应用领域；消费趋势；价格敏感性；竞争分析；市场潜力；客户调研···
	GDP增长	经济贡献；产业发展；就业创造；技术创新；产值增长；投资吸引；地方经济；产业链效应···
环境因素	节能效益	能源利用率；节能措施；能源管理；节能技术；效率提升；消耗降低；环保标准；绿色能源···
环境因素	碳减排	减排目标；温室气体；碳足迹；环境保护；清洁能源；碳交易；碳税；环境影响评估；气候变化···
风险因素	极端天气	天气预报；风险评估；应急准备；灾害影响；安全措施；设备防护；风险管理；恢复计划···
	配电可靠性	电网稳定；供电中断；备用电源；电力质量；电网接入；电力供应；运营风险；维护策略···
	气体泄漏	安全标准；泄露检测；防泄措施；应急响应；风险控制；维修协议；安全培训；监控系统···
	储运风险	物流管理；储存条件；运输安全；风险识别；风险预防；安全规范；应急措施；储运设备···

方案	自然因素			经济因素
方案	风速	水深/m	用地面积/km²	平均LCOH
A1	(7.18,3.26,2.02)	81	1200	39.18
A2	(6.82,2.92,1.84)	102	2240	39.19
A3	(6.61,2.68,1.85)	55	800	31.90
A4	(6.56,2.71,1.87)	65	864	33.51
A5	(6.57,2.64,1.72)	59	1056	33.51

方案	技术因素	社会因素	环境因素
方案	可利用小时数/h	GDP增长/亿元	节能效益/万t	碳减排/万t
A1	6487	1569.15	650.75	1730.00
A2	6309	2779.56	1214.73	3229.33
A3	6353	1005.90	433.83	1153.33
A4	6201	1037.12	468.54	1245.60
A5	6330	1318.68	572.66	1522.40

基于经验挖掘与混合语言的海上风电制氢加氢港口选址研究

Site Selection of Offshore Wind Power-Hydrogen Production and Refueling Ports Based on Empirical Mining and Hybrid Linguistic Approach

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 33

相关文章 15

编辑推荐

Metrics

方案	技术成熟度	政府支持	公众支持	氢气需求
A1	0.60	1.00	1.00	0.60
A2	0.60	1.00	1.00	0.73
A3	0.69	0.60	0.60	1.00
A4	1.00	0.71	0.60	0.86
A5	1.00	0.71	0.60	0.73

方案	极端天气	配电可靠性	气体泄漏	储运风险
A1	0.60	0.60	0.60	0.62
A2	0.60	0.60	0.60	0.62
A3	1.00	1.00	0.73	0.60
A4	0.80	0.74	1.00	1.00
A5	0.80	0.74	1.00	1.00

一级指标	二级指标	属性权重
自然因素	风速	8.11
	水深	4.05
	用地面积	5.41
经济因素	LCOH	8.11
技术因素	可利用小时数	5.41
技术因素	技术成熟度	5.26
环境因素	节能效益	5.41
环境因素	碳减排	5.41
社会因素	政府支持	7.89
	公众支持	7.89
	氢气需求	6.58
	GDP增长	8.11
风险因素	极端天气	3.95
	配电可靠性	3.95
	气体泄漏	6.58
	储运风险	7.89

指标权重		评分
定性	定量	A1	A2	A3	A4	A5
1.0	0	0.7985	0.7961	0.7680	0.7224	0.7705
0.9	0.1	0.7916	0.7911	0.7655	0.7338	0.7753
0.8	0.2	0.7847	0.7862	0.7629	0.7452	0.7802
0.7	0.3	0.7778	0.7812	0.7603	0.7566	0.7851
0.6	0.4	0.7709	0.7763	0.7578	0.7680	0.7900
0.5	0.5	0.7640	0.7713	0.7552	0.7794	0.7948
0.4	0.6	0.7571	0.7664	0.7526	0.7908	0.7997
0.3	0.7	0.7502	0.7614	0.7501	0.8021	0.8046
0.2	0.8	0.7433	0.7565	0.7475	0.8135	0.8095
0.1	0.9	0.7364	0.7515	0.7449	0.8249	0.8143
0	1.0	0.7295	0.7466	0.7424	0.8363	0.8192

