1.一种抽水蓄能机组调节系统智能预测控制方法，其特征在于，包括以下步骤：(1)收集抽水蓄能机组调节系统运行数据，并对数据进行预处理；

(2)构建时域卷积‑双向长短期神经网络TCN‑BiLSTM，采用过去的抽水蓄能机组状态和控制输入对系统未来状态趋势进行迭代预测；

(3)构建深度智能预测控制模型DeepMPC，所述DeepMPC包括数据输入模块、预测模型TCN‑BiLSTM、滚动优化模块和反馈校正模块；TCN‑BiLSTM对步骤(1)的运行数据进行离线预测；

(4)通过自适应梯度下降算法实时优化TCN‑BiLSTM的参数，确保预测对象是对应工况下的抽水蓄能调节系统；

(5)利用改进的人工鱼群算法实时求解滚动优化模块中的最优控制律，并将最优控制律的第一个控制量U*(k)作用于当前工况下的抽蓄机组调节系统；

步骤(2)所述采用过去的抽水蓄能机组状态和控制输入对系统未来状态趋势进行迭代预测实现过程如下：抽水蓄能机组调节系统，其非线性动态特性用以下形式表达：

将前k个时刻的抽水蓄能机组调节系统的输入和输出作为TCN‑BiLSTM的输入：X＝{U(k),U(k‑1),…,U(k‑l+1),Y(k),Y(k‑1),…,Y(k‑s+1)}    (2)预测第k+1时刻抽水蓄能调节系统的输出：Y＝{Y(k+1)}    (3)

式中，Y(k)＝{y1(k),y2(k),…,yn(k)}为n维抽水蓄能调节系统输出，U(k)＝{u1(k),u2(k),…,um(k)}为m维抽水蓄能调节系统输入，f(i)为非线性映射函数，l∈Z和s∈Z为系统某一阶次，k表示当前时刻；

步骤(3)所述预测模型TCN‑BiLSTM，包括输入层、时域卷积网络层、双向短期记忆网络预测层；

所述输入层对数据进行归一化和滑动窗口处理；

所述时域卷积网络层对于序列中的元素s的空洞卷积运算F被定义为：i

式中，x是输入值，d是膨胀因子d＝O(2)；k是卷积核大小；s‑d·i表示从s时刻向过去平移d·i时刻；

在时域卷积网络层引入残差连接使网络深度很深的情况下依旧稳定，其残差模块由网络Γ和输入x组成：o＝Γ(x)‑x                 (5)所述时域卷积网络层的输出向量作为BiLSTM的输入；所述双向长短期记忆网络预测层由正向和反向LSTM叠加而成：it＝σ(Wt·[ht‑1,xt]+bi)               (7)ft＝σ(Wf·[ht‑1·xt]+bf)              (8)ot＝σ(W0·[ht‑1,xt]+b0)              (10)其中，ft表示遗忘门；it表示输入门；ot表示输出门；xt表示当前时刻的输入信息；ht‑1和ht分别表示上一时刻和当前时刻的细胞输出值；ct‑1和ct分别表示上一时刻和当前时刻的记忆单元；σ表示sigmoid激活函数；W和b分别代表权重矩阵和偏置项；正向和反向LSTM网络分别对正向输入和逆向输入的值进行计算，得到隐藏层状态输出，将正向和反向的隐藏层状态输出的向量进行拼接得到BiLSTM网络层的最终输出：其中，H为BiLSTM网络层的最终输出； 为正向的隐藏层状态输出； 为反向的隐藏层状态输出；

所述步骤(5)实现过程如下：

引入Gauss混沌映射，设优化的第k个控制分量为uk，则uk+1的计算方式为：其中，mod为求余函数，[]代表取整；

在“觅食行为”中引入“对数惯性权重”策略：迭代前期，惯性权重提高鱼群全局搜索能力，使鱼群个体能够更快地搜寻到最优个体；迭代后期，惯性权重增大，使算法在后期局部开发过程中更容易跳出局部极值，从而寻找到最优值：w＝(t/Max‑iter)×(lgwmax/lgwmin)‑lgwmax        (20)X(t+1)＝X(t)+w*rand()            (21)式中，t为当前迭代次数；Max‑iter为最大迭代次数；wmax表示惯性权重最大值，wmin表示惯性权重最小值；权重将随着迭代次数增加而增加；rand()函数产生(0～1)的随机数；X(t)为第t次迭代的一组最优预测控制律,X(t)＝{U*(k),U*(k+1),…,U*(k+M‑1)}；

在DeepMPC的每个采样周期中，TCN‑BiLSTM使用种群中一条鱼的位置生成控制序列迭代计算状态和输出；以输出预测误差和控制量加权的二次型性能指标最小为目标计算出每条鱼的适应度，记录下最优人工鱼状态，即最优控制序列。

2.根据权利要求1所述的抽水蓄能机组调节系统智能预测控制方法，其特征在于，步骤(1)所述的运行数据为不同工况下的抽水蓄能系统的数据，包括水位、发电机转速、发电机有功和无功功率、水泵水轮机转速以及机组状态数据。

3.根据权利要求1所述的一种抽水蓄能机组调节系统智能预测控制方法，其特征在于，步骤(3)中所述数据输入模块实现过程如下：根据设定值和当前输出测量值确定参考轨迹，将参考轨迹取为如下形式：式中，Y(k)为当前时刻过程输出；Ysp为设定值；λ为柔化系数。

4.根据权利要求1所述的一种抽水蓄能机组调节系统智能预测控制方法，其特征在于，步骤(3)中所述反馈校正模块实现过程如下：通过反馈校正对未来误差做出预测并加以预测输出补偿，即：

E(k)＝Y(k)‑Ym(k)

Yp(k+j)＝Ym(k+j)+hE(k)             (14)式中，h为补偿系数，且0

5.根据权利要求1所述的一种抽水蓄能机组调节系统智能预测控制方法，其特征在于，步骤(3)中所述滚动优化模块实现过程如下：在每一采样时刻k优化系统性能指标，该性能指标只涉及到从该时刻起未来有限时间，而到下一个采样时刻，这一优化时段同时向前移动：r×r

式中，J是输出预测误差和控制量加权的二次型性能指标；Np为预测时域长度；S∈R 、r×rH∈R 分别代表抽水蓄能调节系统输出和控制输入权重矩阵；Ysp为输出项的给定值；Umin为输入向量最小值，Umax为输入向量最大值；求得一组最优控制序列{U*(k),U*(k+1),…,U*(k+M‑1)}，在当前时刻k，计算M个控制量序列，解得最优控制序列只实施第一个控制作用U*(k)。

6.根据权利要求1所述的一种抽水蓄能机组调节系统智能预测控制方法，其特征在于，所述步骤(4)实现过程如下：TCN‑BiLSTM模型参数估计如下式所示：

式中：ζ为TCN‑BiLSTM中的参数集，yj|k表示k时刻过程的第j维输出， 表示k时刻TCN‑BiLSTM第j维输出，N为输出量维数，ρ>0为加权系数，用以控制参数变量的变化速度；

采用梯度下降法来求的未知参数向量ζ使其目标函数最小，给定参数向量初始值，按下式更新参数向量：式中，η为学习率，且0<η<1；当迭代满足终止条件，即可求得当前时刻自适应调整后的TCN‑BiLSTM参数值。

7.一种装置设备，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1‑6任一项所述的抽水蓄能机组调节系统智能预测控制方法步骤。