1.一种电动汽车负荷预测方法，其特征在于，包括：对目标区域的电动汽车保有量进行预测；

对目标区域的电动汽车的随机路径进行预测；

基于所述保有量和所述随机路径，对一天内电动汽车的负荷分布情况进行预测；

基于车辆与电网的电能交互关系对所述负荷分布情况进行优化，得到优化后的电动汽车负荷分布；

其中，对目标区域的电动汽车的随机路径进行预测，具体包括：将目的地作为影响随机路径的第一因素建立主链；

将天气作为影响随机路径的第二因素建立主辅链；

将日期作为影响随机路径的第三因素建立次辅链；所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响，所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响；所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响；

计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率，得到第一转移概率矩阵；

计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率，得到第二转移概率矩阵；

利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟，得到目标区域电动汽车的随机路径。

2.根据权利要求1所述的电动汽车负荷预测方法，其特征在于，所述对目标区域的电动汽车保有量进行预测，具体包括：建立保有量影响因素与保有量之间关系的神经网络模型；

获取各所述保有量影响因素的值；

将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。

3.根据权利要求1所述的电动汽车负荷预测方法，其特征在于，所述基于所述保有量和所述随机路径，对一天内电动汽车的负荷分布情况进行预测，具体包括：当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时，确定该电动汽车的充电方式为慢充；

当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时，确定该电动汽车的充电方式为快充；

当电动汽车的荷电状态高于所述第一荷电阈值且低于第二荷电阈值时，确定该电动汽车的充电方式为慢充；

当电动汽车的荷电状态高于所述第二荷电阈值时，确定该电动汽车不充电；

根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率，得到一天内的负荷曲线。

4.根据权利要求1所述的电动汽车负荷预测方法，其特征在于，所述基于车辆与电网的电能交互关系对所述负荷分布情况进行优化，得到优化后的电动汽车负荷分布，具体包括：根据车辆与电网的电能交互关系，确定以收益最大且负荷峰谷差最小为目标函数，以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化，将优化后的解初始化为种群个体；

初始化迭代次数；

求取各个种群个体的目标函数，得到各个解的适应度值；

根据所述适应度值进行个体选择，并将选择出的个体进行交叉和变异，得到子代个体；

计算所述子代个体以及选择出的个体的拥挤距离，并对各所述拥挤距离进行非劣分层，得到非劣个体；

对所述非劣个体进行pareto排序，得到排序后的个体；

将所述排序后的个体按照先后顺序分为四个部分，并求中间两个部分的个体的反向解，得到中间两部分的新个体；

计算中间两部分的新个体的拥挤距离，并对中间两部分的新个体的拥挤距离进行非劣分层，得到二次分层后的非劣个体；

对第一部分的个体和所述二次分层后的非劣个体进行pareto排序，得到二次排序后的个体；

筛选所述二次排序后的个体中的前N个个体，并判断当前迭代次数是否大于或等于最大迭代次数，得到判断结果；

若所述判断结果表示否，则令迭代次数加1，并将种群个体更新为筛选的前N个个体，并返回步骤“求取各个种群个体的目标函数，得到各个解的适应度值”；

若所述判断结果表示是，则将筛选的前N个个体作为最优解。

5.一种电动汽车负荷预测系统，其特征在于，包括：保有量预测模块，用于对目标区域的电动汽车保有量进行预测；

路径预测模块，用于对目标区域的电动汽车的随机路径进行预测；

负荷分布预测模块，用于基于所述保有量和所述随机路径，对一天内电动汽车的负荷分布情况进行预测；

优化模块，用于基于车辆与电网的电能交互关系对所述负荷分布情况进行优化，得到优化后的电动汽车负荷分布；

其中，所述路径预测模块包括：

主链建立单元，用于将目的地作为影响随机路径的第一因素建立主链；

主辅链建立单元，用于将天气作为影响随机路径的第二因素建立主辅链；

次辅链建立单元，用于将日期作为影响随机路径的第三因素建立次辅链；所述主链当前时刻的状态受所述主链上一时刻的状态以及所述主辅链上一时刻的状态的影响，所述主辅链当前时刻的状态受所述主辅链上一时刻的状态以及所述次辅链上一时刻的状态的影响；所述次辅链当前时刻的状态受所述次辅链上一时刻的状态的影响；

