基于鲸鱼优化算法的变电站照明系统智能优化研究

赵振喜 刘锐 刘智兴 吴龙飞 刘春生 孙浩 杨彪

DOI：10.20030/j.cnki.1000?3932.202403016

摘 要 针对现有照明系统存在的成本高、设备协同配合弱等问题，使用智能优化算法对变电站照明设备进行智能控制。根据变电站的工作状态、智能巡检系统及监控补光等需求确定照明优化目标，在窗户处设置测量节点获取全天各时段及不同天气状况下的自然光照条件，得出需要人工光源补充的照度值，以照明系统总照度为指标，使用一种改进鲸鱼优化算法求解满足照明需求的最低能耗方案。通过将随迭代次数变化的收敛因子改为非线性递减，并引入自适应惯性权重因子等策略来提高算法前期的全局搜索能力和后期局部求解精度，最后通过仿真实验将所提方法与不同算法进行比较。实验结果表明，所提出的算法能够有效求解变电站照明的多设备多目标优化问题，并具有较高求解精度和较快收敛速度，能够在满足变电站照明需求的同时有效降低能耗，具有较高实用价值。

关键词 变电站照明系统 智慧变电站 智能优化 鲸鱼优化算法 智能巡检

中图分类号 TP273   文献标志码 A   文章编号 1000?3932（2024）03?0477?11

基金项目：国网吉林省电力有限公司科技项目（批准号：522371210003）资助的课题。

作者简介：赵振喜（1975-），高级工程师，从事电力系统研究及电网工程建设管理工作。

通讯作者：杨彪（1974-），教授，从事电力系统故障诊断与软测量的研究，ybiaocn@163.com。

引用本文：趙振喜，刘锐，刘智兴，等.基于鲸鱼优化算法的变电站照明系统智能优化研究[J].化工自动化及仪表，

2024，51（3）：477-486;494.

随着我国经济的不断增长和科技的快速发展，各行业能源需求不断增大，其中建筑能耗占总体能耗的比例也迅速增加。同时，随着人们环保意识越来越强，为了满足照明舒适度和便捷性的要求，对照明系统智能化的要求也越来越高。因此提高照明系统智能化、降低照明能耗，是未来照明系统发展的主要趋势[1]。近年来我国变电站逐步转向智能化，照明控制系统的智能化应用逐渐成为变电站安全和电网效率提升的关键。变电站传统的照明系统已难以满足社会发展需求，智能化的照明控制系统逐步占据市场[2]。变电站智能照明系统通过融合计算机、自动化及电力等技术，可根据时间、自然光照等条件，并结合变电站智能运检及定时监测等需求实现自动开启、关闭、调节灯具亮度，实现远程和就地控制，满足高效运行及节能环保等多样化需求。

近年来，国内外诸多学者针对智能照明系统的优化改进从算法求解、智能架构及通信控制等方面进行了积极的研究探索并提出了一些有效的解决方案。方培鑫等通过改进粒子群算法对分布式智能照明系统进行优化[3]。陈寒梅等提出了一种基于深度学习的室内照明智能调节系统[4]。CHENG Y S等提出了一种具有分布式无线传感器网络（WSN）和照明控制规则的智能照明系统来降低能源消耗[5]。SUN F K和YU J Q提出了一种基于分布式多智能体框架的室内智能照明控制方法，对灯具和百叶窗进行控制[6]。SEYEDOLHOSSEINI A等提出了一种新的控制机制，利用神经网络学习确定每个光源的输出通量，并调整灯具的调光水平，以满足区域所需照度[7]。CHIESA G等提出了一种基于传感、驱动节点和主单元可扩展的方法，并结合动态遮阳系统控制自然和人工光平衡的物联网系统的工作原型[8]。KANDASAMY N K等提出了一种新型的零能耗建筑照明控制系统，采用人工神经网络（ANN）对照明系统进行建模，并利用该模型与内模控制（IMC）原理进行控制器设计[9]。CHENG Z J等开发了一个基于闭环满足感的系统，通过引入一种改进的强化学习控制器来获得百叶窗和灯的最优控制策略[10]。许馨尹等提出一种每个灯具和工作面分别配备有照度传感器和智能单元的智能照明系统[11]，可以向中央控制器提供工作面照度信息。王俊影等利用无线自组网技术通过路由器的串口输出配合Web页面来对带自组网模块中心节点的照明灯具进行无线控制[12]。

