1.一种基于copula算法电动汽车充电站负荷预测方法，其特征在于，所述预测方法包括步骤如下：

1)用户分类

首先对电动汽车充电站所在区域的电动汽车用户进行分类，根据电动汽车用户的充电时间、到达的目的地、电动汽车类型和充电方式的不同将电动汽车用户分为上班集群、居民集群、电动公交车集群和流动集群，分别对不同类型的集群充电行为进行调查；

2)分类拟合数据

选择核函数对步骤1)中的原始调查数据：起始充电时刻TS、行驶里程D1、下一段行驶里程D2采用核密度分布函数分类进行拟合，之后分别求出核密度分布函数经积分得到的边缘分布函数和与边缘分布函数对应的反函数；

3)数据扩充

利用Pearson线性相关系数求出以步骤2)中所列调查数据两两之间的相关系数矩阵P，选择copula函数，结合相关系数矩阵P求出Pearson线性相关系数为ρ的随机数序列，将随机数序列代入步骤2)中得到的边缘分布对应的反函数即可得出扩充的数据；

4)输出电动汽车充电站负荷曲线

根据行驶里程和下一段行驶里程判断是否满足充电条件，满足条件进行充电负荷曲线累加，直至满足预测区域内电动汽车数量，即可得出电动汽车充电站负荷曲线。

2.如权利要求1所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤1)中，原始调查数据包括起始充电时刻TS、行驶里程D1、起始充电时刻的SOCS、下一段行驶里程D2、快充充电功率P1、慢充充电功率P2和续航里程d。

3.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤2)中，求边缘分布函数和相应反函数的过程如下：

3.1)以步骤2)所列调查数据为样本，根据赤池信息准则和贝叶斯信息准则对每个样本选择核函数，核函数包括截尾正态分布、对数正态分布、截尾极值I型分布和威布尔分布，然后采用核密度分布函数对样本进行拟合，其核密度分布函数的定义为其中xi为所列调查数据的样本点，i＝1,2,3……n，K(·)为核函数，

h＞0为一个平滑参数，称为带宽；

3.2)边缘分布函数由核密度分布函数经积分得到，其定义为 其中F(x)

为边缘分布函数，f(x)为核密度分布函数，边缘分布函数的反函数为Qx＝F-1(x)。

4.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤3)中，copula函数根据赤池信息准则和贝叶斯信息准则选取，选取的copula函数包括Gaussian、t-copula、Plackett、Frank和NO.16Copula，其中求取扩充数据的过程如下：

3.1)由Pearson线性相关系数求出以步骤2)中的所列调查数据的两两相关系数矩阵P，其中Pearson线性相关系数的定义为 式中X1和X2代表步骤2)中的所列调查数据中任意两个，Cov(X1,X2)表示变量X1和X2的协方差，σ1和σ2分别为变量X1和X2的标准差，ρ的变化范围为[-1,1]，|ρ|越大说明变量X1和X2的相关性越大；

3.2)由均匀分布产生多维伪随机数对W1(Ts',D′1,D′2)产生区间为(0,1)，之后将相关系数矩阵P和多维伪随机数对代入选取的copula函数即可求出相关系数为P的随机数对Wp(Ts”,D″1,D″2)，然后将Wp(Ts”,D1”,D'2')分别代入步骤2)求出的各自边缘分布函数的反函数中即求出扩充数据W(Ts,D1,D2)。

5.如权利要求2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤4)中，是否满足充电条件通过以下两个步骤进行判断，①第一步、通过确定当前SOC，其中j＝1,2，S为当前SOC，S1为行驶前的SOC；②第二步、以起始充电时刻的SOCS为样本，求出置信区间，当S在置信区间内，则充电，当S不在置信区间内，则不充电，其充电功率是根据集群和充电情况所定，上班集群和居民集群充电为慢充，电动公交车集群白天为快充，夜间为慢充，流动集群为应急充电，充电功率为快充。

6.如权利要求1或2所述的一种基于copula算法电动汽车充电站负荷预测方法，其特征在于：所述步骤4)中，预测区域内电动汽车数量的方法是根据电动汽车充电站所处的位置不同，调查所得。