一种基于神经网络的远景220kV电网组网方法及其系统与流程

本发明涉及电网组网
技术领域：
，特别是涉及一种基于神经网络的远景220kv电网组网方法及其系统。
背景技术：
：目前，针对采用短路计算并校核短路电流上限的组网方法，短路电流计算是其关键。其中，bpa短路电流计算通常分为基于潮流和基于网架两种基本方法，两种计算模式都首先要搭建复杂的大电网网架、完成众多元件参数的填写，适用于现有或5-10年内网架；对于更长远的网架，适用性较差。而电力系统规划设计的远期短路电流计算，一般采用简化或近似计算，需要做出假设：如假设故障前为空载、故障前所有节点电压标幺值等于1；假设系统各元件的电阻略去不计，只计算短路电流基频的周期分量；假定大电网提供给某500kv变电站高压侧母线短路电流接近开关限值，测算极端情况下220kv片网运行方式的承载力等，因此往往存在参数不确定的情况，包括电源电抗参数不确定、线路长度不确定等，从而导致计算结果不精确；同时前面所述的假设条件不确定或出现组合多的情况，会导致短路电流计算复杂、效率低下，最终导致组网方案具有较大的盲目性。技术实现要素：本发明的目的在于提供一种基于神经网络的远景220kv电网组网方法及其系统。该方法无需构建详细电路模型计算短路电流，简化了工作流程，提高短路电流计算的效率和结果的准确性，可用于远景220kv网络组网规划。为了克服上述现有技术中的缺陷，本发明实施例提供一种基于神经网络的远景220kv电网组网方法，包括：将规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设bp神经网络模型；所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。优选地，所述基于神经网络的远景220kv电网组网方法，还包括：保持规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率和220kv片区的发电厂接入电网的电压等级不变，分别输入至预设bp神经网络模型；将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设bp神经网络模型；所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。优选地，所述预设bp神经网络模型的构建方式，包括：获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的bp神经网络模型的网络参数；使用参数优化后的所述bp神经网络模型对多组变电站测试数据进行测试；每组所述变电站测试数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；根据所述测试结果验证参数优化后的所述bp神经网络模型，以获得所述预设bp神经网络模型。优选地，所述的采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据训练以获取网络参数，包括：第一步：初始化bp神经网络参数，设置鸟巢数量n、算法迭代最大次数nmax和切换概率pa；第二步：随机产生鸟巢初始位置，对神经网络的阈值th和权值we进行编码，设置初始值为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为目标函数采用mse误差函数，反映网络输出结果与实际结果偏差，具体公式为：其中，m为训练集或测试集样本数量，ym为第m个样本输出参数outp实际值，为第m个样本输出参数outp预测值；第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置其中，为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，γ(λ)是一种gamma函数，l服从莱维分布，λ为莱维指数；1)当的mse值大于或等于的mse值，2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置第五步：通过程序的伪随机数生成函数生成一个随机数k，k的范围为[0,1]，1)在k>pa时，根据以下公式更新鸟巢的位置：其中，q为范围[0,1]的随机数，和是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；1.1)当的mse值大于或等于的mse值，1.2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置2)在k≤pa时，不进行鸟巢位置更新；第六步：t＝t+1，若t<nmax，回到第四步；否则到第七步；第七步：将布谷鸟算法迭代过程产生的最优结果作为bp神经网络模型的网络参数；所述网络参数包括bp神经网络模型的初始权值th和阈值we。本发明实施例还提供一种基于神经网络的远景220kv电网组网系统，包括：输入模块，用于将规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设bp神经网络模型；组网模块，用于将所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；更新模块，用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。优选地，所述远景220kv电网组网系统中：所述输入模块，还用于保持规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级不变，分别输入至预设bp神经网络模型；以及将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设bp神经网络模型；所述组网模块，还用于所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；所述更新模块，还用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。