变电站照明系统通过传感器获取工作面照度值，然后对灯具进行控制。过去使用的照明系统大多只注重工作面单个点的照度，未考虑不同位置灯具相互之间的交叉配合，不能在保证较好照明效果的同时实现节能环保的目标。工作面个别点位实际照度超出需求较多，能源消耗较大。除此之外，传统的照明系统多数智能化程度不高，当照明效果未能达到预期目标或产生新的照明需求时，使用人员难以依据实时需求变化调整系统照度值，调节照明效果。

为了解决上述问题，笔者提出一种基于鲸鱼优化算法的变电站智能照明系统。以各照明设备光照强度作为优化对象，每一种光照强度组合作为一个优化个体，以照明灯具和工作面位置作为约束条件，环境光照作为初始条件，建立最小能耗优化函数，计算满足照明需求并使能耗最小的照度组合最优解，以此控制照明设备照度，从而实现多区协同均匀照明，在保证光照需求的同时使系统更节能高效。

1 变电站照明系统优化控制

变电站智能照明控制系统设计通过对变电站照明系统的集约管理，实现变电站的智能化，达成照明优化和节能减排的主要目标[13]。变电站智能照明系统主要由3个部分组成，即系统后台软件、以现场智能感控终端构成的智能检测设备以及由集中控制器和照明设备构成的智能控制终端[14]。变电站智能照明系统可根据具体照明需求对照明设备进行实时控制，调节照明设备亮度及开启时间，实现变电站照明系统的智能控制，延长灯具使用寿命，降低系统能耗并减少人工维护成本。

1.1 照明系统架构

变电站智能照明系统采用分布式群智能系统控制架构设计，可提高智能设备通用性，增强系统状态感知和各设备间的协同控制能力[15，16]。

假如将测量节点设置在工作面上，将难以区分各照明设备的照度贡献占比;若使用关闭所有灯具然后依次开启单个灯具的方法进行测量，则在测量过程中无法保证照明需求。为满足变电站智能照明系统实时调光需求，将测量节点设置于各窗户处，并根据工作面与窗户之间的相对位置信息计算自然光在工作面上产生的照度值，结合各工作面照明需求得出需人工光源提供的实际照度值。通过各照明设备与工作面的位置分布预测人工光源产生的照度，再使用优化算法计算得出最佳照度分配方案。

1.2 照明需求

变电站智能照明控制系统的照明需求主要有两个方面，即时间差异相关的照明需求和依据设备运行的照明需求。

1.2.1 不同时间的照明需求

变电站的照明需求在全天各时段及不同天气自然光照条件下有所不同。白天自然光照较强，靠近窗户位置采光条件较好，可利用自然光照对照明系统进行补充，夜晚缺乏自然光照，需依靠照明系统的人工光源提供更多照度值。同时，相同时间段的自然光照条件在不同天气状况下会有所不同。变电站智能照明系统包含自然光照检测模块，依据不同天气状况调整人工光照强度。除此之外，全年各生产季度需求、用电高峰与否、供电计划目标等都会对变电站照明需求产生一定的影响。依据时段、天气状况以及生产计划等制定不同的照明策略，实时调整照明照度值，可有效提高照明效率，降低能耗，实现光照及能源的高效利用，达到节能减排的目的。

