本技术涉及大数据领域，具体而言，涉及一种功率和负荷的预测方法和装置、存储介质及电子装置。
背景技术：
1、目前，在功率负荷预测领域已经提出了多种方法。负荷预测上，目前流行的方法包括深度学习虚拟神经网络(artificial neural network，简称为ann)、传统统计学支持向量机(support vector machine，简称为svm)。功率预测上，传统统计学隐马尔科夫模型、机器学习模糊逻辑模型等是经常使用的方法。传统统计学方法没有考虑到外部因素和待预测数据之间的物理因果关系，机器学习方法虽然能考虑到各种因素的关系，但在实际应用中存在研究人员需要具备先验知识以提取有效特征的问题，深度学习方法不需要人为提取特征，但对于数据量要求很高。因为各种模型适用的环境不同，单个模型在预测过程中常出现不稳定的情况。
2、针对相关技术中通过单一模型预测目标区域的功率和负荷，导致的预测结果不稳定的问题，尚未得到有效方案。
技术实现思路
1、本技术实施例提出了一种功率和负荷的预测方法和装置、存储介质及电子装置，解决了相关技术中通过单一模型预测目标区域的功率和负荷，导致的预测结果不稳定的问题。
2、根据本技术实施例的一个实施例，提供了一种功率和负荷的预测方法，包括：在目标区域内获取第一电力数据集合，其中，所述第一电力数据集合包括：所述目标区域的多个历史电力数据；将所述第一电力数据集合中的电力数据分别输入至电力预测模型集合中的多个训练后的电力预测模型中，以使每个训练后的电力数据模型分别输出预测功率和预测负荷；根据每个预测功率确定目标预测功率，并根据每个预测负荷确定目标预测负荷。
3、在一个示例性实施例中，将所述第一电力数据集合中的电力数据分别输入至电力预测模型集合中的多个训练后的电力预测模型中之前，所述方法还包括：在所述目标区域内获取第二电力数据集合，其中，所述第二电力数据集合包括：所述目标区域在第一时间段内的多个历史电力数据；将所述第二电力数据集合中的第一电力数据确定为第一训练数据，并将所述第二电力集合中的第二电力数据确定为第二训练数据，其中，所述第二电力数据包括：所述第二电力数据集合中除所述第一电力数据外的电力数据，所述第一电力数据为所述目标区域在第二时间段内的电力数据，所述第一时间段包括：所述第二时间段；对所述第一训练数据和所述第二训练数据进行特征相关性分析，以在所述第二训练数据中确定与所述第一训练数据的相似度大于相似度阈值的第三训练数据；根据所述第三训练数据对每个电力预测模型进行训练。
4、在一个示例性实施例中，根据所述第三训练数据对每个电力预测模型进行训练，包括：确定所述目标区域在所述第二时间段内的第一功率和第一负荷，并将所述第三训练数据输入至所述每个电力预测模型中，以使所述每个电力预测模型分别输出每个第二功率和每个第二负荷；根据所述第一功率和所述每个第二功率确定所述每个电力预测模型对应的功率预测的目标功率权重系数；以及根据所述第一负荷和所述每个第二负荷确定所述每个电力预测模型对应的负荷预测的目标负荷权重系数；根据所述目标功率权重系数和所述目标负荷权重系数对所述每个电力预测模型进行训练，以得到所述多个训练后的电力预测模型。
5、在一个示例性实施例中，根据所述第一功率和所述每个第二功率确定所述每个电力预测模型对应的功率预测的目标功率权重系数，包括：根据所述第一功率和所述每个第二功率确定所述每个电力预测模型对应的第一绝对百分数误差，其中，所述第一绝对百分数误差用于指示所述每个电力预测模型对应的功率预测的绝对百分数误差；以及根据所述第一功率和所述每个第二功率确定所述每个电力预测模型对应的预测功率误差和实际功率误差；根据每个第一绝对百分数误差确定所述每个电力预测模型对应的功率预测的第一功率权重系数；以及根据所述预测功率误差和所述实际功率误差确定所述每个电力预测模型对应的功率预测的第二功率权重系数；根据所述第一功率权重系数和所述第二功率权重系数确定所述目标功率权重系数。
6、在一个示例性实施例中，根据所述第一负荷权重系数和所述第二负荷权重系数确定所述目标负荷权重系数，包括：将所述第一功率权重系数和所述第二功率权重系数代入至第一公式中，以确定所述目标功率权重系数，其中，所述第一公式包括：所述αi为所述每个电力预测模型的目标功率权重系数，所述ai为所述每个电力预测模型的所述第一功率权重系数，所述ai为所述每个电力预测模型的所述第二功率权重系数，所述n为所述第一电力数据集合中的所述训练后的电力预测模型的模型数量。
