[0027]3)根据光伏电站月度存在窃电嫌疑天数的统计，给出窃电嫌疑判定结果并给出相应的稽查方案，为分布式光伏发电的有效监管提供证据，提高了稽查工作效率。
【附图说明】
[0028]图1为本发明的基于电站历史统计数据的光伏出力计算模型流程图；
[0029]图2为本发明的基于多时间尺度出力评估的光伏窃电嫌疑判定流程图；
[0030]图3为本发明的中期窃电嫌疑判定流程图。
【具体实施方式】
[0031]现结合附图和【具体实施方式】对本发明作进一步详细说明。
[0032]本发明的基于多时间尺度出力评估的分布式光伏窃电监管方法，包括以下两个部分:
[0033]1.建立基于电站历史统计数据的光伏出力计算模型
[0034]光伏出力计算采用统计学方法，利用电站历史发电功率及同期气象信息建立光伏出力计算模型，利用建立好的光伏出力计算模型，更新气象信息可以直接计算获得光伏出力，规避了基于数学建模需要考虑光伏组件安装方式、倾角、光伏逆变器效率、电站损耗等一系列因素，提高了模型精度。
[0035]如图1所示，建立基于电站历史统计数据的光伏出力计算模型包括如下步骤:
[0036]首先模型建立。在分布式光伏发电系统运行历史信息数据库的基础上，建立分布式光伏出力计算模型，该模型基于统计数据。历史信息数据库包括分布式光伏发电系统装机容量、发电功率、发电量及同期气象资料，历史信息数据库提供的样本数据应涵盖各天气类型(晴天、多云、阴天、雨天)的气象信息及其对应的光伏电站输出功率。气象信息和电能表信息采样频率越高，模型越精确。分布式光伏出力计算模型的输入量即为历史信息数据库中的气象信息及其对应的光伏电站输出功率，输出为气象信息与光伏电站输出功率的拟合曲线。其中，横坐标为气象信息，纵坐标为光伏电站输出功率。在模型建立过程中，由于历史数据库提供的样本输入为气象信息，输出为对应的光伏电站输出功率，对于不同的天气类型，相同的气象条件(相同的辐照、温度等)对应的光伏电站输出功率可能不同，此时，为保障模型输出精度，采用求平均值的处理方法。历史数据库提供的样本丰富，可以涵盖各天气类型下的光伏电站运行情况，因而获取的气象信息与光伏电站输出功率拟合曲线具有普遍的参考意义。
[0037]其次是模型优化。本发明所建立的分布式光伏出力计算模型基于历史气象信息及其对应的光伏电站输出功率，存在气象及功率对应时刻不吻合的情况，比如气象信息采样时刻A，但此时对应的电能表的光伏输出功率有可能是上一时刻的值，即对应采样时刻为B，若在时刻A与时刻B之间天气发生了剧烈的变化(飘过一片云等)，二者对应的关系就不再准确，可能会影响模型精度。为消除该类不合理数据的影响，需要对建立的模型进行优化。比较相似气象条件下的光伏电站输出功率值，对偏差较大(过高或过低)的样本数据进行剔除，进而获得气象信息与光伏电站输出功率高度拟合的曲线。
[0038]然后模型验证。对于优化好的分布式光伏出力计算模型，需要检验其精度，若模型精度在可接受范围内，可进入下一步模型应用；否则需要重新进行模型建立和优化。在该步骤中，利用分布式光伏发电系统运行历史信息数据库中的样本进行测试，该部分样本数据应区别于模型建立时所采用的样本数据。将该电站一段时间的气象信息导入分布式光伏出力计算模型，利用模型计算获得对应的光伏电站输出功率，进而获取不同时间尺度的光伏电站发电量信息，该电量为分布式光伏出力模型计算得出的理论电量值；同时读取电能表对应时间段的电量信息，为光伏电站实际电量值。对比光伏电站理论电量值和实际电量值，计算误差，若该误差在可接受范围内，进入第四步。否则，返回第二步，重新优化分布式光伏出力计算模型。
[0039]最后为模型应用，即输入光伏电站所在地实时气象信息，计算获得光伏电站实时输出功率，进而计算获得光伏电站实时理论发电量。
[0040]2.进行基于多时间尺度出力评估的光伏窃电嫌疑判定
[0041]由于光伏电站输出功率受气象条件影响较大，具有随机不确定性，为提高分布式光伏窃电识别率，本发明采用具有时间累积效应的光伏发电量作为判别窃电与否的依据。光伏发电量可以由光伏输出功率积分计算获得。
[0042]分布式光伏出力评估分为实时出力评估(以小时为单位)、短期出力评估(以天为单位)和中长期出力评估(分别以月、季度为单位)。对应的，分布式光伏窃电嫌疑判定分为实时窃电嫌疑判定，短期窃电嫌疑判定和中长期窃电嫌疑判定三层。
[0043]在光伏窃电嫌疑判定过程中，需要用到窃电嫌疑系数，本发明的窃电嫌疑系数确定的依据为实际发电量与理论发电量区间之间的误差；其中，理论发电量由分布式光伏出力计算模型计算所得，实际发电量为光伏逆变器出口的光伏发电量结算电表上传的电量。当实际发电量<80%理论发电量时，给出发电异常告警；当120%理论发电量〉实际发电量>80%理论发电量时，为发电正常；当实际发电量> 120%理论发电量时，判定相应的窃电嫌疑系数:设定140%理论发电量 > 实际发电量>120%理论发电量，窃电嫌疑系数为0.1 ;当实际发电量每高出理论发电量20%，窃电嫌疑系数增加0.1，以此类推；当实际发电量>280 %理论发电量，窃电嫌疑系数为0.9。
[0044]如图2所示，第一层为实时窃电嫌疑判定，采用早晚两小时的实际发电量与分布式光伏出力计算模型计算的理论发电量进行比较。由于在早上和晚上，太阳刚升起或者已经落下，太阳辐照比较弱，对应的光伏发电量很小，对于不法窃电用户来说，其窃电曲线不随气象条件变化而变化，有可能在早晚的实际发电量明显高于理论计算电量，因此，可以利用该时段的光伏电站出力作为判断窃电与否的有力依据。判定满足120%理论发电量 > 实际发电量>80%理论发电量时，为发电正常，对高于120%理论发电量的光伏用户进行窃电嫌疑系数判定，对低于理论发电量80%的光伏用户发出发电异常告警。但是，有的光伏窃电用户掌握光伏发电趋势，在早晚时间人为少发电或者停机不发电，如果纯粹利用实时窃电嫌疑判定可能识别不出该部分窃电用户。因此，在第一层筛选的基础上，即对第一层判断结果为“发电正常”状态的分布式光伏电站进行第二层筛选。第二层为短期窃电嫌疑判定，利用I天的发电量进行比较。根据每天实际发电量与分布式光伏出力计算模型计算的理论发电量进行对比，判定满足120%理论发电量〉实际发电量>80%理论发电量时，为发电正常，对高于120%理论发电量的光伏用户进行窃电嫌疑系数判定，对低于理论发电量80%的光伏用户发出发电异常告警。考虑到分布式光伏发电的随机性，仅仅利用一天的电量比较，判定光伏电站是否存在窃电嫌疑不合适。因此，加入第三层筛选，中长期窃电嫌疑判定，即拉长时间跨度进行窃电嫌疑判断。其中，中期窃电嫌疑判定以一个月为单位，长期窃电嫌疑判定以一个季度为单位，通过统计月/季度通过前两层筛选出的电站存在窃电嫌疑的天数，给出窃电结果。中长期窃电嫌疑判定，屏蔽了通过实时窃