本发明涉及信息，尤其是涉及一种支撑功率预测模型研发的平台和模型研发方法。
背景技术：
1、研发一个ai模型的过程可以大致划分为四个环节：数据收集与标注、算法开发、模型训练与测试、模型上线封装调用。每个环节需要调用不同的专业技术人员来完成，如果没有一个统一管理的平台，开发过程将变得非常复杂混乱，影响开发进度。因此，ai模型研发平台就出现了，比如《ai能力研发平台及数据处理方法》(申请号2019105915851)。
2、不过，该专利更关注的是平台的通用性，目的是从数据流动的角度出发，将ai模型的研发过程变成一个标准的、规范的业务流程，从而提高生产效率，并未对算法开发这个环节做出针对性的优化。这是因为不同领域、不同行业的数据相差较大，很难给它们提供统一的算法接口，因此也就无法做到让不同行业背景的开发者都能在可视化场景下轻松调用算法了。
3、风力发电等领域，同时与气象和能源相关，需要开发能源气象深度融合模型来预测功率。这种ai模型调用的数据具有这两个特点：(1)数据的类型和种类比较一致；(2)对数据的处理过程比较相似。因此，ai模型的算法接口就有可能做到比较统一。如果能做出一个针对该领域的ai模型研发平台，使得该领域的开发者能在可视化场景下轻松调用各种算法，然后通过不同的组合和连接得到不同的ai模型，最后通过测试、调优找出最优的ai模型，就可以大幅提升研发效率了。然而目前市场上并没有这样的ai模型研发平台。
技术实现思路
1、针对现有技术存在的上述问题，本申请提供了一种支撑功率预测模型研发的平台和模型研发方法，针对风力发电等领域的功率预测需求，可以在可视化场景下快速调用各种算法，通过拖拽对各种算法进行组合和连接，从而得到不同的ai模型，并通过测试、调优找出最优的ai模型。
2、本发明的技术方案如下：
3、一种支撑功率预测模型研发的平台，包括模板管理模块、组件管理模块、模型管理模块和上线模型模块；
4、所述模板管理模块用于新建和管理模型模板；所述模型模板用于批量应用到产品实例上并快速生成对应的模型；所述产品实例是该平台的功率预测模型载体；
5、模型模板的类型包括两种：训练模型、评估模型；所述训练模型用于训练模型参数，所述评估模型用于评估应用于同一产品实例的不同训练模型的性能，并给模型评分；
6、模板管理模块对模型模板的操作共有5种：
7、(1-1)应用：是指将模型模板应用到不同的产品实例上，生成对应产品实例的不同模型；
8、(1-2)设置：是指设置用于测试模型模板的产品实例；
9、(1-3)训练：是指训练模型模板；
10、(1-4)预测：是指使用训练好的模板模型执行预测并生成预测结果；
11、(1-5)复制：是指依据此模型模板复制出另一个相同的模型模板；
12、(1-6)删除：是指删除模型模板；
13、所述模型管理模块用于管理模型，包括8种操作：
14、(2-1)训练：是指执行模型训练，保存训练好的模型；
15、(2-2)预测：是指执行模型预测，生成模型预测结果；
16、(2-3)评估：是指执行模型评估，更新模型评分；
17、(2-4)回测：是指回测指定时间段的数据；
18、(2-5)记录：是指查看模型训练、预测、评估、回测的记录；
19、(2-6)上线：是指将训练好的模型打镜像并上线；
20、(2-7)调度：是指配置训练和预测的调度；
21、(2-8)删除：是指删除模型；
22、所述组件管理模块用于新建和管理模型需要用到的算法组件；按照功能的不同，所述算法组件包括11种类型，即功能类型：
23、(3-1)数据导入：用于导入模型训练、预测、评估需要用到的数据；
24、(3-2)前处理：用于对导入的数据进行处理，处理方法包括但不限于：数据清洗、缺失值处理、异常值处理、降噪、过滤；
25、(3-3)特征选择：用于从原始特征中选择出对目标变量有重要影响的特征；
26、(3-4)特征转换：用于对原始数据集中的特征进行转换或变换操作；
27、(3-5)回归算法：用于实现使用经典机器学习理论的回归算法；
28、(3-6)分类算法：用于实现使用经典机器学习理论的分类算法；
29、(3-7)深度学习：用于实现使用深度学习理论的算法；
30、(3-8)集成学习：用于对多个回归算法组件或深度算法组件的预测结果做二次处理；
31、(3-9)后处理：用于对单个回归算法组件或深度算法组件的预测结果做二次处理；
32、(3-10)数据合并：用于把多个数据合并成一个数据；
33、(3-11)评估：用于给相同产品实例下的不同模型评分；
34、所述上线模型模块用于管理已经上线的模型，包括3种操作：
35、(4-1)上线：是指模型启用对外提供服务；
36、(4-2)下线：是指模型停止对外提供服务；
37、(4-3)删除：是指删除上线模型模块的模型。
38、进一步的，新建算法组件的步骤如下：
39、s1-1、输入算法组件的名称；
40、s1-2、选择算法组件的功能类型；
41、s1-3、选择算法框架；所述算法框架包括：sklearn，xgboost，tensorflow，keras，torch；
42、s1-4、编写算法组件的程序代码；
43、s1-5、保存算法组件的程序代码。
44、一种模型研发方法，包括以下步骤：
45、s2-1、在算法组件模块中创建自定义算法组件；编写自定义算法组件的程序代码并保存；
46、s2-2、在算法组件模块中选择合适的算法组件，通过拖拽的方式进行连接和组合，得到新的模型并保存；
47、s2-3、在模型管理模块中找到该模型，执行上线操作；
48、s2-4、在上线模型模块中找到该模型，执行下线操作；
49、s2-5、在模型管理模块中找到该模型，执行回测操作；
50、s2-6、查看该模型的回测数据，比较实测和预测结果的偏差，调整模型参数或更改算法组件，然后再次执行s2-3至s2-6；
51、s2-7、将该模型保存为模型模板；
52、s2-8、在模板管理模块中找到该模型模板，执行应用操作，将该模板应用到产品实例中。
53、本发明有益的技术效果在于：
54、针对风力发电等领域的功率预测需求，可以在可视化场景下快速调用各种算法，通过拖拽即可对各种算法进行组合和连接，从而得到不同的ai模型，大幅提升了研发效率。
1.一种支撑功率预测模型研发的平台，其特征在于：
2.根据权利要求1所述的一种支撑功率预测模型研发的平台，其特征在于，新建算法组件的步骤如下：
3.基于权利要求1的一种模型研发方法，其特征在于，包括以下步骤：
