1.一种基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，包括如下步骤：步骤1：选取用户的多种电网数据构成用户评级影响因素向量，由多个用户所对应的多组评级影响因素向量构成待评估用户矩阵，将待评估用户矩阵的集合划分为训练集和测试集；步骤2：设定用户评级规则，划分用户风险等级；步骤3：建立卷积神经网络模型，将训练集输入到卷积神经网络模型，对卷积神经网络模型进行训练；步骤4：将测试集输入到训练好的卷积神经网络模型进行评级，获得对测试集中每个用户的初步评级结果；步骤5：采用粒子群算法对测试集进行聚类，以对初步评级结果验证，若粒子群算法求解的评级结果和卷积神经网络模型获得初步评级结果相同，则将初步评级结果作为最终评级结果输出；所述步骤1中的电网数据包括：用电量、实收金额、欠费金额、应收金额、违约金额、电费上缴率、缴费及时率、缴费次数、缴费金额、经营状况和催缴次数；将多个电网数据构成用户评级影响因素向量，用户评级影响因素向量表示为 d为电网数据总数，待评估用户矩阵表示为X＝{X m |m＝1,2,3…}，每个电网数据的权值表示为ω ij 。
2.如权利要求1所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤2具体为：风险等级从高到低分别划分为A级：极高风险、B级：高风险、C级：一般风险、D级：低风险、E级：极低风险；对应的阈值分别为A级为80-100分、B级为60-79分、C级为35-59分、D级为21-34分、E级为20分及以下。
3.如权利要求1所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤3包括：步骤3.1：对卷积神经网络模型的权值进行初始化，各层的权值初始值均设为零，并设置网络模型的训练参数，包括学习效率、权值衰减系数；步骤3.2：将训练集作为卷积神经网络模型的输入，基于用户缴费历史数据和专家经验对训练集的用户缴费风险进行分级得到的评级结果，作为期望的输出目标值；步骤3.3：求出隐含层和输出层的实际输出值；步骤3.4：计算网络模型中每层的实际输出值和目标输出值的偏差，并将网络模型中各层的偏差进行累加，获得网络模型的最终实际误差；步骤3.5：计算网络模型的期望平方误差，当最终实际误差小于期望平方误差时，结束网络模型训练，并保存训练好的网络模型；步骤3.6：当最终实际误差大于期望平方误差时，将误差传回网络模型中，依次求得全连接层、下采样层、卷积层的误差；步骤3.7：计算网络模型的梯度误差，利用梯度误差对网络各层的权值进行更新，将更新后的权值带入到网络模型，直到最终实际误差小于期望平方误差时，完成卷积神经网络模型的训练。
4.如权利要求3所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤3.4中根据下式计算各层的实际输出值和目标输出值的偏差：其中，δ (l+1) 为网络模型的第l层的一个特征映射的误差项，即实际输出值和目标输出值的偏差，ω (l+1,k) 为第l层的权值，k表示第k个特征映射，Z l 为构成卷积神经网络模型的第l层的内部转态，f()为卷积神经网络模型的映射函数，up()为上采样函数。
5.如权利要求3所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤3.5中根据下式计算网络模型的期望平方误差：其中，M是输入用户的总数， 表示第m个用户对应的第k个影响因素； 可以用激活函数f(x)求得，β j 是第j个输出层神经元的输入值，θ j 是第j个输出层神经元的阈值； 表示第m个用电客户在神经元网络中对应的第k个输出可以直接得到。
6.如权利要求5所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤3.7中根据下面公式计算网络模型的梯度误差和更新的权值：ω ij * ＝ω ij +Δω ij其中，η是学习效率，ω ij * 更新的权值，ω ij 为原权值。
7.如权利要求1所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤5包括：步骤5.1：初始化粒子群，将测试集中的每个用户评级影响因素向量作为一个粒子，设置聚类的数目等于风险等级的数目，设置粒子数目；步骤5.2：计算聚类的中心和每个粒子的适应度；步骤5.3：将每个粒子的当前位置的适应度与本身最优位置的适应度进行比较，如果当前位置的适应度大于最优位置的适应度，则将当前位置作为个体最优位置；步骤5.4：将每个粒子的个体最优位置的适应度与全局最优位置的适应度进行比较，如果某粒子的个体最优位置的适应度大于全局最优位置的适应度，则将该粒子的个体最优位置作为全局最优位置；步骤5.5：根据个体最优位置和全局最优位置更新粒子群的惯性权重，当达到最大迭代次数或者满足算法要求时条件终止；步骤5.6：再次计算新的聚类中心。
8.如权利要求7所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤5.2中根据下列公式计算聚类的中心：根据下式计算粒子适应度：其中，F 全 代表全局所经过的最优位置的适应度，公式中ω ij 是一个S×S的加权矩阵，矩阵元素只有0和1，当实验数据i属于类j时，加权矩阵元素取1，不属于即为0，C ij 是相应的聚类中心算子，可计算出全局所经过的最优位置的适应度F。
9.如权利要求7所述的基于卷积神经网络的用电用户缴费风险评级方法，其特征在于，所述步骤5.5中分别根据下列公式对惯性权重和粒子的位置进行更新：其中，ω max 是权值的最大值，ω min 是权值的最小值，t为当前的迭代次数，T是最大的迭代次数，ω为惯性权重，c1,c2为学习因子，r1、r2为分布在[0，1]之间的随机数，p id 为粒子的个体最优位置，当算法达到最大迭代次数或者满足算法要求时条件终止。
