融合改进鲸鱼算法的绿色建筑综合能源调度策略电气设计

摘要： 针对以光伏、风电等新能源建筑系统中由于太阳能、风能等新型能源存在波动性而引起的绿色建筑综合能源系统优化调度效率降低、调度准确率不高等问题，设计了一种融合鲸鱼算法和深度确定性策略的改进鲸鱼算法综合能源优化调度策略。根据绿色建筑综合能源的系统结构建立系统的基本数学模型，并选择系统的状态变量作为鲸鱼算法输入层的初始变量，根据能源结构分别建立输入层、隐藏层以及输出层的数学运算模型，提升了综合能源系统对特定符合的优化调度准确率。引入深度确定性策略，对鲸鱼算法中的迭代因子进行自适应整定，提高鲸鱼算法的收敛速度与算法精度，进一步提升了鲸鱼算法对综合能源系统的调度效率。在MATLAB中输入绿色建筑综合能源系统中的各类能源数据，并引入改进鲸鱼算法、传统鲸鱼算法以及BP神经网络算法进行调度效率与特定负荷调度准确率对比，结果显示改进鲸鱼算法的调度效率可达95.63%，调度准确率可达95.81%，为综合能源调度优化奠定了有利基础。关键词： 鲸鱼算法; 深度确定性策略; 综合能源系统; 绿色建筑

中图分类号： TU852文献标志码： A文章编号： 1674-8417（2024）10-0015-06

DOI： 10.16618/j.cnki.1674-8417.2024.10.003

0引言

随着全球对可持续发展和环境保护的重视，绿色建筑作为建筑行业发展的一个重要趋势，越来越受到人们的关注［1-3］。在绿色建筑中，光伏、风电等新能源技术被广泛应用，以减少对传统化石能源的依赖，实现建筑能源的清洁、高效利用。然而，由于太阳能、风能等新型能源存在的波动性，绿色建筑综合能源系统在调度效率和调度准确率方面面临挑战，影响了系统的整体性能和稳定性［4］。

为解决绿色建筑综合能源系统调度优化中存在的问题，文献［5］提出一种结合BP神经网络的新型绿色建筑综合能源调度策略，但BP神经网络对新能源的波动性处理较为脆弱，无法有效利用太阳能、风能等新型能源的波动特性，导致能源供需之间的极点波动性影响系统运行和调度的稳定性;文献［6］提出了一种基于蜻蜓算法的综合能源优化调度主体策略，但蜻蜓算法存在信息传递链路较长、响应时间慢等问题，且在关键时刻易出现极点信息传递延迟，影响调度决策的准确性和实时性;文献［7］设计了一种基于机器学习和控制策略相结合的改进机器学习算法，但传统控制策略无法有效整合新能源，导致新能源利用率不高，无法发挥其在系统中的潜在优势，在能源调度方面存在局限性;文献［8］设计了一种基于蚂蚁算法的综合能源调度策略，但在高负荷时段或突发情况下，蚂蚁算法无法有效应对具有的能源调度需求，导致系统运行风险增加，难以确保能源调度的稳定性和可靠性。

基于上述研究方法存在的不足，本文设计了一种基于鲸鱼算法和深度确定性策略的改进鲸鱼算法，利用深度确定性策略对鲸鱼算法中的迭代因子进行自适应整定，提高了能源调度策略的调度效率和准确率，并与传统鲸鱼算法和BP神经网络算法相比，基于改进鲸鱼算法的绿色建筑综合能源调度策略具有较好的特定负荷调度准确率和调度效率。

1基于改进鲸鱼算法的绿色建筑综合能源调度策略设计绿色建筑综合能源系统由电能产生部分、电能运输部分以及负荷消耗部分组成，其中电能产生部分包括太阳能转换部分、风能转换部分等多种新型能源转换部分。绿色建筑综合能源系统的架构图如图1所示。图1中，太阳能、风能通过能量转换部分，将新能源转换为电能，供给负荷利用，调度部分对各类能源进行分配，并根据末端负荷的大小调控各类能源［9-11］。

调度部分通过能源调度策略对太阳能、风能等进行调度，并供给负荷进行利用，但新型能源存在波动性，导致调度效率以及调度准确率下降，因此为了提高调度效率与调度准确率，在绿色建筑综合能源调度系统中引入鲸鱼算法。鲸鱼算法通过追踪和集群阶段的交替实现全局搜索和局部搜索的平衡，具有较强的全局搜索能力和快速收敛速度，适用于解决复杂优化问题，如函数优化、参数调优等领域，因此在调度系统中引入鲸鱼算法可提升对特定负荷的调度准确率。

