1.一种数据预测方法，其特征在于，包括：

获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

采用所述设备工况数据对热工变量预测模型进行训练，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的；

通过所述热工变量预测模型对目标热工变量数据进行预测。

2.根据权利要求1所述的方法，其特征在于，所述采用所述设备工况数据对热工变量预测模型进行训练，包括：将所述设备工况数据划分为第一训练集和第二训练集；

采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型；

采用所述第二训练集训练非线性神经网络的参数，所述非线性神经网络用于融合所述第一单预测模型和所述第二单预测模型；

基于所述参数对所述第一单预测模型和所述第二单预测模型进行融合，以建立所述热工变量预测模型。

3.根据权利要求2所述的方法，其特征在于，所述采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型，包括：以所述第一训练集中的所述设备运行数据作为待训练的所述第一单预测模型的输入，以所述设备运行数据对应的所述历史热工变量数据作为待训练的所述第一单预测模型的输出，对所述第一单预测模型进行训练。

4.根据权利要求3所述的方法，其特征在于，所述第一单预测模型包括以下之一或组合：支持向量机、提升树模型XGBoost、循环神经网络、长短期记忆网络。

5.根据权利要求2所述的方法，其特征在于，所述采用所述第一训练集训练所述第一单预测模型和所述第二单预测模型，包括：以所述第一训练集中i时刻前的多个历史热工变量数据组成的序列作为待训练的所述第二单预测模型的输入，以所述i时刻对应的历史热工变量数据作为待训练的所述第二单预测模型的输出，对所述第二单预测模型进行训练；

其中，所述历史热工变量数据包括多个历史时刻对应的历史热工变量数据，所述i时刻为多个历史时刻中的任一个。

6.根据权利要求5所述的方法，其特征在于，所述第二单预测模型包括以下之一或组合：支持向量机、提升树模型XGBoost、循环神经网络、长短期记忆网络。

7.根据权利要求2所述的方法，其特征在于，所述采用所述第二训练集训练所述非线性神经网络的参数，包括：将所述第二训练集中的所述设备运行数据作为所述第一单预测模型的输入，通过所述第一单预测模型得到第一预测数据；

将所述第二训练集中的多个所述历史热工变量数据组成的序列作为所述第二单预测模型的输入，通过所述第二单预测模型得到第二预测数据；

将所述第一预测数据和所述第二预测数据输入所述非线性神经网络，以训练所述参数。

8.根据权利要求7所述的方法，其特征在于，所述非线性神经网络为其中，所述参数包括权重系数wik和偏置系数βi， 为所述目标热工变量数据，exp为自然常数e为底的指数函数，k为神经元个数，yik为所述第一预测数据和所述第二预测数据。

9.根据权利要求1所述的方法，其特征在于，所述获取设备工况数据，包括：确定多类设备运行数据对所述热工变量数据的贡献程度，其中，贡献程度越大，与所述热工变量数据的相关性越大；

从所述多类设备运行数据中选取贡献程度符合预设条件的至少一类设备运行数据作为所述设备运行数据。

10.根据权利要求9所述的方法，其特征在于，选取所述设备运行数据的方法包括偏主成分分析法、核主成分分析法、偏最小二乘法、特征选择Relief算法、卷积神经网络中的一种或组合。

11.根据权利要求1所述的方法，其特征在于，所述获取设备工况数据，包括：确定初始设备工况数据中的异常数据；

获取所述异常数据对应的残差，以及剔除所述异常数据后初始设备工况数据对应的标准差；

判断所述残差和所述标准差是否满足预设条件；

若所述残差和所述标准差满足预设条件，则对所述异常数据进行剔除处理。

12.一种数据预测装置，其特征在于，包括：

数据获取模块，用于获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

训练模块，用于采用所述设备工况数据对热工变量预测模型进行训练，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的；

预测模块，用于通过所述热工变量预测模型对目标热工变量数据进行预测。

13.一种电子设备，其特征在于，包括：存储器、处理器；其中，所述存储器上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1至11中任一项所述的数据预测方法。

14.一种模型训练方法，其特征在于，包括：

获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

基于所述设备运行数据训练第一单预测模型；

基于历史热工变量数据训练第二单预测模型；

将所述第一单预测模型和所述第二单预测模型融合为热工变量预测模型，以通过所述热工变量预测模型预测目标热工变量数据。

15.一种模型训练装置，其特征在于，包括：

数据获取模块，用于获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

训练模块，用于基于所述设备运行数据训练第一单预测模型；基于历史热工变量数据训练第二单预测模型；将所述第一单预测模型和所述第二单预测模型融合为热工变量预测模型，以通过所述热工变量预测模型预测目标热工变量数据。

16.一种数据预测方法，其特征在于，包括：

获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

通过热工变量预测模型对目标热工变量数据进行预测，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的。

17.一种数据预测装置，其特征在于，包括：

数据获取模块，用于获取设备工况数据，所述设备工况数据包括热工变量数据以及与所述热工变量数据相关的设备运行数据；

预测模块，用于通过热工变量预测模型对目标热工变量数据进行预测，其中，所述设备运行数据用于训练第一单预测模型，历史热工变量数据用于训练第二单预测模型，所述热工变量预测模型是基于所述第一单预测模型和所述第二单预测模型进行融合得到的。