优选地，所述的远景220kv电网组网系统，还包括预设bp神经网络模型构建模块，所述预设bp神经网络模型构建模，用于：获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的bp神经网络模型的网络参数；使用参数优化后的所述bp神经网络模型对多组变电站测试数据进行测试；每组所述变电站测试数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；根据所述测试结果调整参数优化后的所述bp神经网络模型，以获得所述预设bp神经网络模型。优选地，所述预设bp神经网络模型构建模块，还用于：第一步：初始化bp神经网络参数，设置鸟巢数量n、算法迭代最大次数nmax和切换概率pa；第二步：随机产生鸟巢初始位置，对神经网络的阈值th和权值we进行编码，设置初始值为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为目标函数采用mse误差函数，反映网络输出结果与实际结果偏差，具体公式为：其中，m为训练集或测试集样本数量，ym为第m个样本输出参数outp实际值，为第m个样本输出参数outp预测值；第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置其中，为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，γ(λ)是一种gamma函数，l服从莱维分布，λ为莱维指数；1)当的mse值大于或等于的mse值，2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置第五步：通过程序的伪随机数生成函数生成一个随机数k，k的范围为[0,1]，1)在k>pa时，根据以下公式更新鸟巢的位置：其中，q为范围[0,1]的随机数，和是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；1.1)当的mse值大于或等于的mse值，1.2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置2)在k≤pa时，不进行鸟巢位置更新；第六步：t＝t+1，若t<nmax，回到第四步；否则到第七步；第七步：将布谷鸟算法迭代过程产生的最优结果作为bp神经网络模型的网络参数；所述网络参数包括bp神经网络模型的初始权值th和阈值we。本发明实施例还提供一种计算机终端设备，包括存储器和处理器；所述存储器与所述处理器耦接，用于存储一个或多个程序；所述处理器用于根据所述程序中的指令执行权利要求1-4任一项所述的基于神经网络的远景220kv电网组网方法。本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的基于神经网络的远景220kv电网组网方法。本发明实施例，相对现有技术，具有如下有益效果：无需构建详细电路模型计算短路电流，大大简化了工作流程，计算量少，可以使短路电流的计算更加便捷和高效，同时提高结果的精确性，可用于远景220kv网络组网规划。附图说明图1是本发明某一个实施例提供的基于神经网络的远景220kv电网组网方法的流程示意图；图2是本发明某一个实施例提供的bp神经网络过程结构示意图；图3是本发明某一个实施例提供的基于神经网络的远景220kv电网组网方法的步骤示意图；图4是本发明某一个实施例提供的预设bp神经网络模型的构建方式流程图；图5是本发明某一个实施例提供的基于神经网络的远景220kv电网组网系统的模块连接图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，本发明某一实施例提供一种基于神经网络的远景220kv电网组网方法，包括：s10、将规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设bp神经网络模型；s20、所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；s30、在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。在本实施例中，提供一种基于神经网络的远景220kv电网组网方法，需要指出的是，城市220kv电网的典型接线主要包括：简单闭式双环网，其220kv电网的两端电源出自同一500kv变电站，500kv变电站是否分站运行会造成片区短路电流存在差异；简单闭式环网的局部加固，增加了电网的短路电流支路；链式网，两端电源来自不同的500kv变电站，由于两个500kv变电站一般相距较远，其他条件相同情况下，电气距离增大有利于降低短路电流。请参阅图2，在本发明的某一实施例中，所述bp神经网络是一个多层前馈神经网络，具有强大的非线性映射能力和灵活的网络结构，通过误差反向传播算法进行训练。典型的bp神经网络共有三层，分别为输入层，隐藏层和输出层。利用梯度搜索理论，使神经网络输出与期望输出的误差趋近于最小值。前向传播，是数据从输入层经过隐藏层到输出层的过程。反向传播，是输出误差由输出层到输入层的逆向传播过程，依据此误差信号修正每个神经元的阈值和权值。这两个过程不断进行循环，直至网络达到预期的输出响应，过程结构可参照图3。