1.计及参数不可辨识性的机组出力精准预测方法，其特征在于，包括如下步骤：
S1、构建ResDIndRNN‑FCN网络模型；所述ResDIndRNN‑FCN网络模型的结构具体为ResDIndRNN与FCN的并联神经网络模型，包括FCN网络、ResDIndRNN网络和融合层；所述FCN网络用于提取所述机组运行环境数据的电网状态特征；所述ResDIndRNN网络用于提取所述机组出力序列数据的机组出力序列特征；所述融合层用于将电网状态特征与机组出力序列特征融合，输出机组执行控制指令的辨识结果；
S2、构建VAE模型，利用机组运行环境数据对VAE模型进行训练，获得最优超参数VAE模型；包括：
S21、归一化处理机组运行环境数据，将机组运行环境数据缩放到[0,1]范围内；
S22、构建VAE模型，确定VAE模型的超参数范围，所述VAE模型的总层数为m，其中编码器的层数为m1，解码器的层数为m2，所述编码器用于输出降维后的数据，所述解码器用于输出重构数据；
S23、将归一化的机组运行环境数据输入VAE模型，用VAE模型的编码器对归一化的机组运行环境数据的特征进行压缩和提取，生成降维后的机组运行环境数据，再由VAE模型的解码器对降维后的机组运行环境数据进行解码重构生成重构数据；
S24、将重构数据和原始机组运行环境数据均分成K份，利用K折交叉验证网格搜索方法优化VAE模型的超参数，使用除去第j份重构数据后剩下的重构数据训练VAE模型，计算第j份重构数据与第j份原始机组运行环境数据之间的MAE损失函数；若MAE损失函数达到门限值，则完成超参数遍历，进入步骤S25，否则返回步骤S22；
S25、选择使MAE损失函数最小的模型超参数作为最优超参数，得到最优超参数VAE模型；
S3、将从电网侧获得的机组运行环境数据和电厂获得的机组出力序列数据输入最优超参数VAE模型进行数据降维，得到降维后的机组运行环境数据和机组出力序列数据；
S4、将降维后的机组运行环境数据和机组出力序列数据输入至ResDIndRNN‑FCN网络模型，得到机组执行控制指令的辨识结果；
S5、对机组运行环境数据归一化处理后输入VAE模型进行数据降维，得到机组运行断面数据集，基于SOM的聚类算法对机组运行断面数据集进行聚类，筛选出与当前机组执行控制指令时刻的机组运行断面数据相似的历史机组运行断面数据组成目标类断面；所述机组运行断面数据具体为一段时间内的机组运行环境数据；
S6、计算目标类断面之间的相似度，取最大的相似度作为机组执行控制指令的辨识结果的可信度值；
S7、根据机组执行控制指令的辨识结果和可信度值调整ResDIndRNN‑FCN网络模型，提高辨识精度。
2.如权利要求1所述的计及参数不可辨识性的机组出力精准预测方法，其特征在于，步骤S23具体为：
归一化的机组运行环境数据作为VAE模型的输入数据，用向量y表示为：
T
y＝[y1,y2,...yn]
式中，n表示归一化的机组运行环境数据的特征数量；
VAE模型的编码器每层的输出表示为：
式中， 表示编码器的输入， 表示编码器第i层的输出， 和 分别表示编码器第i层的权值和阈值， 为编码器第i层的激活函数；
编码器最后一层的输出为隐变量 隐变量 作为解码器的输入 解码器的输入输出表达式为：
式中， 表示解码器各层的输出， 和 分别表示解码器第n层的权重与阈值， 为解码器第n层的激活函数，解码器最后一层的输出 为重构的数据，用向量y′＝[y1′,y2′,T
...yn′]表示；
输入y与输出y′之间的误差以平均绝对误差MAE作表达，当MAE损失函数最小时，编码器最后一层输出降维后的机组运行环境数据，解码器最后一层输出重构数据。
3.如权利要求1所述的计及参数不可辨识性的机组出力精准预测方法，其特征在于，S3中，所述机组运行环境数据包括电网侧可辨识的负荷、机组母线电压、机组电流和电网频率。
4.如权利要求1所述的计及参数不可辨识性的机组出力精准预测方法，其特征在于，S5中，所述基于SOM的聚类算法对机组运行断面数据集进行聚类，筛选出与当前机组执行控制指令时刻的机组运行断面数据相似的历史机组运行断面数据组成目标断面具体过程为：
S51、设置SOM网络输入节点个数为n，输出节点个数为m，网络输入模式
用网络输入模式Xk表示机组运行断面数据，其中k＝1,2,...,n，所
述SOM网络包括输入层和竞争层，竞争层神经元与输入层神经元之间的连接权向量设为WjT
＝[Wj1,Wj2,…,Wjn]，其中j＝1,2...,m，总迭代次数为T，当前迭代次数为t；初始化学习速率和领域函数；
S52、选取一个输入模式Xk作为输入向量，输入至SOM网络的输入层；
S53、计算所述输入向量和所述连接权向量之间的欧式距离，选取欧式距离最小的竞争神经元为获胜神经元，并在获胜神经元的邻近区域调整权重使权重向输入向量靠拢；
S54、更新学习速率和领域函数，使学习速率和领域函数逐渐减小；
S55、选取下一个输入模式Xk+1输入至输入层，重复步骤S53和S54，直至所有输入模式训练完毕，再令迭代次数t＝t+1，返回步骤S52，当t＝T或SOM网络收敛时聚类结束；
S56、输出聚类结果，将聚类结果分为目标类断面和冗余类断面，所述目标类指结果中包含当前机组执行控制指令时刻的机组运行断面数据及与其相似的历史机组运行断面数据的类簇；所述冗余类指与目标类不相似的历史机组运行断面数据的类簇。
5.如权利要求1所述的计及参数不可辨识性的机组出力精准预测方法，其特征在于，S6具体为：
采用欧式距离衡量所述目标类断面之间的相似度，计算公式如下：
式中，Kdist(E1,E2)表示机组运行断面E1与机组运行断面E2之间的欧式距离，各个机组运行断面包括n个元素，E1i和E2i(i＝1,2,...,n)分别为E1和E2的第i个元素；
计算完所有目标类断面之间的相似度，取最大的相似度作为机组执行控制指令的辨识结果的可信度值。
6.如权利要求1所述的计及参数不可辨识性的机组出力精准预测方法，其特征在于，影响所述机组执行控制指令的辨识结果的因素包括内部运行因素和外部环境因素，其中内部运行因素包括锅炉效率主蒸汽温度、排烟温度、飞灰含碳量和汽轮机热耗率，所述外部环境因素包括负荷、机组母线电压、机组电流和电网频率；
步骤S7具体包括：
S71、对机组执行控制指令的辨识结果和可信度值进行检测，设定辨识结果偏差阈值α，当机组执行控制指令的辨识结果与实际出力值的偏差大于阈值α，则进入步骤S72；
S72、设定可信度阈值β，当检测可信度值大于阈值β，判定机组当前运行环境未发生变化，采用增量学习的方式逐步对机组新内部运行参数下的机组运行环境数据和机组出力序列数据进行训练，逐渐调整ResDIndRNN‑FCN网络模型，缩小机组执行控制指令的辨识结果与实际出力值的偏差；当检测可信度值不大于阈值β，判定机组当前运行环境发生变化，采用对抗神经网络生成当前环境下的新类数据，并采用离线训练的形式调整更新ResDIndRNN‑FCN网络模型，提高辨识精度。