1.2.2 不同设备的照明需求

变电站照明系统应能够根据各设备及生产工位照明需求，寻找最优人工光源开启方案，在保证各工作面照明照度需求的同时最大化降低照明能耗。智能化变电站设有智能巡检系统[17]，利用智能巡检机器人对变电站进行智能巡检，可以实时监测变电站运行情况，排除各类安全隐患。变电站智能照明系统能够根据智能巡检机器人巡检路线实时调整照度，配合智能巡检系统，满足巡检机器人巡检需求。除此之外，变电站内部还设有监控系统，用以监测变电站运行及安全情况。较好的光照条件能够提高监控采集图像的质量。变电站智能照明系统能根据监控系统定时采集和其他监控需求及时进行补光，适时调整照度值，满足监控需求。

1.2.3 照明需求计算

随着变电站的智能化发展，智能电子设备（IED）自动化系统（SAS）在变电站中的应用日渐增多[18]，为满足变电站照明、智能巡检及监控补光等需求，变电站智能照明系统与智能巡检、监控系统间使用Web端控制连接并采用MVC框架构建，统一计算各工作面光照需求。工作面应达到的实际照度值由各项光照需求中的最大值决定，即：

E=max（E，E，E）     （1）

其中，E表示工作面照明需求，E为设备运行所需照度，E为智能巡检所需照度，E为监控补光所需照度。

1.3 照度值获取

1.3.1 照度叠加原理

设某区域内有n个照明设备和m扇窗户，在工作面上，某点处的光照强度为各个人工和自然光源照度的线性叠加，计算出各光源照度之和，即可得到光照面的光照强度，公式如下：

E=E+E=E+E     （2）

其中，E表示工作面某点的实际照度值，E表示所有光源在该点产生的照度值，E表示所有窗户进入的自然光照在该点的照度值，E表示第i个光源在该点产生的照度值，E表示从第j扇窗户进入的自然光照在该点的照度值。

1.3.2 人工光源照度

变电站照明系統主要通过控制人工光源光照强度来调节工作位光照。由于变电站照明设备安装位置相对固定，且多安装在室内顶部同一水平面上，故可通过计算预测出单个照明设备在特定工作面上产生的光照强度：

E===    （3）

其中，θ为入射光线在T点处与工作面法向分量形成的夹角，I为此方向上的光照强度，d为光源与工作面之间的直线距离，h为窗户下沿距地面的高度，d与d分别为d的垂直分量与水平分量。

1.3.3 自然光源照度

钟源宇提出两种自然光照度值模型[19]：太阳光散射模型和太阳光直射模型。为了使变电站设备正常运行，应保证设备处于工作温度范围，变电站设备和采光点分布应避免太阳光直射，故变电站自然光照应为太阳光散射。太阳光散射模型如下：

ERj=dydz （4）

其中，E为窗户照度值，Y为窗宽，H为窗高，Y为窗户最靠近垂直于窗户的墙的最近一侧到该墙面的距离，z为工作面的高度，被测点坐标为（x，y，z）。

2 改进鲸鱼优化算法

2.1 鲸鱼优化算法

鲸鱼优化算法[20]（Whale Optimization Algorit hm，WOA）是一种元启发式群体智能优化算法，其设计源于鲸鱼群的捕食行为，最初由澳大利亚的Mirjalili教授提出。座头鲸在捕食猎物时会以螺旋路径逐渐包围猎物，并使用气泡网攻击猎物。鲸鱼优化算法设置若干个体来模拟鲸鱼群的协同捕食行为，并用螺旋线来模拟其气泡网攻击机制。随机设置一组初始解并计算适应度，找出适应度最高的个体并使其余个体逐渐向其靠近。鲸鱼优化算法已应用于模型预测、参数优化等方面，其整体稳定性较高且寻优能力较强[21]。基本的WOA算法分为3个阶段：寻找猎物、包围捕食和气泡网捕食。

2.1.1 寻找猎物（全局搜索）

此阶段强调算法的全局搜索。鲸鱼群体随机产生一个领头鲸，其他鲸鱼个体根据领头鲸确定搜索方向，以此使得鲸鱼种群能够探索整个搜索空间寻找猎物。此阶段鲸鱼个体更新位置向量的公式为：

