1.一种参数自适应的光伏功率爬坡事件的分级概率性预测方法，其特征在于，包括以下步骤：
s1)获取光伏功率数据及其影响因子并进行预处理，从而得到预处理后的数据集，包括：预处理后的光伏功率{p(t)}t＝1,2,...,t和光伏功率的s个影响因子{fs(t)}s＝1,2,...,s；t＝1,2,...,t，其中，p(t)和fs(t)分别为第t个时间点的光伏功率及相应第t个时间点的第s个影响因子的数据；
从所述预处理后的数据集中提取光伏功率{p(t)}t＝1,2,...,t，并根据爬坡事件的定义，计算t个时间点的光伏爬坡率{r(t)}t＝1,2,...,t，其中，r(t)表示第t个时间点的光伏爬坡率；
s2)利用vmd方法将光伏爬坡率{r(t)}t＝1,2,...,t分解成k个本征模态分量{rk(t)}k＝1,2,...,k；t＝1,2,...,t，且满足
定义优化的参数组合为<k,α>，α表示vmd方法求解过程中的惩罚因子，k表示vmd分解出的本征模态分量个数；
以k个本征模态分量{rk(t)}k＝1,2,...,k；t＝1,2,...,t的能量熵之和作为适应度函数，利用pso算法对参数组合〈k,α>进行寻优；
获取最小适应度函数值所对应的最优参数组合〈k0,α0>，从而根据所述最优参数组合<k0,α0>，利用vmd方法计算得到t个时间点的光伏爬坡率{r(t)}t＝1,2,...,t的最佳本征模态分量
s3)利用第k个本征模态分量
将所述数据集[xk(t),yk(t)]t＝p+1,p+2,...,t划分为训练集
建立lasso-qr预测模型，利用非对称损失函数建立如式(1)所示的目标函数：
式(1)中，τh表示第h个分位点，且τh∈(0,1)，h＝1,2,...,h，h表示分位点的数量；
式(1)中，ρτh(v)表示非对称损失函数，并有：
式(2)中，v为随机变量，在式(1)的目标函数中，v满足：
式(1)中，η为l1正则化惩罚参数；
利用式(4)将所述lasso-qr预测模型的目标函数转化成线性不等式约束规划问题：
式(4)中，γ是与η对应的约束参数；
利用lars算法在所述训练集train上对式(4)进行求解，获得训练后的lasso-qr预测模型；
将所述测试集test中的解释变量
s4)根据步骤s3，对每个本征模态分量分别建立lasso-qr预测模型并训练，从而得到k个本征模态分量在h个分位点下的条件分位数预测结果
利用式(5)将相同分位点下的条件分位数预测结果相加，从而得到第t个时间点第h个分位点下的条件分位数最终预测结果qh(t)，进而得到第t个时间点h个分位点下的条件分位数最终预测结果{qh(t)}h＝1,2,...,h：
将h个分位点下的条件分位数最终预测结果{qh(t)}h＝1,2,...,h作为核密度估计kde方法的输入，并确定带宽与核函数，从而求得每个时间点的概率密度函数；
将每个时间点的概率密度函数离散化，从而得到第t个时间点的j个预测值{rj(t)}j＝1,2,...,j以及相应的概率{πj(t)}j＝1,2,...,j，其中，rj(t)和πj(t)分别为第t个时间点的第j个预测值及其对应的概率，且r1(t)≤r2(t)≤...≤rj(t)；
s5)将光伏功率爬坡事件分成未爬坡事件、上爬坡事件以及下爬坡事件，并将上爬坡事件和下爬坡事件分别设置i个等级，最小程度的上爬坡事件和下爬坡事件分别为1级，最大程度上爬坡事件和下爬坡事件分别为i级；
设置i+1个阈值集合{δi}i＝1,2,...,i+1，则各类爬坡事件的判断依据如式(7)所示：
式(7)中，δi和δi+1分别为i级上爬坡事件的阈值下限和阈值上限，-δi+1和-δi分别为i级下爬坡事件的阈值下限和阈值上限；
针对第t个时间点的j个预测值{rj(t)}j＝1,2,...,j，根据所述判断依据确定每个预测值所在的阈值区间，并计算各个区间内的预测值对应的概率之和，即为该相应时刻点各类爬坡事件发生的概率。