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1中的特征数据矩阵表示为：

;

其中，Gi表示地区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;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2中自适应特征权值的计算过程表示为：将特征数据矩阵D 和电力负荷值  组合成训练数据集  ；

步骤2.1初始化特征重要性权重   为特征个数；

步骤2.2在训练集 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 ;步骤2.4在训练集中找出 k个和E不同类的最近邻特征 ;步骤2.5计算特征重要性权重：

;

式中  表示第C类特征的概率； 表示E 所属的电力负荷值类别；m 是样本个数； 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 ;通过Sigmoid激活函数对 进行归一化操作生成 的权重 ;;

将特征和权重相乘获得特征加权后的特征输出 ;;

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 替换原来的特征数据D，得到新的训练样本;

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

其中， 是初始值为0的系统参数， 为储备池节点的激励函数， 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，  表示输出值矩阵；

步骤3.2计算输出值矩阵 ：

;

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；

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 的第j个值；

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。