第一转移概率矩阵计算单元，用于计算所述主辅链为任一状态时所述主链受所述主辅链影响下各个状态之间的转移概率，得到第一转移概率矩阵；

第二转移概率矩阵计算单元，用于计算所述次辅链为任意状态时所述主辅链受所述次辅链影响下各个状态之间的转移概率，得到第二转移概率矩阵；

随机路径模拟单元，用于利用所述第一转移概率矩阵和所述第二转移概率矩阵对电动汽车的随机路径进行模拟，得到目标区域电动汽车的随机路径。

6.根据权利要求5所述的电动汽车负荷预测系统，其特征在于，所述保有量预测模块包括：神经网络模型建立单元，用于建立保有量影响因素与保有量之间关系的神经网络模型；

输入量获取单元，用于获取各所述保有量影响因素的值；

神经网络预测单元，用于将各所述保有量影响因素的值输入所述神经网络模型得到目标区域的电动汽车保有量。

7.根据权利要求5所述的电动汽车负荷预测系统，其特征在于，所述负荷分布预测模块包括：第一充电方式确定单元，用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地为家时，确定该电动汽车的充电方式为慢充；

第二充电方式确定单元，用于当电动汽车的荷电状态低于第一荷电阈值且电动汽车的目的地不为家时，确定该电动汽车的充电方式为快充；

第三充电方式确定单元，用于当电动汽车的荷电状态高于所述第一荷电阈值且低于第二荷电阈值时，确定该电动汽车的充电方式为慢充；

第四充电方式确定单元，用于当电动汽车的荷电状态高于所述第二荷电阈值时，确定该电动汽车不充电；

负荷曲线构建单元，用于根据各个电动汽车的充电方式确定任意时刻处于充电状态的所有电动汽车的充电功率，得到一天内的负荷曲线。

8.根据权利要求5所述的电动汽车负荷预测系统，其特征在于，所述优化模块包括：优化解计算单元，用于根据车辆与电网的电能交互关系，确定以收益最大且负荷峰谷差最小为目标函数，以放电功率的限制条件和电池剩余电荷大于最小剩余电荷量为约束条件对负荷分布情况进行优化，将优化后的解初始化为种群个体；

迭代初始化单元，用于初始化迭代次数；

适应度值计算单元，用于求取各个种群个体的目标函数，得到各个解的适应度值；

遗传单元，用于根据所述适应度值进行个体选择，并将选择出的个体进行交叉和变异，得到子代个体；

第一非劣分层单元，用于计算所述子代个体以及选择出的个体的拥挤距离，并对各所述拥挤距离进行非劣分层，得到非劣个体；

第一排序单元，用于对所述非劣个体进行pareto排序，得到排序后的个体；

反向解计算单元，用于将所述排序后的个体按照先后顺序分为四个部分，并求中间两个部分的个体的反向解，得到中间两部分的新个体；

第二非劣分层单元，用于计算中间两部分的新个体的拥挤距离，并对中间两部分的新个体的拥挤距离进行非劣分层，得到二次分层后的非劣个体；

第二排序单元，用于对第一部分的个体和所述二次分层后的非劣个体进行pareto排序，得到二次排序后的个体；

筛选与判断单元，用于筛选所述二次排序后的个体中的前N个个体，并判断当前迭代次数是否大于或等于最大迭代次数，得到判断结果；

更新返回单元，用于若所述判断结果表示否，则令迭代次数加1，并将种群个体更新为筛选的前N个个体，并返回所述适应度值计算单元；

最优解确定单元，用于若所述判断结果表示是，则将筛选的前N个个体作为最优解。