1.一种风电功率爬坡事件间接预测方法，其特征在于，包括以下步骤：(1)获取原始风电场传感器收集的风力原数据，利用多元变分模态分解方法MVMD将原始风电功率和风速联合分解，分解成一组相对平稳的子序列；

(2)使用卷积神经网络CNN对每一个被分解的风电功率序列进行特征提取，将CNN输出的数据矩阵送入BIGRU神经网络，形成CNN‑BIGRU模型；

(3)对FDA算法进行改进，在FDA算法的流的新位置更新过程中，采用适应度距离平衡找到最优流的新位置；

(4)利用改进的FDA算法对CNN‑BIGRU模型的超参数进行优化，得到混合预测模型IFDA‑CNN‑BIGRU并对风电功率进行预测，获得各个分量的预测值，将预测值进行叠加，获得预测结果；

(5)采用残差修正模型TCN对风电功率预测值进行误差校正，获得最终的风电功率预测值；

(6)将风电功率预测值作为输入，采用改进的FDA算法优化SDT算法的容差系数△E，构建风电爬坡识别模型IFDA‑SDT，对其中的风电爬坡事件进行识别，实现风电爬坡事件的间接预测；

所述步骤(3)实现过程如下：

(31)对于FDA算法，通过下面的关系来计算一个流的初始位置:*

Flow_L(i)＝lb+rand(ub‑lb) (8)其中，Flow_L(j)代表了第j个流的位置,ub和lb代表的是一个决策变量的上、下界，rand表示代表一个在0到1之间平均分布的随机数值；

(32)每一个流都被μ邻域所包围，它的位置是通过下面的关系得到：*

Neig_L(j)＝Flow_L(i)+rand Δ (9)其中，Neig_L(j)表示邻域第j个位置，小数Δ可用于在小区域内搜索，大数Δ可用于在大区域内搜索；

(33)为了确定流的新位置，还要确定流的流速矢量 表达式如下：其中，Z0表示流的邻居和当前位置之间的斜率向量；第i个流相对于其第j个邻居流的斜率向量Z0表达式为：其中，d参数表示问题的维度；

采用适应度距离平衡FDB找到最优流的新位置，流的新位置更新公式如下：式中，new_flow_L(i)表示流的新位置；

模拟流向的具体表达式为：

其中，Flow_fitn(r)表示第r个流的适应度值，Flow_fitn(i)表示当前流的适应度值，randn表示产生正态分布的随机数或矩阵的函数，new_flow_L(i)表示流的新位置；Best_L表示最佳的流的位置；

所述步骤(33)实现过程如下：

(331)生成初始总体或流量，其由以下矩阵表示：(332)对目标函数进行评估，将最佳目标函数视为出口点；目标函数矩阵如下：(333)为总体或流量的每个个体创建邻域半径为Δ的μ数；

(334)指定每个邻居的目标函数值，并确定最佳邻域；

(335)如果最佳邻居具有比当前流更好的目标函数，则应执行步骤(336)，否则，执行步骤(337)；

(336)根据公式(10)更新流速矢量，并基于公式(12)生成流的新位置；

(337)根据公式(13)更新流的位置；

(338)计算新流的目标函数，如果比以前的流好，则更新目标函数和流的位置；

(339)控制终止条件；如果满足，则返回最佳答案，否则重复步骤(333)至步骤(337)。

2.根据权利要求1所述的一种风电功率爬坡事件间接预测方法，其特征在于，所述步骤(4)实现过程如下：使用改进好的流向算法优化CNN‑BIGRU模型的学习率以及隐含层节点个数，建立混合预测模型IFDA‑CNN‑BIGRU；BIGRU模型包含更新门和重置门，具体运算表达式如下：其中，GRU代表循环神经网络的运算； 代表t时间内前向隐藏层的状态和权重；

代表t时间内反向隐藏层的状态和权重；at代表t时间内隐藏层状态的偏置。

3.根据权利要求1所述的一种风电功率爬坡事件间接预测方法，其特征在于，步骤(5)所述残差修正模型包括输入层、时间卷积层、特征合并层、全连接层以及输出层；输入层有两种输入，一种是当前功率预测序列 另一个是历史预测残差序列两种输入分别进入时间卷积层，经过时间卷积层提取功率预测序列特征和历史预测残差序列特征；时间卷积层由4个残差模块组成；残差模块的空洞因子依次分别为1、2、4、8；残差块的输入在经过两次空洞卷积之后与本身线性相加，完成残差连接过程；

两个TCN输出的特征经过特征合并层，然后进入全连接网络，最后输出长度同样为L的残差预测序列 残差块的输出如下表达式所示：O＝activation(S+F(S)) (17)其中S为残差模块的输入值，F(S)表示为经过空洞卷积后的值。

4.根据权利要求1所述的一种风电功率爬坡事件间接预测方法，其特征在于，所述步骤(6)实现过程如下：构建基于IFDA‑SDT算法的风电功率爬坡预测模型；设定评价函数为，在一段时间内，由SDT算法识别出的爬坡事件数量与实际的爬坡事件数量做差；通过改进的FDA算法不断优化容差系数并多次迭代计算，直到当差值为0时流的适应度为最优，输出此时的容差系数△E；

选取在一定时间内已知发生爬坡事件数量的历史数据对风电功率爬坡预测模型进行训练，实现风电爬坡事件的识别。