D=C·X

（t）-X（t）   （5）

X（t+1）=X（t）-A·D    （6）

其中，X（t）和X（t+1）分别表示第t次和第t+1次迭代时鲸鱼个体的位置，X（t）表示第t次迭代中随机选取的个体位置，D表示X（t）与X（t）之间的距离，A和C为控制向量的系数，每次迭代时重新计算，其计算公式为：

A=2αr-α               （7）

C=2r（8）

α=2-2t/T（9）

其中，r为[0，1]间的随机数，t为当前迭代次数，T为最大迭代次数。随着迭代的进行，收敛因子α的值从2线性下降到0。A的值从[-2，2]逐渐变为0，用来控制探索和开发之间的转化。C的取值是一个随机值，范围为[0，2]，表明鲸鱼个体能够到达这个范围内的所有位置，能够使鲸鱼在一定程度上跳出局部最优。

2.1.2 包围捕食（局部搜索）

WOA的局部搜索阶段分为包围猎物捕食和气泡网螺旋捕食两种模式。在包围捕食模式下，选取当前搜索空间中适应度最优的鲸鱼个体并标记其位置，种群中鲸鱼个体位置根据最优个体位置更新，从而快速进化到类似最优解。更新过程公式为：

D=C·X

（t）-X（t）     （10）

X（t+1）=X（t）-A·D   （11）

其中，X（t）为当前鲸鱼个体最优位置，D为鲸鱼个体与当前最优解之间的距离。

2.1.3 气泡网捕食（局部搜索）

WOA局部搜索阶段的另一种模式是气泡网捕食，此模式是模拟座头鲸在攻击猎物时沿螺旋形路径游动的一种包围捕食方式。种群中鲸鱼个体根据最优个体沿螺旋形路径更新位置，搜索开发目标位置周围区域，其数学模型为：

D=X

（t）-X（t）     （12）

X（t+1）=X（t）+D·e·cos（2πl）  （13）

l=rand（0，1）       （14）

其中，rand（0，1）为[-1，1]之间的一个随机数，b为一个定义螺旋形状的常数，D3表示第t次迭代时鲸鱼个体与当前最優个体之间的距离。

鲸鱼群在游动时分别各有50%的概率使用气泡网方式捕食或以种群中某个个体作为指导个体并向其移动，向指导个体游动时根据参数A决定以种群中随机个体或当前最优个体作为指导个体，由此可将3种机制的数学模型统一处理为：

X（t+1）=X

（t）-A·D

，p<0.5，A≥1

X

（t）-A·D

，p<0.5，A<1

X

（t）+D

·e

·cos（2πl），p≥0.5（15）

其中，p为[0，1]上的随机数，表示座头鲸的行为选择概率。

2.2 优化流程

基本鲸鱼优化算法流程如图1所示。首先初始化种群产生一组随机解，每次迭代更新相关参数，若p≥0.5，进行螺旋路径气泡网捕食;若p<0.5，则判断参数A的绝对值。当A<1时进行包围捕食，种群中鲸鱼个体根据当前最优个体更新自身位置;当A≥1时，转向全局搜索，鲸鱼个体根据随机选择的个体更新位置，扩大搜索范围，避免陷入局部最优，增强种群多样性。当算法进行到最大迭代次数时结束，并输出搜寻到的最优解。

2.3 改进策略

为了进一步增强算法的性能，在前期能够尽可能遍历搜索区域，避免陷入局部最优，在后期加快收敛速度尽快找到最优解，需针对鲸鱼优化算法从以下几个方面进行适当的改进：改进初始种群生成方式;改进算法参数，如收敛因子等;加入惯性权重因子;改进搜索策略;混合其他搜索策略等。

2.3.1 改进初始种群生成方式

初始种群的生成方式会影响算法的性能，传统的伪随机数初始化种群方法可能会使初始种群分布不均，造成全局最优解质量下降。为提高初始种群的多样性，使用具有随机性和遍历性的混沌策略方法[22]和正交自适应初始化方法[23]初始化种群。

