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，尽可能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。