本发明涉及电费追补领域领域，具体是一种电压异常时追补电费的方法。
背景技术：
20世纪出现的大规模电力系统是人类工程科学史上最重要的成就之一，是由发电、输电、变电、配电和用电等环节组成的电力生产与消费系统，它将自然界的一次能源通过机械能装置转化成电力，再经输电、变电和配电将电力供应到各用户。
用户中都会安装电表等各种部件，再将各种数据上传至数据库，电压异常是经常出现的一种状况，这会导致电费出现错误，为了避免电费的损失，目前都是人工对数据库中的电压数据进行核对，手动筛查电压异常的用户，并手动查找电压异常的时间日期，工作效率极低。
技术实现要素：
本发明实施例的目的在于提供一种电压异常时追补电费的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明实施例提供如下技术方案：
一种电压异常时追补电费的方法，具体步骤如下：
步骤一，云服务器从数据库中提取正常运行的历史电压数据和需要判别的电压数据集；
步骤二，根据某用户的正常运行的历史电压数据确定某用户的额定电压，即建立某用户的电压训练模型，将正常运行的历史电压数据放入训练模型进行训练，得到训练结果，即为某用户的额定电压；
步骤三，将某处的额定电压与需要判别的电压数据集进行比对，如果需要判别的电压数据集高于或者低于某处的额定电压的20%，判定为电压异常，并且输出电压异常用户的电能表信息；
步骤四，提取判定为电压异常的电压数据集，找到电压异常日期并且绘制电压异常日期的电压曲线，对电压曲线进行处理，得到追缴电量；
步骤五，云服务器将追缴电量发送至相应的供电公司，供电公司对相应用户进行追收电费。
作为本发明实施例进一步的方案：正常运行的历史电压数据包括用户采集系统中的电压数据和营销系统中的电压数据，两者进行比对，电压数据吻合的才是所述的正常运行的历史电压数据。
作为本发明实施例进一步的方案：正常运行的历史电压数据和需要判别的电压数据集的采集频率均为10-15分钟一次，保证一天至少可以采集96个时间点的电压，取其平均值。
作为本发明实施例进一步的方案：训练模型包括深度学习模型、神经网络模型和聚类算法模型，只有当其中至少两个模型结果一致时，才认定为训练结果，保证训练结果的准确性，确保后续判断的准确性。
作为本发明实施例进一步的方案：步骤三中电压异常用户的电能表信息包括历史电压、电流、功率因数数据、失压时有功示数、处理后有功示数以及电能表倍率，从各个方面显示电压异常的参数。
作为本发明实施例进一步的方案：步骤四中对电压曲线进行处理包括：计算电压曲线的计算公式，将电压异常的电压数据集代入计算公式，即可得到追缴电量。
作为本发明实施例进一步的方案：步骤一中正常运行的历史电压数据为历史的30天以上的数据。
与现有技术相比，本发明实施例的有益效果是：
本发明可以自动提取电压数据，自动判定电压是否出现异常，及时提取所需数据，计算追缴电量并且发送相关信息给各供电公司，降低了人工劳动强度和人工成本，缩短了故障时间，减少了电量损失，使用前景广阔。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
实施例1
一种电压异常时追补电费的方法，具体步骤如下：
步骤一，云服务器从数据库中提取40天的正常运行的历史电压数据和需要判别的电压数据集，正常运行的历史电压数据包括用户采集系统中的电压数据和营销系统中的电压数据，两者进行比对，电压数据吻合的才是所述的正常运行的历史电压数据，正常运行的历史电压数据和需要判别的电压数据集的采集频率均为10-15分钟一次，保证一天至少可以采集96个时间点的电压，取其平均值，保证结果的准确性；
步骤二，根据某用户的正常运行的历史电压数据确定某用户的额定电压，即建立某用户的电压训练模型，将正常运行的历史电压数据放入训练模型进行训练，得到训练结果，即为某用户的额定电压；
步骤三，将某处的额定电压与需要判别的电压数据集进行比对，如果需要判别的电压数据集高于或者低于某处的额定电压的20%，判定为电压异常，并且输出电压异常用户的电能表信息，电压异常用户的电能表信息包括历史电压、电流、功率因数数据、失压时有功示数、处理后有功示数以及电能表倍率，从各个方面显示电压异常的参数；
