1.一种复杂场景下的风电功率爬坡预测方法，其特征在于：包括如下步骤：对历史气象数据与归集化处理后的历史功率数据进行时序一致性融合处理生成测试数据集；通过测试数据集对改进后的Informer模型进行训练得到目标预测模型，以实时数据集作为目标预测模型的输入得到原生风电功率预测序列；对原生风电功率预测序列进行爬坡检测并结合bump事件合并策略对初始风电功率预测序列进行一次修正得到次生风电功率预测序列；基于xLSTM模型对次生风电功率预测序列中的极值点进行二次修正得到目标风电功率预测序列。
2.根据权利要求1所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述对历史气象数据与归集化处理后的历史功率数据进行时序一致性融合处理生成测试数据集；包括如下步骤：通过采样频率一致性获取时间序列上的历史气象数据和历史功率数据；通过Min-Max归一化算法对相同时序上的历史功率数据进行归一化处理得到历史时序气象数据；通过气象因子一致性对相同时序上的历史气象数据进行集约化表征得到历史时序功率数据；通过时序对齐算法对历史时序气象数据和历史时序功率数据进行时序一致性对齐得到测试数据集。
3.根据权利要求1所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述通过测试数据集对改进后的Informer模型进行训练得到目标预测模型，包括如下步骤：将测试数据集按1：G划分为训练集和验证集；重构Informer模型的编码器和解码器，所述编码器集成有ProbSparse自注意力机制以及自注意力蒸馏机制，所述解码器为生成式解码器；通过训练集对重构后的Informer模型进行训练获取优化后的预测模型；通过验证集对优化后的预测模型进行可靠性评估，将通过可靠性评估后的优化模型作为目标预测模型。
4.根据权利要求1所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述对原生风电功率预测序列进行爬坡检测并结合bump事件合并策略对初始风电功率预测序列进行一次修正得到次生风电功率预测序列；包括如下步骤：基于改进旋转门算法对原生风电功率预测序列进行初步爬坡检测生成若干功率趋势段；根据功率变化阈值 δ 对若干所述功率趋势段进行趋势分类生成原生爬坡趋势段序列；遍历原生爬坡趋势段序列中相邻的爬坡趋势段并根据bump事件合并策略生成次生爬坡趋势段序列；提取次生爬坡趋势段序列中的起始点和终止点构建初始起止点集合；查找初始起止点集合中每个爬坡段对应的起始点前最近的极值点以及终止点后最近的极值点；根据起始点前最近的极值点、终止点后最近的极值点与原起止点的位置关系进行场景修正和时序整合得到次生风电功率预测序列。
5.根据权利要求4所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述遍历原生爬坡趋势段序列中相邻的爬坡趋势段并根据bump事件合并策略生成次生爬坡趋势段序列，包括如下步骤：遍历原生爬坡趋势段序列中相邻的爬坡趋势段并计算相邻两段的功率变化幅度，若功率变化幅度小于设定阈值且相邻两段趋势方向一致，则判定为bump 事件；反之，以当前趋势段终点为起始点继续遍历后续相邻段；轮次遍历完原生爬坡趋势段序列，将判定为bump 事件的相邻爬坡趋势段进行合并生成次生爬坡趋势段序列。
6.根据权利要求4所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述根据起始点前最近的极值点、终止点后最近的极值点与原起止点的位置关系进行场景修正和时序整合得到次生风电功率预测序列，包括如下步骤：若仅起始点前极值点与终止点间满足爬坡定义，则起始点修正为当前起始点前极值点；若仅起始点与终止点后极值点间满足爬坡定义，则终止点修正为当前终止点后极值点；若起始点前极值点与终止点后极值点间整体满足爬坡定义，则起止点均修正为对应起始点前极值点与终止点后极值点；其中，爬坡定义指一个在原生风电功率预测序列中识别出的、由连续同向趋势段组成的区间，该区间起始点与终止点的功率变化绝对值超过设定功率变化阈值δ，并且经过bump事件合并与起止点优化修正后，其起始点和终止点分别位于该功率波动周期的局部极小值与局部极大值。
7.根据权利要求1所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：所述基于xLSTM模型对次生风电功率预测序列中的极值点进行二次修正得到目标风电功率预测序列；包括如下步骤：从次生风电功率预测序列中提取的经一次修正后确定的各爬坡段的起始极值点与终止极值点构建待修正极值点集合；构建每个极值点对应的输入特征向量作为xLSTM模型的输入样本集，所述输入特征向量包括：当前极值点处的预测功率值、当前极值点处对应的实时气象数据以及当前极值点前后各三个采样点的气象数据；通过xLSTM模型输出极值修正结果，基于极值修正结果对次生风电功率预测序列中相应的极值点功率值进行替换或调整得到目标风电功率预测序列；所述修正结果包括：目标极值点功率值的修正量或修正后的功率值。
8.一种风电功率爬坡预测系统，适用于如权利要求1~7任一项所述的一种复杂场景下的风电功率爬坡预测方法，其特征在于：包括：数据获取模块：对历史气象数据与归集化处理后的历史功率数据进行时序一致性融合处理生成测试数据集；模型构建模块：通过测试数据集对改进后的Informer模型进行训练得到目标预测模型，以实时数据集作为目标预测模型的输入得到原生风电功率预测序列；一次修正模块：对原生风电功率预测序列进行爬坡检测并结合bump事件合并策略对初始风电功率预测序列进行一次修正得到次生风电功率预测序列；二次修正模块：基于xLSTM模型对次生风电功率预测序列中的极值点进行二次修正得到目标风电功率预测序列。
9.一种电子设备，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7中任一项所述的复杂场景下的风电功率爬坡预测方法的步骤。
10.一种存储介质，其特征在于：所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7中任一项所述的复杂场景下的风电功率爬坡预测方法的步骤。
