1.一种基于多条件下的风电功率区间预测方法，其特征在于，包括下述步骤：(1)根据风电功率历史数据获取风电功率分布函数，所述风电功率分布函数包括训练矩阵S和验证矩阵V；

(2)根据Copula函数的经验分布函数对风电功率历史数据进行处理，获得风电功率分布函数的密度函数；

步骤(2)具体为：

(2.1)对风电功率序列S'＝{s1,…,sN}从小到大进行排序，得到重新排序后的风电功率序列s(1),…,s(N)后，获得一元经验分布函数F(s)；

其中，F(s)为风电功率s的经验分布函数，

s(i)为排序后i时刻的风电功率值，S'＝{s1,…,sN}为相隔t时间长度的风电功率序列，N为样本容量，si为i时刻的风电功率值；

(2.2)根据所述经验分布函数获得多元经验Copula分布函数；

(2.3)计算所述多元经验Copula分布函数的概率密度函数；

(2.4)根据所述概率密度函数获得所述风电功率分布函数的密度函数；

(3)对所述密度函数c(Fm(xk,m))进行整数化处理后对历史数据的相似性进行充分筛选，获得条件离散矩阵L；

步骤(3)具体为：

(3.1)对密度函数进行整数化处理：将所述风电功率分布函数的密度函数c(Fm(xk,m))序列乘以区间数K后，以递增形式的就近原则整数化处理后获得密度函数记为cz(Fm(xk,m))；其中所述密度函数cz(Fm(xk,m))包括训练矩阵Sz和验证矩阵Vz，训练矩阵Sz是所述训练矩阵S经整数化处理后得到的矩阵，验证矩阵Vz是所述验证矩阵V经整数化处理后得到的矩阵；

(3.2)形成条件离散样本序列L：

(3.2.1)在训练矩阵Sz中，寻找前M-1个时刻的风电功率值与第M个时刻的风电功率值在区间范围内的样本形成条件离散矩阵L1；

(3.2.2)在训练矩阵Sz中，寻找前M-1、前M-2个时刻的风电功率值与第M个时刻的风电功率值在区间范围内的样本形成条件离散矩阵L2；

(3.2.3)在训练矩阵Sz中，寻找前M-1、前M-2、前M-3个时刻的风电功率值与第M个时刻的风电功率值在区间范围内的样本形成条件离散矩阵L3；

其中，训练矩阵Sz是训练矩阵S进行整数化处理后的矩阵；所述区间范围≤±Th；Th为阈值；

(4)在置信水平β下，利用条件离散矩阵L对M时刻的风电功率区间进行预测。

2.如权利要求1所述的风电功率区间预测方法，其特征在于，步骤(1)具体为：(1.1)从风电功率历史数据中，选取N个连续M-1时段的风电功率时间序列数据组成风电功率训练矩阵S；

(1.2)根据所选的所述训练矩阵S的时刻1，2，…，M-1，选取时刻M的风电功率时间序列数据组成风电功率验证矩阵V；

其中， N为风电功率的序列数，M为每个风电功率序列中的时段数；V＝[v1,M…vu,M…vU,M]T，vu,M表示第u个风电功率序列M时刻的风电功率值，u为验证序列的风电功率个数，u＝1，2，…，U。

3.如权利要求1所述的风电功率区间预测方法，其特征在于，步骤(2.2)中，多元Copula函数具有如下特点：(1)其值域在单位区间[0,1]内；

(2)C(u)为0，当且仅当对于所有的u＝(u1,…,uD)∈[0,1]D至少有一个值为0；

(3)C(u)＝ud，当且仅当除了第d个分量的值不为1，其它分量均为1；

(4)C具有不减性：a,b∈[0,1]D且a≤b，记[a,b]＝[a1,b1]×…×[aD,bD]，根据C定义一个度量 满足以下条件：其中，函数C定义域在D维单位体[0,1]D内。

4.如权利要求1所述的风电功率区间预测方法，其特征在于，所述阈值Th为0～10。

5.如权利要求1-4任一项所述的风电功率区间预测方法，其特征在于，步骤(4)具体为：(4.1)统计条件矩阵L中相同风电功率值的个数，并根据公式 计算每种风电功率值出现的概率值，并将各风电功率值的概率值分别从大到小进行排列，获得排列后的概率序列p(k)；

(4.2)将概率序列pk从大到小进行累加并获得累加和Pk＝∑pk；当所述累加和Pk大于等于给定置信水平β时，停止累加，此时的k＝np；并返回到训练矩阵S中找出前np个概率值对应同一类的风电功率值，依次记为向量 并获得同一类风电功率平均值将取平均值后的风电功率序列按从大到小的顺序排列，取最大值为区间预测的上限 最小值为区间预测的下限VM，获得M时刻的风电功率预测区间为其中，pk为第k种风电功率值出现的概率，nk为第k种风电功率值的个数，k＝1，2，…，S，S为风电功率值种类数；k＝1，2，…，S。

6.如权利要求5所述的风电功率区间预测方法，其特征在于，所述置信水平β为0.85～

0.99。