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。

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：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,L,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。

4.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。

5.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,L,N；

步骤5-6，令：

A＝f(p1,R1)∧f(p2,R2)∧L∧f(pN,RN)，B＝f(p1,R1)∨f(p2,R2)∨L∨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。

6.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,L,N；

步骤5-6’，令：

A＝f(p1,R1)∧f(p2,R2)∧L∧f(pN,RN)，B＝f(p1,R1)∨f(p2,R2)∨L∨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。

7.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。