1.一种两阶段光伏出力辨识方法，其特征在于，包括如下步骤：S1，基于获取到的分布式光伏接入前的历史负荷样本，对WGAN模型进行迭代训练；S2，基于训练后的WGAN模型、分布式光伏接入后的净负荷样本和上下文损失函数，对噪声向量进行迭代优化，生成实际负荷样本，完成粗略辨识；S3，基于所述实际负荷样本，选取夜间净负荷相近的用户，计算光伏出力差值，基于光伏出力比值与光伏容量相同的关系构建优化目标，对噪声向量再次进行迭代优化，得到包括光伏出力信息的最终的实际负荷样本，完成精细辨识，所述的S2或S3中，对噪声向量进行迭代优化的过程包括如下步骤：将噪声向量输入训练完成的WGAN模型的生成器，得到生成的样本；将所述生成的样本以及分布式光伏接入后的净负荷样本输入训练完成的WGAN模型的判别器，判断是否符合预设的条件，若否，对所述噪声向量进行更新，若是，则结束迭代，将迭代完成的噪声向量输入所述生成器中，输出实际负荷样本。
2.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，对WGAN模型进行迭代训练的过程具体包括如下步骤：以噪声向量作为WGAN模型的生成器的输入特征，以分布式光伏接入前的历史负荷作为输出标签，基于光伏出力和实际负荷设置优化目标进行优化，直至WGAN模型的生成器和判别器达到平衡。
3.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，基于所述的分布式光伏接入后的净负荷样本与WGAN模型的生成器生成的样本间的差值构建所述上下文损失函数。
4.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，所述的S2中，所述的上下文损失函数为：其中， 为上下文损失， 表示矩阵对应元素的乘法运算， 和 分别表示生成器生成的样本和测试集的净负荷样本， 表示与样本数据维度一致的二值掩码矩阵， 表示求模运算。
5.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，所述的S3中，迭代优化过程中的损失函数值的计算包括如下步骤：以实际负载作为噪声，利用最大信息系数的方法建立光伏出力比值与光伏容量之间的关系，并使用变分模式分解对实际负载进行降噪，通过网格搜索求解拟合系数；基于所述拟合系数计算实际的光伏出力值，基于所述实际的光伏出力值以及生成器根据所述噪声向量生成的光伏出力值计算损失函数值。
6.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，所述的S3中，优化目标为：其中， 表示生成器根据所述噪声向量生成的光伏出力值， 表示拟合系数， 表示经过变分模式分解后的光伏出力差值， 表示净负荷， 表示求模运算。
7.根据权利要求1所述的一种两阶段光伏出力辨识方法，其特征在于，利用K最近邻算法选取夜间净负荷相近的用户。
8.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-7任一所述两阶段光伏出力辨识方法的指令。
9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-7任一所述两阶段光伏出力辨识方法的指令。