本发明的某一实施例中，步骤s10、将规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设bp神经网络模型还包括以下子步骤：保持规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级不变，分别输入至预设bp神经网络模型；将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设bp神经网络模型。在本实施例中，需要说明的是，500kv系统阻抗的标幺值与500kv母线短路电流相关，而这个短路电流的限值可能不确定，可将此短路电流作为一类神经网络输入。500kv变电站变压器高-中侧阻抗的标幺值(规划变电站主变压器阻抗)与并列运行的主变压器台数、主变压器参数有关，将主变压器阻抗也作为一类神经网络输入。220kv片区是否有当地电厂接入也将影响最终的短路电流结果，这一个不确定条件可以转变为发电厂额定有功功率及其接入电网的电压等级作为神经网络输入。组网方式不同得到的短路电流不同，则变电站并列运行的主变压器台数也作为一类神经网络输入。综上所述，为了计算规划变电站主变压器并列运行的220kv母线短路电流而搭建的人工神经网络模型的五个输入，即大电网提供给规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级、规划变电站并列运行的主变压器台数这五类，将规划变电站主变压器并列运行的220kv侧母线短路电流作为输出。用含六项参数的不同的历史规划方案或实际电网的组网方式来进行bp神经模型的训练，经过验证满足精度要求后可得到适用的用于预测规划变电站组网方式的bp神经网络。需要研究远景220kv组网方式时，先确定大电网提供给规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级这四类参数，因规划变电站并列运行的主变压器台数是未知的，可以依次输入可能的主变压器台数，一般来说，并列运行的主变压器台数上限有限，一般不会超过六台，若通过bp神经网络计算得到的规划变电站主变压器并列运行的220kv母线短路电流值符合要求，则可以得出可行的220kv组网方案，最终获得所有可行方案的集合供设计人员使用。请参阅图3，在本发明的某一实施例中，在对远景220kv组网方式进行研究时，本方法先对规划变电站500kv母线的短路电流unc1、规划变电站主变压器阻抗unc2、220kv片区的发电厂额定有功功率unc3及其接入电网的电压等级unc4赋予新标签值并维持恒定不变，然后将变电站并列运行的主变压器台数测试值unc5用循环从1至tmaxn依次输入进神经网络，tmaxn为经验值，假设为小于等于6的自然数，通过判断规划变电站主变压器并列运行的220kv母线的短路电流输出值if与上限值imax的大小来判断组网方式是否可行。本发明的某一实施例中，提供了如表1所示的20组训练样本数据，其中，bp神经网络模型输入层有五个神经元输入五种变量，隐藏层有4个神经元，输出层有1个神经元输出规划变电站主变压器并列运行的220kv母线短路电流。布谷鸟算法中用到的参数：鸟巢数量n为20，算法最大迭代次数为50，步长因子α为0.01，莱维指数λ为1.5，切换概率pa为0.25。表1然后再选择4组测试数据来进行校验，校验结果请参阅表2，包括给出四组测试数据对应预测的规划变电站主变压器并列运行的220kv侧母线短路电流值、以及实际值和二者之间的误差值；可以看出，测试结果与实际值比较贴合，可以使用该神经网络进行短路电流的计算。表2在本发明实施例中，还提供了4组新标签数据，如表3所示，分别预测4个方案中短路电流限制下规划变电站并列运行的主变压器台数允许最大值unc5max，其中并列运行的主变压器台数选择范围[1,6]。unc1(ka)unc2(标幺值)unc3(mw)unc4(kv)16334.2022025034.260022036326.660022045026.6600220表3通过本专利提出的方法对表3新标签数据进行预测，预测结果见表4，分析发现与理论计算值相近，可知方案1、2、3和4相应的规划变电站并列运行的主变压器台数最大值unc5max分别为3、3、3和2。表4本发明的某一实施例中，提供了所述预设bp神经网络模型的构建方式，请参阅图4，所述步骤包括：s01、获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；s02、采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的bp神经网络模型的网络参数；s03、使用参数优化后的所述bp神经网络模型对多组变电站测试数据进行测试；每组所述变电站测试数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；s04、根据所述测试结果验证参数优化后的所述bp神经网络模型，以获得所述预设bp神经网络模型。本发明的某一实施例中，提供所述步骤s02、采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据训练以获取网络参数的子步骤，包括：第一步：初始化bp神经网络参数，设置鸟巢数量n、算法迭代最大次数nmax和切换概率pa；第二步：随机产生鸟巢初始位置，对神经网络的阈值th和权值we进行编码，设置初始值为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为目标函数采用mse误差函数，反映网络输出结果与实际结果偏差，具体公式为：其中，m为训练集或测试集样本数量，ym为第m个样本输出参数outp实际值，为第m个样本输出参数outp预测值；第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置其中，为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，γ(λ)是一种gamma函数，l服从莱维分布，λ为莱维指数；1)当的mse值大于或等于的mse