7、在一个示例性实施例中，根据所述第一负荷和所述每个第二负荷确定所述每个电力预测模型对应的负荷预测的目标负荷权重系数，包括：根据所述第一负荷和所述每个第二负荷确定所述每个电力预测模型对应的第一绝对百分数误差，其中，所述第一绝对百分数误差用于指示所述每个电力预测模型对应的负荷预测的绝对百分数误差；以及根据所述第一负荷和所述每个第二负荷确定所述每个电力预测模型对应的预测负荷误差和实际负荷误差；根据每个第一绝对百分数误差确定所述每个电力预测模型对应的负荷预测的第一负荷权重系数；以及根据所述预测负荷误差和所述实际负荷误差确定所述每个电力预测模型对应的负荷预测的第二负荷权重系数；根据所述第一负荷权重系数和所述第二负荷权重系数确定所述目标负荷权重系数。
8、在一个示例性实施例中，根据所述第一负荷权重系数和所述第二负荷权重系数确定所述目标负荷权重系数，包括：将所述第一负荷权重系数和所述第二负荷权重系数代入至第二公式中，以确定所述目标负荷权重系数，其中，所述第二公式包括：所述βi为所述每个电力预测模型的目标负荷权重系数，所述bi为所述每个电力预测模型的所述第一负荷权重系数，所述bi为所述每个电力预测模型的所述第二负荷权重系数，所述n为所述第一电力数据集合中的所述训练后的电力预测模型的模型数量。
9、根据本技术实施例的另一个实施例，还提供了一种功率和负荷的预测装置，包括：获取模块，用于在目标区域内获取第一电力数据集合，其中，所述第一电力数据集合包括：所述目标区域的多个历史电力数据；输入模块，用于将所述第一电力数据集合中的电力数据分别输入至电力预测模型集合中的多个训练后的电力预测模型中，以使每个训练后的电力数据模型分别输出预测功率和预测负荷；确定模块，用于根据每个预测功率确定目标预测功率，并根据每个预测负荷确定目标预测负荷。
10、根据本技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法。
11、根据本技术实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的方法。
12、根据本技术实施例的又一方面，还提供了一种计算机程序产品，包括计算机程序，其中，上述计算机程序被处理器执行上述方法。
13、在本技术实施例中，在目标区域内获取多个历史电力数据，以组成第一电力数据集合；将第一电力数据集合中的电力数据分别输入至电力预测模型集合中的多个训练后的电力预测模型中，以使每个训练后的电力数据集合分别输出预测功率和预测负荷；根据多个预测功率确定目标预测功率，并根据多个预测负荷确定目标预测负荷。也就是说，本技术实施例通过多个训练后的电力预测模型确定多个预测功率和多个预测负荷，进而通过多个预测功率确定目标预测功率，并通过多个预测负荷确定目标预测负荷。根据本技术实施例，解决了相关技术中通过单一模型预测目标区域的功率和负荷，导致的预测结果不稳定的问题。通过多个训练后的电力预测模型确定目标区域的目标预测功率和目标预测负荷，以使预测结果稳定。
1.一种功率和负荷的预测方法，其特征在于，包括：
2.根据权利要求1所述的功率和负荷的预测方法，其特征在于，在将所述第一电力数据集合中的电力数据分别输入至电力预测模型集合中的多个训练后的电力预测模型中之前，所述方法还包括：
3.根据权利要求2所述的功率和负荷的预测方法，其特征在于，根据所述第三训练数据对每个电力预测模型进行训练，包括：
4.根据权利要求3所述的功率和负荷的预测方法，其特征在于，根据所述第一功率和所述每个第二功率确定所述每个电力预测模型对应的功率预测的目标功率权重系数，包括：
5.根据权利要求4所述的功率和负荷的预测方法，其特征在于，根据所述第一负荷权重系数和所述第二负荷权重系数确定所述目标负荷权重系数，包括：
6.根据权利要求3所述的功率和负荷的预测方法，其特征在于，根据所述第一负荷和所述每个第二负荷确定所述每个电力预测模型对应的负荷预测的目标负荷权重系数，包括：
7.根据权利要求6所述的功率和负荷的预测方法，其特征在于，根据所述第一负荷权重系数和所述第二负荷权重系数确定所述目标负荷权重系数，包括：
8.一种功率和负荷的预测装置，其特征在于，包括：
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行上述权利要求1至7任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行所述权利要求1至7任一项中所述的方法。
