家庭电力负荷预测在未来的电网规划和运行中起着重要作用。然而,与聚合负荷预测相比,家庭电力负荷预测面临着显著的负荷模式不确定性的挑战。聚类分析是一种实用的无监督学习技术,可以用于对相似的时间序列进行分组,降低各组中数据的不确定性方差。通过聚类分析,将家庭层面的负荷分布分组以形成集群层面的负荷分布,可以预期其表现出更规律的模式,对模型更具有可预测性。另一方面,用于度量时间序列相似性的目标函数在基于分区聚类的分析过程中起着重要作用。不同的距离度量方法会对时间序列的聚类结果产生不同的影响。动态时间规整距离计算方法具有一些优良的特性,可以通过在距离矩阵中寻找最小路径来找到两个序列之间的最佳对齐。然而,使用动态时间规整算法进行数据分析时,计算复杂度是一个主要的缺点,因为使用动态时间规整算法进行大数据分析时需要耗费更多的时间。通过聚类分组可以降低负荷数据的不确定性方差,但并没有从根本上解决个体负荷预测精度低的问题。本文提出了一种用于家庭电力负荷预测的多周期自增强神经网络方法,旨在通过多周期用电模式的相关性分析来解决家庭用电负荷的不确定性问题。所提出方法的基本思想是:模型通过学习多个历史周期中相关的负荷曲线的特征和上下文信息,能够全面地了解用户在一段时间内的功耗模式,从而有利于预测判断。此外,除了历史负荷数据,时间,天气状况和节假日等上下文信息也被作为重要影响因素进行考虑。本文使用两个真实的公开数据集:1.英国电网领导的低碳伦敦项目家庭智能电表能耗数据集,2.英国家用电器级电力数据集,评估本文提出的方法的效果。实验结果表明,与该领域中其他优秀的方法相比,本文提出的方法具有一定的提升效果,在均方误差,均方根误差,平均绝对误差和平均绝对百分比误差指标上至少比其他方法降低19.83%,10.46%,11.14%和9.02%。