1.基于自适应特征权重的智慧城市电力负荷估计方法，具体步骤如下，其特征在于：步骤1，获取实验标定数据：收集被测区域GDP，人口总数，气温均值，对外贸易出口额，对外贸易进口额，平均降水量的时序数据，把不同时序数据当作电力负荷估计的特征，组成特征数据矩阵；

步骤2，自适应特征权重标定：计算各个特征对于电力负荷估计的重要性权重，通过Sigmoid激活函数对重要性权重进行归一化操作生成特征权重，并对特征重新标定；

步骤3，训练回声状态网络：将重新标定的特征数据当作回声状态网络的输入，对应的电力负荷作为网络的输出，训练回声状态网络模型；

步骤4，估计未知电力负荷：对于未知电力负荷的特征数据矩阵，按步骤2获取特征权重重新标定的特征数据，并送入已训练的回声状态网络中，获得未知电力负荷值；

步骤5，将训练获得的回声状态网络模型嵌入处理器中，并实际应用。

2.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法，其特征在于：步骤1中的特征数据矩阵可以表示为：D＝{Gi,Pi,Ti,Oi,Ii,Ri}                          (1)其中，Gi表示该地区i时刻的GDP值，Pi表示该地区i时刻的人口总数，Ti表示该地区i时刻的气温均值，Oi表示该地区i时刻的对外贸易出口额，Ii表示该地区i时刻的对外贸易进口额，Ri表示该地区i时刻的平均降水量，同时为每组特征数据矩阵贴上标签Ei，Ei表示该地区i时刻的电力负荷值。

3.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法，其特征在于：步骤2中自适应特征权值的计算过程可以表示为：将特征数据矩阵D和电力负荷值Ei组合成训练数据集u(i)＝{D,Ei}；

步骤2.1初始化特征重要性权重W[A]＝0，A＝1,2,...,a，a为特征个数；

步骤2.2在训练集u(i)中随机选出一个电力负荷值E；

步骤2.3在训练集中找出k个和E最近邻的特征Hj(j＝1,2,...,k)；

步骤2.4在训练集中找出k个和E不同类的最近邻特征Mj(C)(j＝1,2,...,k)；

步骤2.5计算特征重要性权重：

式中p(C)表示第C类特征的概率；Class(E)表示E所属的电力负荷值类别；m是样本个数；diff(A,R1,R2)表示样本R1和样本R2在特征A上的差：重复步骤2.2至步骤2.5可得每个特征的重要性权重W[A]；

通过Sigmoid激活函数对W[A]进行归一化操作生成0～1的权重σ：σ＝sigmoid(W[A])                           (4)将特征和权重相乘获得特征加权后的特征输出D'：

D'＝D×σ                               (5)。

4.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法，其特征在于：步骤3中训练回声状态网络具体描述为：将重新标定过的特征数据D'替换原来的特征数据D，得到新的训练样本u(i)＝{D',Ei}；

步骤3.1初始化网路，将训练样本u(i)通过输入连接权值矩阵Win进入储备池，E(i)经过反馈连接权值Wback进入储备池，并根据下式的顺序采集系统状态和输出状态：in back

x(i+1)＝f(W u(i+1)+Wx(i)+W E(i))                  (6)E(i+1)＝fout(Woutu(i+1),x(i+1),E(i))                   (7)其中，x(i)是初始值为0的系统参数，f(·)为储备池节点的激励函数，fout(·)为储备池输出单元的激励函数，W表示储备池内部神经元的连接权值矩阵，Wout表示输出值矩阵；

out

步骤3.2计算输出值矩阵W ：

其中，K是输入层的神经元个数，N是储备池神经元的个数，L是输出层神经元个数，表示正则化因子，||·||表示欧式距离。

5.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法，其特征在于：步骤4中估计未知电力负荷具体描述为：对于未知电力负荷值的估计，按照步骤1和步骤2提取重新标定后的特征，送入已训练完成的回声状态网络中，计算网络的电力负荷估计值其中， 是Wout的第j个值。