本申请涉及发电成本计算的，特别是涉及一种考虑峰谷电价变化预测的平准化发电成本计算方法、装置、设备及存储介质。
背景技术：
1、近年来，随着能源需求的不断增长和可再生能源的快速发展，储能技术作为一种关键的能源转换和供应方式备受关注和应用。储能系统具备高效存储和释放能量的能力，可平衡电力系统的供需波动、提高可靠性和稳定性，并为可再生能源的大规模应用提供支持。
2、储能系统的全生命周期成本是评估其经济可行性和运营效益的关键因素。了解储能系统在不同条件下成本的变化对指导储能项目的规划、设计和运营至关重要。因此，建立全面的储能成本模型，分析不同因素对储能系统性能和经济性的影响，对于制定合理的储能政策和优化储能系统的投资决策具有重要意义。
3、然而，现有的储能成本及收益分析模型中，用到的峰谷电价大多是固定的，而实际在储能电站全生命周期中，峰谷电价会随着时间改变，从而影响储能电站通过峰谷套利的收益。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够考虑全生命周期的峰谷电价变化的考虑峰谷电价变化预测的平准化发电成本计算方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种考虑峰谷电价变化预测的平准化发电成本计算方法。方法包括：
3、构建总成本模型；
4、基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；
5、基于峰谷电价预测模型建立成本折现模型和收益模型；
6、基于收益模型和成本折现模型计算净收益。
7、在其中一个实施例中，所述基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型包括：
8、初始化粒子群参数设置；
9、通过lstm训练计算各粒子的适应值；
10、查询各粒子个体极值以及粒子群的全局最优解，将所述全局最优解和历史最优解进行比对；
11、基于比对结果更新个体最优值以及群体最优值；
12、判断所述个体最优值以及群体最优值是否满足收敛判据；
13、若满足，则替换lstm对应的参数并基于个体最优值以及群体最优值建立峰谷电价预测模型；
14、否则，重新通过lstm训练计算各粒子的适应值。
15、在其中一个实施例中，基于峰谷电价预测模型建立成本折现模型包括：
16、基于标称储能容量、储能系统的充放电深度、储能系统年循环次数和储能系统的充放电效率计算充电电量；
17、基于标称储能容量、储能系统的充放电深度、储能系统年循环次数和储能系统的平均年循环衰退率计算放电电量；
18、基于贴现率和历史充电成本计算年充电成本并建立成本折现模型。
19、在其中一个实施例中，基于峰谷电价预测模型建立收益模型包括：
20、基于所述充电电量、放电电量、谷时电价和峰时电价计算充放电收益公式；
21、基于所述充放电收益公式建立收益模型。
22、在其中一个实施例中，基于所述充电电量、放电电量、谷时电价、峰时电价和增值税率计算增值税成本。
23、在其中一个实施例中，基于所述训练集的样本数量、验证集的样本数量、训练集的真实值、训练集的预测值、验证集的真实值和验证集的预测值计算评价函数公式。
24、第二方面，本申请还提供了一种考虑峰谷电价变化预测的平准化发电成本计算装置。装置包括：
25、总成本模型构建模块，用于构建总成本模型；
26、峰谷电价预测模块，用于基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；
27、成本收益构建模块，用于基于峰谷电价预测模型建立成本折现模型和收益模型；
28、收益模型计算模块，用于基于收益模型和成本折现模型计算净收益。
29、第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
30、构建总成本模型；
31、基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；
32、基于峰谷电价预测模型建立成本折现模型和收益模型；
33、基于收益模型和成本折现模型计算净收益。
34、第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
35、构建总成本模型；
36、基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；
37、基于峰谷电价预测模型建立成本折现模型和收益模型；
38、基于收益模型和成本折现模型计算净收益。
39、第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
40、构建总成本模型；
41、基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；
42、基于峰谷电价预测模型建立成本折现模型和收益模型；
43、基于收益模型和成本折现模型计算净收益。
44、上述考虑峰谷电价变化预测的平准化发电成本计算方法、装置、计算机设备、存储介质和计算机程序产品，构建总成本模型；基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型；基于峰谷电价预测模型建立成本折现模型和收益模型；基于收益模型和成本折现模型计算净收益。本申请采用上述方法，提出了储能电站全生命周期内峰谷电价变化的预测方法，区别于现有的采用固定峰谷电价，采用变化的峰谷电价来计算储能电站平准化发电成本，得到的计算结果可以更好地指导储能项目的规划和投资。
1.一种考虑峰谷电价变化预测的平准化发电成本计算方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于粒子群算法优化后的lstm预测序列进行神经网络的训练并建立峰谷电价预测模型包括：
3.根据权利要求1所述的方法，其特征在于，所述基于峰谷电价预测模型建立成本折现模型包括：
4.根据权利要求3所述的方法，其特征在于，所述基于峰谷电价预测模型建立收益模型包括：
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：
6.根据权利要求2所述的方法，其特征在于，所述方法还包括：
7.一种考虑峰谷电价变化预测的平准化发电成本计算装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
