本技术涉及能源负荷预测领域和神经网络，尤其涉及一种能源负荷预测方法、装置、电子设备及存储介质。
背景技术：
1、随着经济社会的快速发展，全球能源需求不断增加，如电力、石油、天然气和煤炭等能源需求都呈现增长趋势。在这种背景下，准确地预测能源负荷成为确保能源供应充足且高效利用的关键因素。
2、然而，能源负荷受环境变化的影响较大(如气候变化、需求响应等)，具有显著的随机性、周期性及非平稳特性，这很大程度上增加了能源负荷预测的难度。同时，各类能源的大规模投入使用，进一步增加了负荷数据的波动性，使得当前的预测模型普遍存在准确性低、稳定性差等问题。因此，如何提高对能源负荷预测的准确性，成为了亟待解决的技术问题。
技术实现思路
1、本技术实施例的主要目的在于提出一种能源负荷预测方法、装置、电子设备及存储介质，旨在提高对能源负荷预测的准确性。
2、为实现上述目的，本技术实施例的第一方面提出了一种能源负荷预测方法，所述方法包括：
3、获取历史能源负荷数据和第一时间段的耗能因素数据；其中，所述历史能源负荷数据包括多种能量资源在历史耗能记录中对应的能源消耗量；其中，所述耗能因素数据用于反映耗能因素对所述能量资源对应所述能源消耗量的影响程度；
4、将所述历史能源负荷数据和第一时间段的所述耗能因素数据输入至经过第一预训练的耗能情境预测模型，以确定与所述耗能因素数据对应的情境耗能预测数据；其中，所述情境耗能预测数据用于反映第二时间段的所述能源消耗量的变化趋势；其中，第一时间段和第二时间段之间具备关联的所述耗能因素；
5、从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型，并将所述历史能源负荷数据输入所述目标预测模型进行能耗预测，得到第二时间段的目标耗能预测信息。
6、在一些实施例，所述将所述历史能源负荷数据和第一时间段的所述耗能因素数据输入至经过第一预训练的耗能情境预测模型，以确定与所述耗能因素数据对应的情境耗能预测数据，包括：
7、根据所述历史能源负荷数据和第一时间段的耗能因素数据得到第一时间段的第一负荷数据；
8、根据第一时间段的耗能因素数据，得到第二时间段的预测耗能因素数据；
9、将所述第一负荷数据和所述预测耗能因素数据输入至经过第一预训练的耗能情境预测模型，以得到所述情境耗能预测数据。
10、在一些实施例，其中，所述耗能因素数据包括环境耗能因素子数据和耗能时段因素子数据；
11、所述根据所述历史能源负荷数据和第一时间段的耗能因素数据得到第一时间段的第一负荷数据，包括：
12、根据第一时间段的所述环境耗能因素子数据、第一时间段的所述耗能时段因素子数据和所述历史能源负荷数据得到第一时间段的第一负荷数据；其中，所述环境耗能因素子数据用于反映第一时间段的环境特征，所述耗能时段因素子数据用于反映第一时间段的时间特征；
13、所述根据第一时间段的耗能因素数据，得到第二时间段的预测耗能因素数据，包括：
14、根据第一时间段的所述环境耗能因素子数据和第一时间段的所述耗能时段因素子数据，得到第二时间段的环境预测耗能子数据和第二时间段的时段预测耗能子数据；其中，所述环境预测耗能子数据用于反映第二时间段的时间特征，所述时段预测耗能子数据用于反映第二时间段的环境特征。
15、在一些实施例，在所述从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型之前，还包括对多个所述候选预测模型进行第二预训练，具体包括：
16、基于所述历史能源负荷数据随时间的变化率，对所述历史能源负荷数据进行聚类处理，得到多个负荷数据组；
17、将每一所述负荷数据组输入到每一所述候选预测模型中进行训练，得到多个经过第二预训练的所述候选预测模型。
18、在一些实施例，所述基于所述历史能源负荷数据随时间的变化率，对所述历史能源负荷数据进行聚类处理，得到多个负荷数据组，包括：
19、对所述历史能源负荷数据进行随机分组得到负荷数据序列；
20、对所述负荷数据序列进行最大相似度优化算法计算得到序列质心，并基于所述负荷数据序列中的负荷数据随时间的变化率，计算所述负荷数据与所述序列质心之间的相似度距离；
21、根据所述相似度距离，迭代更改所述负荷数据序列中的负荷数据，最终得到多个负荷数据组。
22、在一些实施例，在所述从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型之前，包括：
23、根据每一所述负荷数据组得到负荷数据趋势特征；其中，所述负荷数据趋势特征用于反映所述负荷数据组中的负荷数据表征的所述能源消耗量的变化趋势；
24、确定与所述候选预测模型对应所述负荷数据组的所述负荷数据趋势特征；
25、所述从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型，包括：
