1.一种风电功率预测误差的风险评估方法，其特征在于：包括如下步骤：步骤1，开始进行风电功率预测误差的风险评估方法；

步骤2，根据风电预测误差分布，计算风电的置信区间；

步骤3，利用基于Fisher Z变换的拉丁超立方采样方法，得到不同场景下入网风电的收益；

步骤4，计算不同场景下入网风电收益的可信性测度；

步骤5，计算入网风电收益的条件期望和入网风电收益的半熵，构建多目标条件期望‑半熵模型；

步骤6，利用多目标进化捕食算法，对多目标条件期望‑半熵模型进行优化，得到最优的调度方案；

得到步骤3中所述的不同场景下入网风电的收益，其具体步骤为：步骤3‑1，利用短期风电预测误差服从高斯分布的特点，得到风电PW的累积概率密度函数F(PW)为：

其中，μ和σ分别表示实际风电PW的预测值和预测误差；

步骤3‑2，根据Fisher‑Z变换，得到风电累积概率密度函数F(PW)的等价数学表达式F(z)：

其中，z＝(PW‑μ)/σ，步骤3‑3，对风电累积概率密度函数的等价函数F(z)进行反变换，得到风电的显式表达式：

其中，y∈(0，1)，表示风电分布的累积概率；

步骤3‑4，假设对N个不同场景下风电采样，将区间(0，1)分成N个不重叠且大小相等的区间，即每个区间长度为1/N，y分别取每个区间中间值，得到N个不同场景下的风电，计算N个不同场景下的风电并网效益Ri：Ri＝H0‑Hi，i＝1，…，N其中，Hi表示第i个风电并网后系统运行费用，H0表示风电未并网系统运行费用；

步骤5中所述入网风电收益的条件期望的计算步骤为：步骤5‑1，令e＝0，k＝1；

步骤5‑2，基于Fisher Z变换的拉丁超立方采样方法，生成N个不同场景下风电出力样本数据；

步骤5‑3，计算N个不同场景下风电样本并网收益R1，R2，…，RN，及其对应的分布概率p1，p2，…，pN；

步骤5‑4，计算N个不同场景下风电并网收益的可信性测度ν1，ν2，…，νN，其中νk＝ν(Rk)，k＝1，…，N；

步骤5‑5，计算N个不同场景下风电并网收益的条件期望，f(p1,R1)，…，f(pN,RN)，其中，f(pk,Rk)＝pkRk，k＝1，…，N；

步骤5‑6，令：

A＝f(p1,R1)∧f(p2,R2)∧…∧f(pN,RN)，B＝f(p1,R1)∨f(p2,R2)∨…∨f(pN,RN)其中，∧和∨为逻辑连接词，分别表示“且”和“或”运算；

步骤5‑7，随机生成A、B之间的一个实数r∈[A，B]；

步骤5‑8，如果r≥0，令e→e+ν{f(pk,Rk)≥r}；

否则，令e→e‑ν{f(pk,Rk)≤r}；

步骤5‑9，如果k

步骤5‑10，条件期望E＝A∨0+B∧0+e(B‑A)/N；

步骤5中所述入网风电收益的半熵的计算步骤为：步骤5‑1’，令h＝0，k＝0，M＝0；

步骤5‑2’，根据基于Fisher‑Z变换的拉丁超立方采样方法，生成N个不同场景下风电出力样本数据；

步骤5‑3’，计算N个不同场景下风电样本并网收益R1，R2，…，RN，及其分布概率p1，p2，…，pN；

步骤5‑4’，计算N个不同场景下风电并网收益的可信性测度ν1，ν2，…，νN，其中νk＝ν(Rk)，k＝1，…，N；

步骤5‑5’，计算N个不同场景下风电并网收益的条件期望，f(p1,R1)，…，f(pN,RN)，其中，f(pk,Rk)＝pkRk，k＝1，…，N；；

步骤5‑6’，令：

A＝f(p1,R1)∧f(p2,R2)∧…∧f(pN,RN)，B＝f(p1,R1)∨f(p2,R2)∨…∨f(pN,RN)其中，∧和∨为逻辑连接词，分别表示“且”和“或”运算；

步骤5‑7’，随机生成A、B之间的一个实数r∈[A，B]；

步骤5‑8’，如果r≥0，令e→e+ν{f(pk,Rk)≥r}；

否则，令e→e‑ν{f(pk,Rk)≤r}；

步骤5‑9’，如果f(pk,Rk)≤e，M＝M+1；

步骤5‑10’，计算Sk＝S(νk)，如果f(pk,Rk)≥e，Sk＝‑νklnνk‑(1‑νk)ln(1‑νk)；否则，Sk＝

0；

步骤5‑11’，令h→h+s；

步骤5‑12’，如果k

步骤5‑13’，入网风电收益的半熵为Sh＝h(B‑A)/M；

步骤5中所述的多目标条件期望‑半熵模型为：[min E,max Sh]其中，min和max分别表示最小化和最大化；s.t.为subject to缩写，表示满足；g和h分别表示电力系统的等式约束和不等式约束，E和Sh分别表示条件期望和半熵，PW和PG分别表示风电和火电出力。

2.根据权利要求1所述的风电功率预测误差的风险评估方法，其特征在于：步骤2中所述的风电的置信区间为：

即：

其中，μ和σ分别表示实际风电PW的预测值和预测误差，P表示概率，Zα/2和Z1‑α/2分别表示在α/2和1‑α/2时正态分布的上侧分位数。

3.根据权利要求1所述的风电功率预测误差的风险评估方法，其特征在于：步骤4中所述的不同场景下入网风电收益的可信性测度为：利用三角模糊函数，定义风电并网收益Ri的可信性测度ν(Ri)：其中，a＝min{Ri|i＝1，…，N}，表示风电并网收益的最小值，b＝median{Ri|i＝1，…，N}，表示风电并网收益的中间值，c＝max{Ri|i＝1，…，N}，表示风电并网收益的最大值，e＝mean{Ri|i＝1，…，N}，表示风电并网收益的平均值。