鲸鱼算法的设计包括输入层、隐藏层以及输出层的设计。鲸鱼算法3层结构图如图2所示。

通过上述鲸鱼算法的设计，可实现对绿色建筑综合能源调度系统中能源数据的调度，但由于迭代因子需根据负荷的情况进行数值改变，因此为提升能源调度效率，引入深度确定性策略，形成改进鲸鱼算法，对迭代因子进行实时优化，保证在负荷多变的情况下保持最优值。

深度强化学习的过程称之为马尔可夫决策过程（MDP），MDP中S、A、P、R、γ∈［0，1］构成五元组lt;S，A，P，R，γgt;。S为状态集、A为动作集、P为状态转移概率矩阵、R为奖励函数、γ∈［0，1］为折扣因子。由于任意时刻的状态转移具有随机性，在给定s状态下，策略π（a|s）将输出a，则状态转移的概率分布为P（s′|s），其中s′为动作转移后的系统状态。每一时刻环境会根据状态变化产生奖励R，为了评价当前的步动作，引入折扣回报G，并且对其求期望得到价值函数b。

融合改进鲸鱼算法的绿色建筑综合能源调度策略设计流程如图3所示。每次迭代智能体从经验池中抽取经验训练，本文经验池大小为1 000 000。在原有控制策略中，选取迭代次数t，策略网络根据状态输出动作at，环境得到动作at后由状态由st转移到状态st+1，价值网络根据状态st和动作at计算价值函数b（st，at，w），其中w为当前网络的权重。为了不引起原控制算法中的随机变量xrand的失控，联立bxrand，加快算法的收敛速度，新捕食公式为

2实验对比

为验证所提出的基于改进鲸鱼算法的正确性和优异性，在MATLAB中输入绿色建筑综合能源调度系统的能源数据，并将改进鲸鱼策略、传统鲸鱼策略、BP神经网络策略分别引入调度系统中，对调度数据进行优化处理，对调度效率和特定负荷的调度准确率进行验证。实验过程使用参数如表2所示。

（1） 三种策略的两类误差对比。

为验证基于改进鲸鱼算法的绿色建筑综合能源调度策略具有较小的误差，分别对改进鲸鱼算法、传统鲸鱼算法以及BP神经网络算法进行平均误差和绝对误差的计算，两类误差对比如表3所示。

由表3可知，改进鲸鱼算法的平均误差和绝对误差均小于其余两类算法，且均小于3%，满足误差要求。传统鲸鱼策略和BP神经网络策略的误差最小值为5.69%，大于5%，不满足误差要求，因此改进鲸鱼算法具有较好的算法收敛性。

（2） 3类策略精度对比。

3类策略精度对比如图6所示。3类策略的精度对比中，改进鲸鱼策略的精度最高，为96.31%，大于95%，具有较好的策略精度，为绿色建筑领域的能源系统优化提供了有力支持。

（3） 3类策略调度效率对比。

3类策略调度效率对比如图7所示。在迭代次数不断增加的过程中，改进鲸鱼策略下的调度效率基本呈现线性增长，且在迭代次数为50次时调度效率达到最大，为95.63%，而传统鲸鱼策略和BP神经网络策略均存在拐点，传统鲸鱼策略在迭代次数为40次时调度效率达到最大值，BP神经网络策略在迭代次数为50次时调度效率达到最大值，但均小于改进鲸鱼策略，因此与传统鲸鱼策略和BP神经网络策略相比，基于改进鲸鱼策略的绿色建筑综合能源系统的调度效率最大，不仅提升了调度效率，而且为提升能源利用率和优化绿色建筑能源系统奠定了一定的策略基础。

（4） 3类策略特定负荷调度准确率对比。

3类策略调度效率对比如表4所示。由表4可知，在迭代次数由10次增加至50次的过程中，3类策略下的特定负荷调度准确率不断增加，但在任意迭代次数下，改进鲸鱼策略的调度准确率均大于其余两类策略，且在迭代次数为50次时3类策略的调度准确率达到最大，改进鲸鱼为95.6%，传统鲸鱼为72.3%，BP神经网络为62.2%，因此仅有改进鲸鱼策略的调度准确率大于95%，具有较高的特定负荷调度准确率。

3结语

针对以光伏、风电等新能源建筑系统中由于太阳能、风能等新型能源存在波动性而引起的绿色建筑综合能源系统优化调度效率降低、调度准确率不高等问题，设计了一种融合鲸鱼算法和深度确定性策略的改进鲸鱼算法综合能源优化调度策略。与传统鲸鱼策略、BP神经网络策略进行同类工况对比后，可得结论：基于改进鲸鱼算法的绿色建筑综合能源调度策略融合了鲸鱼算法和深度确定性策略的特性，提升了综合能源系统中的能源调度效率，以及特定能源的调度准确率。

［1］李泽科，徐志光，余斯航，等.电力调度数据网可靠度评估方法［J］.数据与计算发展前沿，2022，4（5）：87-97.

