在完全电力市场大环境下,高精度的发电量预测结果对售电公司系统运行、竞价、提升利润以及提高市场力等方面发挥着重要作用,因而必须考虑市场对发电企业发电量预测精度的影响。如何提高发电量预测的精度是售电公司急需面对的问题。首先,介绍了实际电网运营数据,讨论了新能源富集地区市场的情况以及不同的发电量预测模型,给出了市场主体竞争的量化评价指标,主要是按照企业规模、住宅、经济和环境等因素进行分类,各项指标都会不同程度地影响发电企业的出力,对于完全环境下影响发电企业出力的指标选取问题,通过讨论现有的短期发电量预测所考虑的影响因素,综合选取了七项影响发电量预测的直接以及间接影响因素,强调了合适的训练模型对发电量预测数据准确的重要性,所有应对不同数据条件下的发电量预测需要对模型进行选择,以得到更为准确的发电量预测结果。其次,针对模型选择问题,建立了基于强化学习方法的自适应发电量预测模型,解释了强化学习的基本原理,这个原理涵盖了环境与代理之间的互动机制,应用了深层逻辑——基于马尔可夫决策模型,建立评价函数,构建包含Bellman算子的DP决策机制等。针对发电量预测问题,提出了 Q-learning自适应发电量预测算法,建立了实际发电量数据反馈机制。在学习过程中,使电厂在反馈机制中建立了算法的奖励函数,从而可以让代理根据接收环境返回不同的信号值进行发电量预测,增加了实际电厂数据的输入。通过与预测发电量值对比产生的误差方差来建立相应的奖励机制,使得整个预测过程拥有更大的数据吞吐量以及可靠的评价体系。最后,基于强化学习方法,以某省4家不同属性发电企业的实际发电量数据为算例,将长短期记忆（LSTM）算法作为模型对照组,进行预测结果对比分析。计算结果表明,基于强化学习方法的发电量预测结果具有较高的实用性和可行性,计算实例样本的于强化学习方法的发电量预测结果具有较高的实用性和可行性,计算实例样本的平均准误差为7.88%。与LSTM算法相比,精度相对提升了 50.3%,平均标准差为9.96%,与LSTM算法相比误差平均降低了 51.31%。