采用Tent混沌映射初始化种群并对其进行反向学习，可有效改善传统WOA初始种群随机生成策略造成的种群多样性差的问题[24]，如下式所示：

X（t）=X（t）+（X（t）-X（t））Z（t）（16）

其中，X（t）和X（t）分别表示种群第d维元素的最大值和最小值，X（t）为第t代时种群个体i的第d维元素，Z（t）为Tent混沌映射迭代t次所得混沌序列。之后对映射所得混沌初始化种群进行反向学习：

O=X（t）+X（t）-X（t）（17）

其中，O为反向学习后所得新的鲸鱼个体。

2.3.2 改进收敛方式

在控制系统中，需要根据系统的控制要求选定控制参数来优化性能指标和控制效果[25]。优化算法的收敛方式会对算法性能有较大影响，在鲸鱼优化算法中主要取决于收敛因子。将式（9）中的收敛因子α由线性递减改为非线性递减[21]，如下式所示：

α=2cos

（18）

同时将与鲸鱼螺旋收缩路径相关的系数l改为：

l=1-

+2·rand（0，1） （19）

l的取值范围从前期的[-1，1]逐渐变为后期的[-2，1]，使螺旋线的形状适应搜索策略变化。

为了进一步改进算法性能，在种群迭代公式（15）中加入一个非线性自适应惯性权重因子w[26]，并使其随迭代次数进行非线性变化，如下式所示：

w=w+（w-w）e  （20）

其中，w为最大惯性权重，w为最小惯性权重。

通过将收敛因子α由线性递减改为非线性递减，并加入非线性自适应惯性权重因子来改进算法收敛方式，可有效改善算法性能。

2.3.3 改进搜索策略

除初始种群和收敛因子外，算法的搜索策略也会影响其性能。使用单纯形法[22]改进其局部搜索性能，提高搜索精度;针对基本鲸鱼算法易陷入局部最优的问题，采用Levy飞行策略和混合反向学习策略[27]，获得随机步长帮助算法扩大搜索空间，跳出局部最优，增强其全局搜索性能。

智能优化算法面临的一个典型问题是易陷入局部最优。Levy飞行策略可以帮助算法有效改善这一困境。当种群个体的适应度值连续多次没有显著变化时，可以判定其陷入局部最优[28]，此时对鲸鱼个体采用下式来产生新的候选解：

X（t+1）=X（t）+β?Levy（λ）   （21）

其中，X（t）和X（t+1）分别表示当前个体在第t代和第t+1代时的位置，β为[0，1]上的随机数，λ为一个用于控制算法在局部搜索与全局搜索之间倾向的常数。

综上，改进后的鲸鱼优化算法流程如图2所示。

3 优化方案

3.1 优化流程

变电站智能照明系统优化控制流程如图3所示，首先根据变电站工作情况和智能巡检、监控系统产生实时需求点，确定需要照明的区域及所需照度值，同时通过实时测量获取窗户处的照度值，计算自然光在各照明需求点处照度贡献，得出需要人工光源补充的照度值，最后通过改进WOA优化算法计算最佳照度分配方案。

3.2 优化策略

设变电站某厂房内可采集自然光的窗户数为m，可用照明设备数量为n，变电站运行过程中各系统实时产生的照明需求点个数为P，第i个照明设备在需求点k处产生的照度为E（k），第j扇窗户的自然光在需求点k处产生的照度为E（k），照明需求点k所需总照度值为E，照明设备i在其光源处照度为E。