26、从多个所述负荷数据趋势特征中确定与所述情境耗能预测数据匹配的目标负荷数据趋势特征，并根据目标负荷数据趋势特征得到对应的所述目标预测模型。
27、在一些实施例，在所述将所述历史能源负荷数据和所述耗能因素数据输入至经过第一预训练的耗能情境预测模型之前，还包括对所述耗能情境预测模型进行第一预训练，具体包括：
28、将所述历史能源负荷数据分为第三时间段的样本数据和第四时间段的验证数据，并得到对应第三时间段的所述耗能因素数据；其中，第三时间段和第四时间段之间具备关联的所述耗能因素；
29、将所述样本数据输入和第三时间段的所述耗能因素数据输入至所述耗能情境预测模型中，得到第四时间段的预测数据；
30、将所述预测数据与所述验证数据进行损失计算，得到模型损失值；
31、基于所述模型损失值对所述耗能情境预测模型进行参数调整，得到所述经过第一预训练的所述耗能情境预测模型。
32、为实现上述目的，本技术实施例的第二方面提出了一种能源负荷预测装置，所述装置包括：
33、数据获取模块，用于获取历史能源负荷数据和第一时间段的耗能因素数据；其中，所述历史能源负荷数据包括多种能量资源在历史耗能记录中对应的能源消耗量；其中，所述耗能因素数据用于反映耗能因素对所述能量资源对应所述能源消耗量的影响程度；
34、情境耗能预测模块，用于将所述历史能源负荷数据和第一时间段的所述耗能因素数据输入至经过第一预训练的耗能情境预测模型，以确定与所述耗能因素数据对应的情境耗能预测数据；其中，所述情境耗能预测数据用于反映第二时间段的所述能源消耗量的变化趋势；其中，第一时间段和第二时间段之间具备关联的所述耗能因素；
35、耗能预测模块，用于从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型，并将所述历史能源负荷数据输入所述目标预测模型进行能耗预测，得到第二时间段的目标耗能预测信息。
36、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的能源负荷预测方法。
37、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的能源负荷预测方法。
38、本技术提出的能源负荷预测方法、装置、电子设备及存储介质,其通过获取历史能源负荷数据和第一时间段的耗能因素数据，并将历史能源负荷数据和第一时间段的耗能因素数据输入至经过第一预训练的耗能情境预测模型中，得到与耗能因素数据对应的情境耗能预测数据。再从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型，并将历史能源负荷数据输入至目标预测模型中进行预测，得到第二时间段的目标耗能预测信息。由此可知，本技术通过经过第一预训练的耗能情境预测模型得到情境耗能预测数据，以得到预测的能源消耗趋势特征，再通过从多个适用于不同能源消耗量变化趋势的候选预测模型中确定与情境耗能预测数据匹配的目标预测模型，从而做出更加准确的能源负荷预测，得到第二时间段的目标耗能预测信息。
1.一种能源负荷预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的能源负荷预测方法，其特征在于，所述将所述历史能源负荷数据和第一时间段的所述耗能因素数据输入至经过第一预训练的耗能情境预测模型，以确定与所述耗能因素数据对应的情境耗能预测数据，包括：
3.根据权利要求2所述的能源负荷预测方法，其特征在于，其中，所述耗能因素数据包括环境耗能因素子数据和耗能时段因素子数据；
4.根据权利要求1所述的能源负荷预测方法，其特征在于，在所述从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型之前，还包括对多个所述候选预测模型进行第二预训练，具体包括：
5.根据权利要求4所述的能源负荷预测方法，其特征在于，所述基于所述历史能源负荷数据随时间的变化率，对所述历史能源负荷数据进行聚类处理，得到多个负荷数据组，包括：
6.根据权利要求4所述的能源负荷预测方法，其特征在于，在所述从多个候选预测模型中确定与所述情境耗能预测数据对应的目标预测模型之前，包括：
7.根据权利要求1所述的能源负荷预测方法，其特征在于，在所述将所述历史能源负荷数据和所述耗能因素数据输入至经过第一预训练的耗能情境预测模型之前，还包括对所述耗能情境预测模型进行第一预训练，具体包括：
8.一种能源负荷预测装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的能源负荷预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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7中任一项所述的能源负荷预测方法。