值，2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置第五步：通过程序的伪随机数生成函数生成一个随机数k，k的范围为[0,1]，1)在k>pa时，根据以下公式更新鸟巢的位置：其中，q为范围[0,1]的随机数，和是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；1.1)当的mse值大于或等于的mse值，1.2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置2)在k≤pa时，不进行鸟巢位置更新；第六步：t＝t+1，若t<nmax，回到第四步；否则到第七步；第七步：将布谷鸟算法迭代过程产生的最优结果作为bp神经网络模型的网络参数；所述网络参数包括bp神经网络模型的初始权值th和阈值we。本发明的某一实施例还提供一种基于神经网络的远景220kv电网组网系统，包括：输入模块，用于将规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数分别输入至预设bp神经网络模型；组网模块，用于所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与组网方式对应的短路电流值；更新模块，用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。本发明的某一实施例中，所述远景220kv电网组网系统中，所述输入模块，还用于保持规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级不变，分别输入至预设bp神经网络模型；以及将所述规划变电站并列运行的主变压器台数从1至预设的最大台数依次输入至所述预设bp神经网络模型；所述组网模块，还用于所述预设bp神经网络模型根据所述500kv母线的短路电流、所述主变压器阻抗、所述220kv片区的发电厂额定有功功率、所述220kv片区的发电厂接入电网的电压等级和所述主变压器台数进行组网，并输出与每种所述组网方式对应的短路电流值；所述更新模块，还用于在所述短路电流值小于或等于最大预设短路电流时，将所述短路电流值对应的组网方式更新至可行组网方式库。本发明的某一实施例中，所述的远景220kv电网组网系统，还包括预设bp神经网络模型构建模块，所述预设bp神经网络模型构建模，用于：获取不同网络接线以及不同变电站时的多组变电站历史数据，以获得训练样本数据；每组所述变电站历史数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；采用布谷鸟算法对bp神经网络参数进行处理，利用历史数据进行网络训练，以获得参数优化的bp神经网络模型的网络参数；使用参数优化后的所述bp神经网络模型对多组变电站测试数据进行测试；每组所述变电站测试数据包括规划变电站500kv母线的短路电流、规划变电站主变压器阻抗、220kv片区的发电厂额定有功功率、220kv片区的发电厂接入电网的电压等级和所述规划变电站并列运行的主变压器台数；根据所述测试结果调整参数优化后的所述bp神经网络模型，以获得所述预设bp神经网络模型。本发明的某一实施例中，所述预设bp神经网络模型构建模，还用于：第一步：初始化bp神经网络参数，设置鸟巢数量n、算法迭代最大次数nmax和切换概率pa；第二步：随机产生鸟巢初始位置，对神经网络的阈值th和权值we进行编码，设置初始值为第i个鸟巢在第0代的位置，设置迭代标志t，令t＝1；第三步：用布谷鸟算法进行搜索，计算目标函数，记录当前最优鸟巢的位置为目标函数采用mse误差函数，反映网络输出结果与实际结果偏差，具体公式为：其中，m为训练集或测试集样本数量，ym为第m个样本输出参数outp实际值，为第m个样本输出参数outp预测值；第四步：通过莱维飞行对搜索的位置和路径进行更新，获得第t+1代鸟巢位置其中，为第i个鸟巢在第t代的位置，α为步长因子，s为步长，s0为最小步长，γ(λ)是一种gamma函数，l服从莱维分布，λ为莱维指数；1)当的mse值大于或等于的mse值，2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置第五步：通过程序的伪随机数生成函数生成一个随机数k，k的范围为[0,1]，1)在k>pa时，根据以下公式更新鸟巢的位置：其中，q为范围[0,1]的随机数，和是通过随机排列选择的两个不同解，j∈{1,2,…,n}，k∈{1,2,…,n}；1.1)当的mse值大于或等于的mse值，1.2)当的mse值小于的mse值，对第t+1代鸟巢位置根据最小的mse值确定当前最优鸟巢的位置2)在k≤pa时，不进行鸟巢位置更新；第六步：t＝t+1，若t<nmax，回到第四步；否则到第七步；第七步：将布谷鸟算法迭代过程产生的最优结果作为bp神经网络模型的网络参数；所述网络参数包括bp神经网络模型的初始权值th和阈值we。本发明实施例还提供一种计算机终端设备，包括存储器和处理器；所述存储器与所述处理器耦接，用于存储一个或多个程序；所述处理器用于根据所述程序中的指令执如上述任意一个实施例中的一种基于神经网络的远景220kv电网组网方法。本发明实施例还提供一种计算机可读存储介质，用于存储程序代码，所述程序代码用于执行如上述任意一个实施例中的一种基于神经网络的远景220kv电网组网方法。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，构建完整疾病深度分析决策系统，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。以上所述是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。当前第1页12