1.一种考虑用户流失率的电力市场售电量深度预测方法，其特征是，它包括以下步骤:步骤1)提出一种基于生存分析的电力用户流失率计算方法，通过分析用户在售电公司购电时间与用户用电行为，使用生存分析预测用户何时终止服务；

(1.1)定义在售电公司购电用户账户的生命周期，表示任一用户在售电公司购电的周期；

(1.2)使用生存分析预测未来某时刻客户的数量，设计用户流失风险函数，即在事件没有事先发生的情况下，研究对象在未来某时刻用户流失的风险大小；

(1.3)利用步骤(1.2)使用条件生存概率对某单位时间在售电公司购电用户到观察期结束仍然在该售电公司购电的概率，将现有用户数量与观察期结束仍在售电公司购电用户概率相乘，得到未来仍然在售电公司购电用户数量；

步骤2)由于导致用户用电量变化的因素复杂多样，各个因素之间相互作用，而且一些因素随着时间不断变化，所以设计一种基于深度置信网络的用户用电量模型；

(2.1)搭建深度置信网络，采用多层RBM和一层反馈神经网络堆叠构建针对用户用电量预测的深度预测模型；

(2.2)通过采用DBN逐层无监督学习，达到弱化与用户用电量关联性小的因素，逐渐逼近复杂函数，提高对用户用电量预测的精确性的目的；

(2.3)、在步骤(2.2)的基础上，使用反向传播在算法的有监督微调阶段对整体网络的参量进行更新调整，得到在多种因素影响下的用户用电量预测模型的网络参量优化解，达到损失函数最小化；

步骤3)售电量深度预测模型，根据以上工作，得到在未来m天内仍在售电公司购电用户数量与用户用电量预测值，将用户数量与用户用电量相乘得到售电公司售电量，将售电公司m天内的售电量累加得到m天的售电量；

步骤4)基于自适应惯性权重的模型求解算法，售电量深度预测模型中顶层使用BP神经网络进行训练，BP神经网络具有训练复杂度低、预测精度虽然高，但也存在收敛慢、易出现局部最小解的缺陷，因此采用改进的KH‑BP算法解决BP算法出现的局部最小解；

(4.1)将KH算法与BP算法结合，解决BP算法容易出现局部最小解的问题，KH算法是基于自然界磷虾群寻找食物和相互通信的模拟，采用拉格朗日模型模拟磷虾的移动且引入了遗传算子来提高物种多样性，在KH算法中，每个磷虾个体代表n维解空间中的一个潜在解，磷虾的食物代表算法寻优过程中需要找到的全局最优解，初始化磷虾种群规模Np，算法最大迭代次数tmax，种群初始粒子位置xi(t)，磷虾个体最大觅食速度vf，最大随机扩散速度Dmax，诱导惯性因子，诱导惯性权重wn，最大诱导速度Nmax，觅食权重wf和步长缩放因子Ct；

(4.2)在KH算法中惯性权重是决定算法搜索最优解能力的重要参数，在迭代计算的过程中，考虑到不同个体适应的变化，将磷虾个体分为两个类别：适应度值不断增加和降低的个体，对于适应度值增加的个体，将其下次迭代的惯性权重wn、wf赋值为0；对于适应度值降低的个体，在下次迭代的过程中惯性权重保持不变，如式(12)、(13)所示，Ct＝Ct,max‑(Ct,max‑Ct,min)×(t/tmax)  (14)在算法迭代过程中，使用式(14)更新步长缩放因子Ct，在提升Ct的下降趋势中使用非线性操作，保证在前期探索有更大的范围，后期加快粒子的收敛速度。