步骤四，提取判定为电压异常的电压数据集，找到电压异常日期并且绘制电压异常日期的电压曲线，对电压曲线进行处理，得到追缴电量；
步骤五，云服务器将追缴电量发送至相应的供电公司，供电公司对相应用户进行追收电费。
实施例2
一种电压异常时追补电费的方法，具体步骤如下：
步骤一，云服务器从数据库中提取正常运行的历史电压数据和需要判别的电压数据集；
步骤二，根据某用户的正常运行的历史电压数据确定某用户的额定电压，即建立某用户的电压训练模型，将正常运行的历史电压数据放入训练模型进行训练，得到训练结果，训练模型包括深度学习模型、神经网络模型和聚类算法模型，只有当其中至少两个模型结果一致时，才认定为训练结果，保证训练结果的准确性，确保后续判断的准确性，即为某用户的额定电压，查看某用户的额定电压的误差是否在预设范围内，一般的该范围是正常运行的历史电压数据变化幅度的5％，若是，则判定当前训练模型已训练好，执行后续步骤，若否，则返回重新执行该步骤；
步骤三，将某处的额定电压与需要判别的电压数据集进行比对，如果需要判别的电压数据集高于或者低于某处的额定电压的20%，判定为电压异常，并且输出电压异常用户的电能表信息；
步骤四，提取判定为电压异常的电压数据集，找到电压异常日期并且绘制电压异常日期的电压曲线，计算电压曲线的计算公式，将电压异常的电压数据集代入计算公式，即可得到追缴电量；
步骤五，云服务器将追缴电量发送至相应的供电公司，供电公司对相应用户进行追收电费。
作为本发明实施例进一步的方案：步骤一中正常运行的历史电压数据为历史的30天以上的数据以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
国家电网自2019年11月采用实施例2的方法，将结果向各供电公司下发，截至2019年12月底已经完成追缴电费约1200万元，为国家电网公司降低了一定损失。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
1.一种电压异常时追补电费的方法，其特征在于，具体步骤如下：
步骤一，云服务器从数据库中提取正常运行的历史电压数据和需要判别的电压数据集；
步骤二，根据某用户的正常运行的历史电压数据确定某用户的额定电压，即建立某用户的电压训练模型，将正常运行的历史电压数据放入训练模型进行训练，得到训练结果，即为某用户的额定电压；
步骤三，将某处的额定电压与需要判别的电压数据集进行比对，如果需要判别的电压数据集高于或者低于某处的额定电压的20%，判定为电压异常，并且输出电压异常用户的电能表信息；
步骤四，提取判定为电压异常的电压数据集，找到电压异常日期并且绘制电压异常日期的电压曲线，对电压曲线进行处理，得到追缴电量；
步骤五，云服务器将追缴电量发送至相应的供电公司，供电公司对相应用户进行追收电费。
2.根据权利要求1所述的电压异常时追补电费的方法，其特征在于，所述正常运行的历史电压数据包括用户采集系统中的电压数据和营销系统中的电压数据。
3.根据权利要求1所述的电压异常时追补电费的方法，其特征在于，所述正常运行的历史电压数据和需要判别的电压数据集的采集频率均为10-15分钟一次。
4.根据权利要求1所述的电压异常时追补电费的方法，其特征在于，所述：训练模型包括深度学习模型、神经网络模型和聚类算法模型。
5.根据权利要求1所述的电压异常时追补电费的方法，其特征在于，所述步骤三中电压异常用户的电能表信息包括历史电压、电流、功率因数数据、失压时有功示数、处理后有功示数以及电能表倍率。
6.根据权利要求1所述的电压异常时追补电费的方法，其特征在于，所述步骤四中对电压曲线进行处理包括：计算电压曲线的计算公式，将电压异常的电压数据集代入计算公式。
7.根据权利要求1或2所述的电压异常时追补电费的方法，其特征在于，所述步骤一中正常运行的历史电压数据为历史的30天以上的数据。
技术总结