1.一种厂网河一体化模型参数优化方法，其特征在于，该方法的具体步骤为：
步骤一、利用现有厂网河一体化模型的参数和输出结果，构建rbf径向基神经网络；
步骤二、利用正交最小二乘法对rbf径向基神经网络进行训练；
步骤三、通过模型参数影响排行解析，确定模型优化关键影响参数；
步骤四、利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化，获得各参数的最佳取值区间。
2.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤一所述利用厂网河一体化模型的参数和输出结果，构建rbf径向基神经网络的具体方法为：
步骤a1、利用厂网河一体化模型的参数构建rbf径向基神经网络输入层；
步骤a2、利用厂网河一体化模型的输出结果构建rbf径向基神经网络输出层；
步骤a3、利用高斯函数作为基函数，构建rbf径向基神经网络隐含层，完后建rbf径向基神经网络的构建。
3.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤二中所述利用正交最小二乘法对rbf径向基神经网络进行训练的具体方法为：
步骤b1、对隐含层回归向量正交获得回归模型，利用正交最小二乘法对所述回归模型进行选择，将误差平方和最小的回归算子作为隐含层的回归算子；
步骤b2、利用平均距离法选取隐含层的宽度；完成对rbf径向基神经网络隐含层的设置；
步骤b3、将厂网河一体化模型参数与模型预测结果作为输入模式对，对rbf径向基神经网络进行训练。
4.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤三所述的通过模型参数影响排行解析，确定模型优化关键影响参数的具体方法为：将各参数在隐含层中线性加权权重变化对rbf径向基神经网络的训练结果影响力进行排行，选取影响能力权重排行前5的模型参数作为模型优化关键影响参数。
5.根据权利要求1所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤四中所述利用人工蚁群算法，构建厂网河一体化模型参数优化模型，对模型优化关键影响参数进行优化的方法为：
步骤c1、根据厂网河一体化模型参数值，确定模型优化关键影响参数的取值范围，将每个模型优化关键影响参数的取值范围离散成n等份，作为n个变量区间；其中n为大于或等于2的整数；
步骤c2、对蚁群算法进行初始化；设定目标函数及目标函数阈值和迭代次数上限，将每个参数n个区间的端点设置为该参数的n+1个节点；
步骤c3、将蚁群中所有蚂蚁随机放置在第一个参数的n+1个节点上；
步骤c4、计算每个蚂蚁从当前参数的节点转移到下一个参数的节点的转移概率；
步骤c5、根据所述转移概率，将蚁群的所有蚂蚁分配至下一个参数的n+1个节点上；执行步骤c6，其中，n为正整数；
步骤c6、判断所述下一个参数是否为该次迭代的最后一个待优化参数，若是，执行步骤c7，否则，执行步骤c4；
步骤c7、计算该次迭代目标函数值，判断该次迭代目标函数值是否达到函数阈值，若是，执行步骤c10，否则，执行步骤c8；
步骤c8、判断迭代次数是否达到迭代次数上限，若是，则执行步骤c10，否则，执行步骤c9；
步骤c9、计算每个蚂蚁从当前参数的节点转移到第一个参数的节点的转移概率；返回执行步骤c5；
步骤c10、计算每个参数n+1个节点的信息素强度，根据每个参数的节点的信息素强度获取最优路径，根据最优路径获取各参数的最佳取值区间；
判断获取各参数的最佳取值区间的次数否为第二次，若是，完成模型关键影响参数优化，输出各参数的最佳取值区间，否则，执行步骤c11；
步骤c11、分别将各参数的最佳取值区间离散成n等份，获得n个变量区间；再次对蚁群算法进行初始化；设定目标函数及目标函数阈值和迭代次数上限，将每个参数n个区间的端点设置为该参数的n+1个节点；返回执行步骤c3。
6.根据权利要求5所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤c2和步骤c12中中对蚁群算法进行初始化还包括：设置节点信息强度素初始值；所有节点信息素强度初始值均相同，设置蚁群中蚂蚁的总数量。。
7.根据权利要求6所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤c11中计算每个参数n+1个节点的信息素强度的具体公式为：
τij(t+n)＝ρ·τij(t)+δτij
δτij＝∑m/k＝1δτijk
τij(t)表示t时刻在路线ij上的信息素残留量，ρ代表信息素的残留度，δτijk表示第k只蚂蚁在本次循环中留在路径ij上的信息量，δτij表示本次循环中所有经历过路径ij的蚂蚁留在该路径上的信息量的增量。
8.根据权利要求7所述的一种厂网河一体化模型参数优化方法，其特征在于，步骤a5中所述计算该次迭代目标函数值的计算方法为：采用公式：
计算实现，其中，n是该次迭代厂网河”一体化模型输出数据的组数，qsim该次迭代厂网河”一体化模型输出的数据值，qobs与qsim对应的实际观测值，