［2］SHARKEY T C，NURRE PINKLEY S G，EISENBERG D A，et al.In search of network resilience：An optimization-based view［J］.Networks，2021，77（2）：225-254.

［3］李鑫，汪隆君.基于持续时间马尔科夫链的配电信息物理系统可靠性评估［J］.广东电力，2023，36（4）：41-48.

［4］楼洋，李均利，李升，等.复杂网络能控性鲁棒性研究进展［J］.自动化学报，2022，48（10）：2374-2391.

［5］胡鑫，陈信，江海敏.电力调度数据网网络安全防护技术研究［J］.自动化技术与应用，2018，37（5）：20-23.

［6］WANG S，ZHANG J，YUE X.Multiple robustness assessment method for understanding structural and functional characteristics of the power network［J］.Physica A：Statistical Mechanics and its Applications，2018（510）：261-270.

［7］王博文，孙彦景.基于联盟图博弈的地下空间无人机应急通信网络拓扑控制算法［J］.电子与信息学报，2022，44（3）：996-1005.

［8］曹胜男，贾向东，郭艺轩，等.基于认知无人机移动中继网络的物理层安全通信研究［J］.信号处理，2022，38（3）：651-658.

［9］潘成胜，张松，赵晨，等.一种基于 TCP-ARED 的网络动态拥塞控制策略［J］.火力与指挥控制，2023，48（1）：1-7.

［10］李莉莉，周建二，李清，等.蜂窝移动网络拥塞控制机制研究综述［J］.高技术通讯，2022，32（10）：1036-1048.

［11］曲大鹏，张建坤，吕国鑫，等.命名数据网络中带宽时延感知的拥塞控制机制［J］.计算机科学与探索，2022，16（5）：1076-1086.

［12］潘婉苏，李晓风，谭海波，等.BBR拥塞控制算法的RTT公平性优化［J］.哈尔滨工业大学学报，2022，54（11）：38-46.

［13］王龙翔，董凯，李小轩，等.面向虚拟数据空间的智能TCP拥塞控制算法［J］.西安交通大学学报，2021，55（5）：83-91.

［14］周小玲，付银莲.WSN中的最大冗余丢弃和覆盖传输拥塞控制［J］.计算机工程与设计，2021，42（7）：1844-1850.

［15］刘步花，丁丹，杨柳，等.基于DNN的无人机数据OFDM传输技术［J］.系统工程与电子技术，2022，44（2）：696-702.

收稿日期： 20240612

Electrical Design of Green Building Comprehensive Energy

Scheduling Strategy Integrating Improved Whale Algorithm

MA Xinru，WANG Ping

（State grid Handan Power Supply Company， Handan 056001， China）

Abstract： Aiming at the problems of reduced efficiency and low accuracy in the optimization and scheduling of green building comprehensive energy systems caused by the volatility of new energy sources such as solar and wind power in photovoltaic and wind power building systems，an improved whale algorithm comprehensive energy optimization and scheduling strategy integrating whale algorithm and deep determinism strategy is designed.Based on the system structure of green building comprehensive energy，a basic mathematical model of the system is established，and the state variables of the system are selected as the initial variables of the Whale Algorithm input layer.According to the energy structure，mathematical operation models for the input layer，hidden layer，and output layer are established，which improves the accuracy of the comprehensive energy system in optimizing scheduling for specific requirements.Introducing a deep deterministic strategy to adaptively tune the iteration factors in the Whale Algorithm improves its convergence speed and accuracy，further enhancing its scheduling efficiency for integrated energy systems.Input various energy data from the green building comprehensive energy system in MATLAB，and introduce improved whale algorithm，traditional whale algorithm，and BP neural network algorithm to compare scheduling efficiency with specific load scheduling accuracy.The results show that the scheduling efficiency of the improved whale algorithm can reach 95.63%，and the scheduling accuracy can reach 95.81%，laying a favorable foundation for the optimization of comprehensive energy scheduling.

Key words： whale algorithm; deep deterministic strategy; integrated energy system; green buildings