[1]	丰力, 张莲梅, 韦家佳, 邓长虹, 李果, 尹家悦. 基于全生命周期经济评估的海上风电发展与思考[J]. 中国电力, 2024, 57(9): 80-93.
[2]	姜文瑾, 刘巧妹, 杨晓东, 阙定飞, 沈豫, 黄夏楠, 赖振华. 计及气固两相储氢特性的海上风电-多元储能系统优化配置[J]. 中国电力, 2024, 57(9): 103-112.
[3]	叶婧, 蔡俊文, 张磊, 周广浩, 何杰辉, 翟学. 考虑海缆实际载流量的海上风电集电系统拓扑优化[J]. 中国电力, 2024, 57(7): 173-181.
[4]	阎洁, 杨佳琳, 王航宇, 卢姣阳, 刘永前, 张磊. 基于风况预测误差自适应的海上风电场尾流偏转控制方法[J]. 中国电力, 2024, 57(3): 190-196.
[5]	张金良, 胡泽萍. 计及多重不确定性的生物质电厂库存优化模型[J]. 中国电力, 2024, 57(12): 157-168.
[6]	叶婧, 周广浩, 张磊, 杨莉, 翟学, 蔡俊文. 考虑馈线交叉规避的海上风电场海缆路径优化[J]. 中国电力, 2023, 56(6): 167-175.
[7]	苏开元, 董文凯, 邱银锋, 魏澈, 谢小荣. 分散式风储一体化系统提升海上油田群电网频率稳定性研究[J]. 中国电力, 2023, 56(5): 163-171.
[8]	杨舒婷, 陈新, 黄通, 魏麒璇. 考虑MMC环流控制的海上风电经柔直送出系统阻抗塑造方法[J]. 中国电力, 2023, 56(4): 38-45.
[9]	苏向敬, 宇海波, 符杨, 田书欣, 李海瑜, 耿福海. 基于DALSTM和联合分位数损失的海上风电功率概率预测[J]. 中国电力, 2023, 56(11): 10-19.
[10]	王朝辉, 黄松阁, 林斌, 陈雨薇, 范淑敏, 施朝晖. 基于海上风电场区66 kV集电系统海缆最大截面经济性分析[J]. 中国电力, 2023, 56(11): 20-28.
[11]	易亚文, 赵静朴, 柳灿, 蒋焮焮, 李方玖, 李振兴. 基于改进ED及CM-BPNN算法的保护测量回路误差状态评估方法[J]. 中国电力, 2023, 56(11): 143-150.
[12]	廖修谱, 周全, 李磊, 李彬彬, 王志远, 杨明, 徐殿国. 一种适用于远海风电直流汇集送出换流阀的拓扑及其技术经济性分析[J]. 中国电力, 2022, 55(6): 118-127.
[13]	王宇航, 王文玲, 周绪红, 王康, 罗崯滔. 海上风电机组格构式浮式基础结构优化及响应分析[J]. 中国电力, 2022, 55(5): 21-31.
[14]	孙艳霞, 方是文, 李震. 海上风电经交流电缆汇集送出系统暂态无功电压建模及特性分析[J]. 中国电力, 2022, 55(4): 166-174.
[15]	马晋龙, 孙勇, 叶学顺. 欧洲海上风电规划机制和激励策略及其启示[J]. 中国电力, 2022, 55(4): 1-11,92.

方案	风速	水深	用地面积	LCOH
A1	1.000	0.779	0.889	0.600
A2	0.775	0.600	0.600	0.600
A3	0.628	1.000	1.000	1.000
A4	0.600	0.915	0.982	0.912
A5	0.651	0.966	0.929	0.912

方案	可利用小时数	GDP增长	节能效益	碳减排
A1	1.000	0.727	0.711	0.711
A2	0.751	1.000	1.000	1.000
A3	0.813	0.600	0.600	0.600
A4	0.600	0.607	0.618	0.618
A5	0.780	0.671	0.671	0.671

方案	风速	水深	用地面积	LCOH
A1	1.000	0.779	0.889	0.600
A2	0.775	0.600	0.600	0.600
A3	0.628	1.000	1.000	1.000
A4	0.600	0.915	0.982	0.912
A5	0.651	0.966	0.929	0.912

方案	可利用小时数	GDP增长	节能效益	碳减排
A1	1.000	0.727	0.711	0.711
A2	0.751	1.000	1.000	1.000
A3	0.813	0.600	0.600	0.600
A4	0.600	0.607	0.618	0.618
A5	0.780	0.671	0.671	0.671

模态框（Modal）标题

基于经验挖掘与混合语言的海上风电制氢加氢港口选址研究

Site Selection of Offshore Wind Power-Hydrogen Production and Refueling Ports Based on Empirical Mining and Hybrid Linguistic Approach

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 33

相关文章 15

编辑推荐

Metrics