净计量电价（英语：Net Metering）是一项电力政策，该政策使拥有可再生能源发电设施的消费者可以根据向电网输送的电量，从自己的电费账单上扣除一部分，也就是只计算“净消费”。净计量电价一般用于用户端的小型发电设施，如风能、太阳能光伏、家用燃料电池、V2G电动车等。

如今欧美地区所使用的电表，绝大多数都可以进行双向计量，因此采取净计量的方式基本上没有额外的成本。 因此，净计量电价与上网电价补贴政策以及智能电表的应用不同，它不需要提前签订合约，改换设备（欧美而言），是一种简单易行的计量方式。

净计量电价是针对用户端的绿色政策。虽然它使得消费者有机会安装自己的可再生能源装置，但由于它不提供额外的补助，个人用户就必须承担绿色电力相对高昂的成本。同时，在应用层面，个人用户也难以与大型的电力公司进行净计量方面的协商。

具体而言，虽然各国甚至各地区的净计量电价法规都有很大差异，比如减免额的延后期限的长短，减免额的计算是根据零售还是批发电价等问题。但是，净计量政策基本上都是以千瓦·时为单位，按月结算的，另外还要收一小笔连接费。

在美国，作为2005年能源政策法案的一部分，联邦规定所有电力公司，必须提供净计量电价给有需要的消费者。

在加拿大，安大略省、卑诗省、新不伦瑞克省等省份都有净计量电价政策。

在1998年中期, 丹麦建立私人拥有的光伏系统的净计量电价为期四年的试点期。在2002年的净计量电价的计划再延长4年，直至2006年结束。净计量电价已被证明是一种廉价的，易于管理和有效的方式，刺激部署在丹麦的太阳能光伏，但相对短的时间窗的安排，至今无法达到充分发挥其潜力。在2005年的秋天的政治谈判中，私人拥有的光伏系统净计量电价被永久化。

意大利提供了一个非常有吸引力的支援计划，混合了净计量电价和保费以及分段。在英国，政府认为净计量会造成电价增值税计算方面的问题，不过，政策仍在部分地方试行。

• 分布式发电

• 电度表

• 上网电价补贴政策

• 智能电网

• 智能电表

根据预测点的类型，将电价预测分为系统边际电价或者市场统一出清电价预测、区域边际电价预测、节点边际电价预测。通常情况下，们所说的电价预测都是对系统的统一出清电价的预测，在系统不发生阻塞的情况下，各个地区的区域出清电价和系统统一出清电价是相同的 。

根据预测内容的不同，可以分为确定性预测和电价空间分布预测，前者是当前讨论比较多的热点，主要针对短期电价预测，预测的结果就是给出一个确定的电价预测数值，后者主要基于概率论与数理统计知识，确定预测结果的可能波动范围及其一段时期内的电价均值，主要是针对中长期电价预测，目前国内外在这方面研究得还比较少。

根据预测机理的不同，将电价预测分为短期预测和中长期预测。由于电价波动大的特点，具体分为小时预测旧预测、月度、季度预测。针对周末边际电价的特殊性，还将周末边际电价进行单独预测。

电价预测是电力市场化以后新出现的研究方向。研究尚不够充分，目前还没有一种通用的预测方法能较好地适合于所有的电力市场，因此有必要充分地利用各个电力市场本身的特点进一步展开研究，从而提高预测精度。下文将根据电价预测机理的不同，分别针对短期电价预测和中长期电价预测进行深入的分析。

基本电价分为3种：

(1)按用电设备的装机容量计算电费，单位是元/kW·月；

(2)按总降压变电所的变压器(包括主变压器和接于电源进线处的所用变)容量计算电费，单位是元/kW·月；

(3)按用户最大需量(由用户电源进线处的最大需量表计量)计算的电费，单价是元/kW·月 。

短期电价预测是电价预测的重要组成部分，它主要用于预测未来几小时、1天至几天的电价。准确的短期电价预测将有助于发电商最优报价策略的选择，从而最大化其利润，使购电方的动态成本控制成为可能，同时也为监管部门的实时监管提供了重要的科学依据，保证电力市场的正常运行。目前，短期电价预测主要有四种方法 :

1.时间序列法，

2.神经网络(ANI})预测法，

3.基于小波理论的预测方法，

4.组合预测方法等。

电价预测时间序列预测法

时间序列模型分为自回归(AR)模型、动平均(MA膜型、ARMA模型、累积式自回归一动平均(AR MA膜型，已被广泛应用于短期负荷预测中，考虑到各时段系统边际电价本身就构成一个等间距的随机时间序列，因此有不少学者尝试将时间序列模型应用于短期电价预测，当前比较常用的主要是ARMA模型!7.A]和AR MA模型!9‘。]。 时间序列方法的主要难点在于如何选择恰当的模型，如果模型选择不准确，则即使参数估计再准确，预测的效果也不会好。考虑到在时间序列分析中，选用何种因子和用何种表达式有时只是一种推测，影响电价的因子的多样性和某些因子的不可测，使得时间序列分析在某些情况下受到限制，预测的精度较低。

电价预测神经网络方法

由于时间序列方法仅依靠分析电价自身发展规律进行预测，无法处理多变量问题，存在一定的片面J陛，为此可采用多变量模型，从而提高时间序列法的预测精度。神经网络对大量非结构性、非精确性规律具有自适应功能，能够有效处理多变量和非线性问题，从而成为目前国内外专家学者研究得比较多的一种申‘价预测方法

电价预测基于小波理论的预测方法

小波理论是在傅里叶分析基础上发展起来的一种信号处理方法，小波变换能将各种织在一起的不同频率混合信号分解成不同频带上的块信号，然后在各个时频区域分别进行观察和处理，在时域和频域都具有良好的分辨能力。

小波神经网络与BP神经网络相比，预测精度和收敛性方面都有明显的提高。但是在用辅助式小波神经网络进行预测时，需注意小波基和分解尺度的选择，同时处理好小波变换过程中的边界问题，否则即使各个子序列预测得再准确，总体的预测效果也不会很好。而在用嵌套式小波神经网络进行预测时，需注意小波基的数量和网络初始参数的选择，选择不当会导致网络收敛速度缓慢甚至出现不收敛。

电价预测组合预测方法

由于电价的影响因素比较多而且关系错综复杂，有时候无论采用时间序列法、神经网络方法等都难以达到理想的预测效果。鉴于单一预测方法的一些弊端，有些学者开始对组合预测方法进行探索，当前的主要思路是直接从电价预测机理的角度将单一预测模型进行组合，即先对各种已有的单一预测方法优缺点进行分析，然后通过将两种或者多种方法进行组合，扬长避短，从而建立最优的组合预测模型。

基于数据挖掘技术强大的数据处理能力，能从大量的数据中发现有用的规律、规则、联系、模式等知识，有学者!26]提出一种基于数据挖掘中的相似搜索技术和加权回归技术相组合的电价预测方法:即对临近日和相似搜索所得到的相似日的负荷—电价数据用加权回归进行电价预测，这种方法比较适合于负荷与电价强相关性的电力市场如加州电力市场。