1.一种基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，包括以下步骤：(1)对抽水蓄能机组调节系统进行机理建模，利用机理模型产生仿真数据，并划分为训练集和测试集，确定深度学习模型的输入变量；

(2)建立深度学习模型GRU对训练集的机理模型深层次特征进行挖掘；

(3)改进哈里斯鹰优化算法，在逃逸能量中引入一种非线性能量指数递减策略；

(4)将改进的哈里斯鹰优化算法实现GRU模型的参数寻优，包括学习率和隐含层节点数；

(5)利用训练好的GRU模型和测试集得到预测值。

2.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤训练集和测试集的比为7:3。

3.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(2)包括以下步骤：

(21)计算更新门vt，计算公式如下：vt＝σ(Wv*[Yt‑1,Zt]+bv)         (1)式中，σ表示激活函数sigmod，Yt‑1为上一个时刻的输出，Zt为当前时刻的输入；Wv为更新门的权重矩阵，bv为偏差向量；

(22)计算重置门rt，计算公式如下：rt＝σ(Wr*[Yt‑1,Zt]+br)           (2)式中，σ表示激活函数sigmod，Yt‑1为上一个时刻的输出，Zt为当前时刻的输入；Wr为重置门的权重矩阵，br为偏差向量；

(23)计算出更新门和重置门后，GRU会将会计算候选隐藏状态ht，候选隐藏状态ht计算公式如下：

ht＝tanh(Wh*[rt*Yt‑1,Zt]+bh)        (3)式中，tanh(x)表示Tanh激活函数，Wh为对应的权重参数，bh为对应的偏差参数；

(24)在最后的t时刻，GRU的输出计算公式如下：yt＝(1‑vt)*Yt‑1+vt*ht。        (4)

4.根据权利要求1所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(3)包括以下步骤：

(31)确定个体的适应值数学模型，公式如下：式中，n表示样本总数；pi表示系统在时刻i的实际输出； 表示辨识模型在时刻i的模拟输出；

(32)参数初始化：将HHO的种群规模初始化为N，群体中个体的维数为d，最大迭代次数为Tmax，随机生成初始种群；

(33)根据式(5)计算初始适应度值，将适应度值最优的个体位置设置为当前猎物位置；

(34)位置更新，先通过更新猎物逃逸能量，然后根据逃逸能量和生成的随机数执行搜索或者开发行为中对应的位置策略；

(35)计算适应度：计算位置更新后的个体适应度，并与猎物适应度值进行比较，若位置更新后的个体适应度值优于猎物，则以适应度值更优的个体位置作为新的猎物位置:；

(36)如果迭代次数t

(37)返回最佳个体，输出GRU模型的最优参数。

5.根据权利要求4所述的基于深度学习的抽蓄机组调节系统辨识方法，其特征在于，所述步骤(34)包括以下步骤：

(341)搜索阶段，哈里斯鹰通过两种策略寻找到猎物，找到猎物的的公式计算如下：式中，x(t)和x(t+1)分别为当前和下一迭代的个体位置，t为迭代次数，xrand为随机选出的个体位置，xrabbit(t)为猎物位置，即拥有最优适应度的个体位置，r1，r2，r3和r4为[0,1]之间的随机数；q是用来随机选择要采用的策略，xm(t)为个体平均位置，其表达式如下：式中，xk(t)为种群第i个个体的位置，M为种群规模；

(342)搜索与开发的转换阶段：哈里斯鹰优化算法根据猎物的逃逸能量在探索和不同的开发行为之间转换，逃逸能量定义为：式中，E0是猎物的初始能量，为[‑1,1]之间的随机数，每次迭代时自动更新；t是迭代次数，Tmax为最大迭代次数，当|E|≥1时进入搜索阶段，|E|<1时，进入开发阶段；引入一种非线性能量指数递减策略，改进后的逃逸能量计算公式如下：式中，t是迭代次数，Tmax为最大迭代次数；

(343)开发阶段：假设r定义为[0,1]之间的随机数，用于选择不同的开发策略；当0.5≤|E|<1且r≥0.5时，采用软围攻策略进行位置更新，计算公式如下：x(t+1)＝△x(t)‑E|Jxrabbit(t)‑x(t)|       (10)式中，△x(t)＝xrabbit(t)‑x(t)，表示猎物位置与个体当前位置的差值，J为[0,2]之间的随机数；

当|E|<0.5且r≥0.5时采取硬围攻策略进行位置更新，计算公式如下：x(t+1)＝xrabbit(t)‑E|△x(t)|      (11)当0.5≤|E|<1且r<0.5时，采取渐近式快速俯冲的软包围策略进行位置更新，计算公式如下：

Y＝xrabbit(t)‑E|Jxrabbit(t)‑x(t)|       (13)Z＝Y+S*LF(2)         (14)式中，S为2维随机向量，LF()为莱维飞行的数学表达式；

当|E|<0.5且r<0.5时，采取渐近式快速俯冲的硬包围策略进行位置更新，计算公式如下：

Y＝xrabbit(t)‑E|Jxrabbit(t)‑xm(t)|      (16)Z＝Y+S*LF(2)。        (17)。