1.一种短期风电功率区间预测方法，包括以下步骤：步骤1)对风功率数据进行归一化处理，将所有功率数据转化到[‑1,1]区间内；

步骤2)采用VMD算法对归一化后的风电功率序列进行分解形成子序列；

步骤3)采用样本熵对所述子序列的复杂性进行评估，根据公式计算子序列的样本熵，将样本熵接近的子序列叠加成新的子序列，完成子序列的重构；SampEn(N,m,v)表示样本熵，设定时间序列为{xi}＝{x(1),x(2),...,x(N)}，i＝1,2,...,N‑m+1，设定X(i)为序列{xi}按顺序组成m维矢量， 表示X(i)与模版匹配的概率， 表示维度增大到m+1时X(i)与模版匹配的概率，N为数据的长度，m为维数，v为相似容限，v＞0；

步骤4)对重构后的子序列分别建立GPR模型，对于时间点n，给定一个预测时间h，以及一个集合了所有解释变量的输入向量xn+h|n，预测第n+h时刻的风电功率的分布；

步骤5)将各个子序列的预测结果叠加获得最终的短期风电功率区间预测结果。

2.根据权利要求1所述的短期风电功率区间预测方法，其特征在于，所述步骤2)包括：步骤2‑1)对子模态 中心频率 朗格朗日乘子 以及迭代次数n进行初始化，k是指第k个子模态；

步骤2‑2)根据式 和式 更新

{ωk}得到 和 是子模态集合{uk}经过傅里叶变化后的结果，{ωk}是中心频率的集合；α为二次惩罚项，ω为中心频率， 是第k个子模态经过傅里叶变换的n次迭代后的输出量， 表示第k个子模态在n次迭代后的中心频率， 表示经过傅里叶变化的n次迭代后拉格朗日乘子， 表示经过傅里叶变化的n次迭代后的子模态， 表示经过傅里叶变化的n次迭代后的第i个子模态；

步骤2‑3)当ω≥0时，根据式 更新拉格朗日乘子； 表示中心频率为ω下经过傅里叶变化的底层函数值、τ为更新参数；

步骤2‑4)当满足 时，分解过程结束，否则迭代次数n加1，返回步骤2‑2)，K为子模态的总个数，ε表示一个无限小值。

3.根据权利要求1所述的短期风电功率区间预测方法，其特征在于，所述步骤3)包括：步骤3‑1)将X(i)和X(j)，j＝1,2,...,N‑m+1,j≠i之间的距离dm(X(i),X(j))定义为两者对应元素差值最大的一个，即：计算X(i)与X(j)之间的距离dm(X(i),X(j))；

2)进行模版匹配：统计距离dm(X(i),X(j))＜v的数目为num{dm(X(i)，X(j))＜v}，并根m据式步骤3‑2)算出所述数目与距离总数N‑m的比值，记作Pi(v)：即m

步骤3‑3)根据式(3)计算Pi(v)的平均值：m+1

步骤3‑4)将维度增大到m+1，重复上述步骤，则模版匹配概率Pi (v)的平均值为：定义样本熵为：

当N取有限值时，根据式(6)计算出样本熵的估计值：

4.根据权利要求1所述的短期风电功率区间预测方法，其特征在于样本熵的维数m取2，相似容限v取0.1～0.25SD，SD是时间序列的标准差。

5.根据权利要求1所述的短期风电功率区间预测方法，其特征在于：步骤4)中第n+h时刻的风电功率的分布为：P(yn+h|xn+h|n)＝H(xn+h|n)，其中H表示概率预测模型。