变电站智能照明系統采用在满足各点照明需求的同时使照明设备总能耗最小的方案，由于照明设备的能耗与灯具光通量之间存在一定的线性关系，故优化目标的适应度函数和约束条件如下：

min f（x）=E     （22）

s.t.E（k）+E（k）≥E，1≤k≤P，k∈N （23）

4 实验验证

4.1 实验设置

为验证笔者所提改进鲸鱼算法的有效性及其优化改善效果，采用基本鲸鱼优化算法和基本粒子群算法（PSO）作为对比实验。本实验使用MATLAB对变电站智能照明系统的多设备多目标照度优化工作模式进行仿真。模拟变电站某一房间（图4），房间内以相同间隔分布有6个灯具，房间一侧有两扇窗户进行自然光采集。窗户处照度值为5 000 lx，照明设备最大照度值为20 000 lx。在区域内随机产生照度需求值在3 000～6 000 lx的照明需求点。实验中的参数设置见表1。

4.2 实验结果

实验设置鲸鱼种群个体和粒子群粒子数为30，最大迭代次数为500。实验中照明需求点位置和所需照度大小随机产生。算法性能从优化后设备最低总照度、需求点实际照度冗余及收敛速度等方面进行比较。

优化后需求点实际照度冗余可使用照度误差评价，公式如下：

δ=     （24）

其中，δ为照度误差，E为实际照度值，E′为目标照度值。

3种算法优化后的曲线如图5～7所示，相关数据见表2～4。

4.3 实验分析

从图5、6可以看出，3种算法对变电站照明控制均有优化效果，而由图7可知，笔者所提改进WOA算法收敛速度明显快于其他两种算法。从表2中可以看出笔者所提算法优化后的照明设备总照度显著低于其他两种算法，表3、4说明笔者所提算法在所有需求点总照度值及其相对于照度总需求的冗余均为最低。

由实验结果可知，在满足照度需求的前提下，所提变电站照明系统智能控制方案具有较好的优化效果，个别目标点处由于其照度需求值较小及位置分布影响，在该位置的照度误差较大，但总误差仍保持在较小水平，整个系统能够有效降低变电站照明能耗，具有较好的节能效果。

5 结束语

为解决变电站照明系统的照明设备间缺乏配合、能耗较高的问题，同时使其满足变电站智能巡检及监控需求，充分利用自然光照补充来降低照明系统能耗，笔者提出了一种改进鲸鱼优化算法，结合不同时段和天气自然光照度，求解满足变电站生产、巡检及监控等照明需求的最低能耗照明方案。

为验证笔者算法的有效性，在二维和三维环境下对变电站照明模型进行仿真模拟，将所提改进鲸鱼算法与基本鲸鱼算法、基本粒子群算法比较，实验结果表明，笔者所提算法在求解精度和收敛速度上均优于另外两种算法，证明了该变电站照明智能控制系统的有效性和可行性，对变电站智能化乃至绿色建筑的发展具有重要意义。

在下一步的研究中，将会考虑在更为复杂的情况下（如移动型照明设备、更多数量的光源及照明需求点等）求解满足需求的照度分配方案，并寻找更加优秀的参数控制方式，进一步提高变电站智能照明系统的性能。

参 考 文 献

[1] 杨萌.智能照明控制系统的应用现状及发展趋势[J].设备管理与维修，2021（Z1）：147-148.

[2] 李彩玲.变电站智能照明控制系统的设计和应用[J].光源与照明，2022（2）：95-97.

[3] 方培鑫，严虎，汪明，等.基于改进粒子群算法的分布式智能照明系统[J].计算机测量与控制，2022，30（12）：284-291.

[4] 陈寒梅，于春荣，刘智超.基于深度学习的室内照明智能调节系统[J].红外与激光工程，2022，51（7）：499-504.

[5] CHENG Y S，FANG C，YUAN J F，et al.Design and Application of a Smart Lighting System Based on Distributed Wireless Sensor Networks[J].Applied  Sciences，2020，10（23）：8545.

[6] SUN F K，YU J Q.Indoor intelligent lighting control method based on distributed multi?agent framework[J].Optik，2020，213：164816.

[7] SEYEDOLHOSSEINI A，MASOUMI N，MODARRESSI M，et al.Daylight Adaptive Smart Indoor Lighting Control Method Using Artificial Neural Networks[J].Journal of Building Engineering，2020，29：101141.

