1.一种短期电动汽车充电负荷预测方法，其特征在于，所述预测方法包括：获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；

将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立方法包括：获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；

利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；

利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；

利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标；

采用改进的非劣排序遗传算法‑Ⅱ多目标算法对网络的初始参数权值和阈值进行优化的具体步骤如下：初始化NSGA‑Ⅱ算法的参数；令进化代数n＝0，种群个数M，最大迭代次数NIter；

建立多目标函数优化模型，即计算个体的适应度的公式：

其中， 表示染色体，内部元素xi为基因，xi对应权值或阈值，Ng为染色体基因个数；Nf为样本点的个数；yi′为充电负荷预测值，yi为充电负荷真实值，为充电负荷预测值的均值，f1(X)和f2(X)分别为两个目标函数，f1(X)表示的是均方误差，f2(X)表示的是标准差；

对卷积神经网络的权值和阈值进行基因编码，编码方式为浮点数编码方式，随机初始化染色体个数为M的种群P0，并对其进行快速非支配排序操作，计算出当前种群中所有染色体的支配等级；

对排序后的种群执行选择、交叉、变异操作，获得子代种群Fn；

进化采用二进制锦标赛法执行选择操作，采用多项式变异方法执行变异操作，引入基于正态分布的交叉算子执行交叉操作：其中，p1和p2为父代染色体，f1和f2为子代染色体，i表示染色体的第i个基因，α∈(0,1]是一个随机数；

计算目标函数值：合并父代种群Pn和子代种群Fn，形成种群In，并根据公式计算In中所有个体的适应度值，而后对In进行快速非支配排序操作；其中，δd(NumIter)记录达到稳定的次数；Cr表示聚类结果集合；

采用下式计算In中个体的拥挤系数，然后按照等级由高到低的顺序选出拥挤系数最大的M个个体，组成新的种群Pn+1，进化代数增加1；

其中，li为拥挤度，fj,i表示第i个染色体的第j个目标的函数值，m为目标函数个数，fj,max和fj,min分别为第j个目标函数的最大值和最小值；

判断是否达到最大迭代次数NIter，若当前进化代数n等于NIter，则满足终止条件，结束循环，否则返回步骤“对排序后的种群执行选择、交叉、变异操作，获得子代种群Fn”；

输出Pareto最优解集；

根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；

利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。

2.根据权利要求1所述的预测方法，其特征在于，所述利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集之前，还包括：根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。

3.根据权利要求1所述的预测方法，其特征在于，所述利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本之前，还包括：对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。

4.一种短期电动汽车充电负荷预测系统，其特征在于，所述预测系统包括：输入获取模块，用于获取预测日前一天的充电负荷值和预测日前一天的日属性，所述日属性包括对应日期的季节属性、气象属性、温度属性、节假日属性和交通量属性中至少一者；

预测模块，用于将预测日前一天的充电负荷值和预测日前一天的日属性输入日负荷预测模型，获得预测日的电动汽车充电负荷预测值；所述日负荷预测模型的输入为充电负荷值和日属性，所述日负荷预测模型的输出为充电负荷预测值；所述日负荷预测模型的建立子系统包括：样本库获取模块，用于获取样本库，所述样本库包括多个样本对，每一样本对包括一充电负荷值和所述充电负荷值对应日期的日属性；

聚类模块，用于利用近邻传播方法对所述样本库中的样本对进行聚类，获得多个样本集，多个所述样本集组成所述样本库；

颜色映射模块，用于利用RGB颜色映射方法，将各所述样本集中的每一样本映射为图像样本，获得图像样本库；

目标优化模块，用于利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化，获得最优初始权值和最优初始阈值；所述目标优化模块利用非劣排序遗传算法对卷积神经网络的权值和阈值进行多目标优化时，以充电负荷预测值的均方误差最小和标准差最小为优化目标；

采用改进的非劣排序遗传算法‑Ⅱ多目标算法对网络的初始参数权值和阈值进行优化的具体步骤如下：初始化NSGA‑Ⅱ算法的参数；令进化代数n＝0，种群个数M，最大迭代次数NIter；

建立多目标函数优化模型，即计算个体的适应度的公式：

其中， 表示染色体，内部元素xi为基因，xi对应权值或阈值，Ng为染色体基因个数；Nf为样本点的个数；yi′为充电负荷预测值，yi为充电负荷真实值，为充电负荷预测值的均值，f1(X)和f2(X)分别为两个目标函数，f1(X)表示的是均方误差，f2(X)表示的是标准差；

对卷积神经网络的权值和阈值进行基因编码，编码方式为浮点数编码方式，随机初始化染色体个数为M的种群P0，并对其进行快速非支配排序操作，计算出当前种群中所有染色体的支配等级；

对排序后的种群执行选择、交叉、变异操作，获得子代种群Fn；

进化采用二进制锦标赛法执行选择操作，采用多项式变异方法执行变异操作，引入基于正态分布的交叉算子执行交叉操作：其中，p1和p2为父代染色体，f1和f2为子代染色体，i表示染色体的第i个基因，α∈(0,1]是一个随机数；

计算目标函数值：合并父代种群Pn和子代种群Fn，形成种群In，并根据公式计算In中所有个体的适应度值，而后对In进行快速非支配排序操作；其中，δd(NumIter)记录达到稳定的次数；Cr表示聚类结果集合；

采用下式计算In中个体的拥挤系数，然后按照等级由高到低的顺序选出拥挤系数最大的M个个体，组成新的种群Pn+1，进化代数增加1；

其中，li为拥挤度，fj,i表示第i个染色体的第j个目标的函数值，m为目标函数个数，fj,max和fj,min分别为第j个目标函数的最大值和最小值；

判断是否达到最大迭代次数NIter，若当前进化代数n等于NIter，则满足终止条件，结束循环，否则返回步骤“对排序后的种群执行选择、交叉、变异操作，获得子代种群Fn”；

输出Pareto最优解集；

神经网络确定模块，用于根据所述最优初始权值和所述最优初始阈值确定初始的卷积神经网络模型；

训练模块，用于利用所述图像样本库训练所述卷积神经网络模型，获得所述日负荷预测模型。

5.根据权利要求4所述的预测系统，其特征在于，所述日负荷预测模型的建立子系统还包括：属性分类模块，用于根据日属性对所述样本库中的各样本对进行分类，获得初步分类后的样本库。

6.根据权利要求4所述的预测系统，其特征在于，所述日负荷预测模型的建立子系统还包括：归一化模块，用于对各所述样本集中的样本进行归一化处理，获得归一化后的样本集。