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；

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.根据权利要求1所述的预测方法，其特征在于，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。

5.一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；

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。

6.根据权利要求5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。

7.根据权利要求5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。

8.根据权利要求5所述的预测系统，其特征在于，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。