[8] CHIESA G，DI VITA D，GHADIRZADEH A，et al.A fuzzy?logic IoT lighting and shading control system for smart buildings[J].Automation in Construction，2020， 120：103397.

[9] KANDASAMY N K，KARUNAGARAN G，SPANOS C，et al.Smart lighting system using ANN?IMC for personalized lighting control and daylight harvesting[J].Building and Environment，2018，139：170-180.

[10] CHENG Z J，ZHAO Q C，WANG F L，et al.Satisfaction based Q?learning for integrated lighting and blind control[J].Energy and Buildings，2016，5：67.

[11] 许馨尹，李淑娴，付保川.基于日光和用户需求的照明节能控制方法研究[J].建筑科学，2019，35（10）：150-156.

[12] 王俊影，李扬，李伟明，等.基于无线自组网的灯光照明控制系统设计[J].计算机测量与控制，2020，28（6）：70-75.

[13] 李奇.发电厂智能照明系统的设计与应用[J].光源与照明，2021（12）：27-28.

[14] 杨岩敏.工业智能照明应用分析[J].智能建筑与智慧城市，2021（5）：121-123.

[15] 姜子炎，代允闯，江亿.群智能建筑自动化系统[J].暖通空调，2019，49（11）：2-17.

[16] 李维时，陈琪，潘云刚.新型群智能建筑控制管理系统平台的探索[J].智能建筑电气技术，2020，14（1）：5-8.

[17] 刘杨，刘俊，柯奕辰.基于变电站巡检机器人的指针式仪表读数识别[J].化工自动化及仪表，2019，46（8）：636-639;658.

[18] 朱龙超.基于IEC61850的智能变电站网络性能仿真研究[J].化工自动化及仪表，2017，44（12）：1139-1142.

[19] 钟源宇.根据自然光照自动调节室内照明的方法及实现[D].广州：华南理工大学，2014.

[20] MIRJALILI S，LEWIS A.The Whale Optimization Algorithm[J].Advances in Engineering Software，2016 ，95：51-67.

[21] 李宝帅，叶春明.混合鲸鱼优化算法求解柔性作业车间调度问题[J].计算机系统应用，2022，31（4）：244-252.

[22] 郭辉，付接递，李振东，等.基于改进鲸鱼算法优化SVM参数和特征选择[J].吉林大学学报（工学版），2023，53（10）：2952-2963.

[23] 张金泉，徐寿伟，李信诚，等.基于正交自适应鲸鱼优化的云计算任务调度[J].计算机应用，2022，42（5）：1516-1523.

[24] 张潮，冯锋.混沌策略和单纯形法改进的鲸鱼优化算法[J].中国科技论文，2020，15（3）：293-299.

[25] 王银双，杨彪，杜婉，等.微波加热固体颗粒类矿物的过程控制分析[J].化工自动化及仪表，2021，48（1）：20-23.

[26] 徐立立，杨超，曾浩然.基于改进鲸鱼算法的含DG配电网故障区段定位[J].电子科技，2023，36（1）：15-20;27.

[27] 耿召里，李目，曹淑睿，等.基于混合反向学习策略的鲸鱼优化算法[J].计算机工程与科学，2022，44（2）：355-363.

[28] 崔鳴，靳其兵.基于Levy飞行策略的灰狼优化算法[J].计算机与数字工程，2022，50（5）：948-952;958.

（收稿日期：2023-01-08，修回日期：2024-03-12）

Research on Intelligent Optimization of Substation Lighting System Based on Whale Optimization Algorithm

ZHAO Zhen?xi1， LIU Rui2， LIU Zhi?xing3， WU Long?fei3， LIU Chun?sheng3，

SUN Hao3，YANG Biao3

（1. State Grid Jilin Electric Power Co .， Ltd .;2. NARI Technology Nanjing Control Systems Co.， Ltd.;

3. Construction Branch of State Grid Jilin Electric Power Co.， Ltd.）

（Continued on Page 494）