1.一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，包括如下步骤：(1)对预先获取电动汽车的充电负荷历史数据进行预处理，并将其分为训练数据集和测试数据集；

(2)对电动汽车的充电负荷数据采用VMD进行分解预处理，采用改进的基于径向空间划分的进化算法，即改进的RSEA，对VMD的参数进行优化，得到K个分量并构建对应的K个输入矩阵，确定每个分量的训练矩阵和测试矩阵；

(3)构建具有增强隐含层的神经网络NAHL模型；

(4)以电动汽车充电负荷预测值和实际值之间的均方根误差和对称平均绝对百分比误差作为适应度函数；并将各个分量的训练矩阵和测试矩阵分别带入所建立的NAHL模型；

(5)采用改进的RSEA算法对NAHL模型进行优化与训练，选取帕累托前沿的折衷解，输出NAHL神经网络子模型的最佳参数；

(6)利用训练好的NAHL模型和步骤(2)中其对应的测试矩阵计算各个NAHL模型的预测值；

(7)将各NAHL模型的预测值进行聚合，输出最终预测结果；

步骤(2)所述改进的基于径向空间划分的进化算法为：使用Tent‑Logistic‑Cosine混沌映射初始化，初始化策略如下：其中，x(i)是当前状态，x(i+1)是下一个状态，r是映射参数，r∈[0,1]；之后通过PFi＝*PFmin+xi(PFmax‑PFmin)得到初始结果；PFmax为第i个决策变量的上限，PFmin为第i个决策变量的下限，xi是第i个经过Tent‑Logistic‑Cosine混沌映射初始化的值，PFi表示第i个决策变量的初始化结果；对变异操作进行改进，提出一种指数递减的自适应变异概率策略，指数递减的自适应变异概率策略如下：MP＝MPmin*(MPmax‑MPmin)^[1/(1+K*FE/FEmax)]式中，K为控制指数递减的参数，K越大下降的速度越快，MPmax为最大变异概率，MPmin为最小变异概率，FEmax为最大迭代次数，FE为当前迭代次数；在迭代初期，变异率高，生成分布广泛的解，提高算法的多样性；在迭代中期，变异概率会随着逐渐下降；在迭代后期，变异概率最小，等到的解更密集，提高算法的收敛性；

步骤(3)所述增强隐含层的神经网络模型包括输入层、增强隐含层和输出层；在不考虑再训练的情况下对隐含层进行训练，每个临时隐藏层的输入权重是随机生成的，输入多特征映射，允许隐藏层从几个随机线性映射中学习；所述增强隐含层h：其中，元素{w，b}分别引用每个特征映射的输入权矩阵和偏差向量；每个临时隐藏层被乘以一个折扣因子γ∈[0,1]，f为激活函数。

2.根据权利要求1所述的一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，步骤(1)所述预处理为对数据中的空值进行填充：yk＝(yk‑1+yk+1)/2

其中，yk为缺失时刻的填充数据，yk‑1为前一周期相同时刻的数据，yk+1为下一周期相同时刻的数据。

3.根据权利要求1所述的一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，所述步骤(2)实现过程如下：(21)对VMD各项参数进行初始化，包括RSEA算法的种群大小﹑最大迭代次数﹑优化参数的上限和下限；

(22)将电动汽车充电负荷数据带入RSEA优化的VMD模型中；

(23)当前迭代次数小于最大迭代次数时，算法开始迭代；

(24)RSEA算法分别计在不同惩罚因子alpha和分解层数k下的样本熵和包络熵，保存满足条件的解作为帕累托最优解集；

以惩罚因子alpha和分解层数k为优化参数：

max min

式中，fVMD为VMD模型，yVMD为VMD的分解结果，alpha 和alpha 分别为以惩罚因子max minalpha的上下限，K 和K 分别为分解层数k的上下限；

以样本熵和包络熵为适应度函数，样本熵表示为：

m

式中，SampEN为各分量的样本熵，data为时间序列数据，m为嵌入维数，r为相似容限，B(r)表示两个向量在相似容限r下匹配m个实数的概率；包络熵Ep表示为：式中，Ep为各分量的包络熵，pj是a(j)的归一化形式，a(j)是信号经Hilbert解调后得到的包络信号；

(25)当迭代次数达到最大时结束循环；

(26)将选取归一化后最好的一组解，将保存的alpha和k，算法结束。

4.根据权利要求1所述的一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，所述步骤(4)实现过程如下：对神经元数量HN、暂时隐含层神经元数量THN、和每层临时隐层的折扣因子P进行优化，优化目标如下：式中，fNAHL为NAHL模型，yNAHL为NAHL模型得到的预测结果，HN、THN和Pn分别表示隐含层神经元数量HN、暂时隐含层神经元数量THN、和每层临时隐层的折扣因子Pn为不同的层数；

max min max min

HN 和HN 分别为隐含层神经元数量的上下限，THN 和THN 分别为暂时隐含层神经元数量的上下限；

适应度函数设置为电动汽车充电负荷预测值和实际值之间的均方根误差和对称平均绝对百分比误差作为模型评估指标：式中，Yif和yif分别表示电动汽车充电负荷预测值和实际值；f1为均方根误差，f2为对称平均绝对百分比误差。

5.根据权利要求1所述的一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，所述步骤(5)实现过程如下：(51)参数初始化：初始化RSEA算法的参数，包括隐含层神经元数量HN、暂时隐含层神经元数量THN和每层临时隐层的折扣因子P；

(52)种群初始化：使用Tent‑Logistic‑Cosine混沌映射初始化种群分布得到初始种群PF，并将PF中的解投影到二维径向空间，通过两个投影权重向量将高维点投影到二维径向空间中，高维目标空间中的解首先被投影到二维径向空间中，两个权重向量为：T

W1＝(cos(θ1),cos(θ2),...,cos(θm))T

W2＝(sin(θ1),sin(θ2),...,sin(θm))径向空间中点A的坐标表示：

‑1 ‑1

Yi＝(AW1(AI) ,AW2(AI) )

式中，W1和W2表示权重向量，A为种群中的每个个体，I表示m×1的向量；

(53)径向空间中的自适应网格划分：

每个区域被认为是一个小范围的搜索空间，通过自适应网格划分方法将这些投影解定位在不同的矩形中，然后在交配选择中选择较少的矩形中较好的收敛解作为亲本个体，更加细致地搜索解空间内的局部最优解，并最终导向全局最优解；

(54)匹配选择：

使用二元锦标赛策略从PF中选择个体，使用径向空间中网格拥挤度和目标空间中收敛度为两个指标；矩形的拥挤程度定义为Crowd(Gs)＝|S|，Gs代表选定的网格，|S|代表该网格中个体数量；

(55)生成后代个体：

匹配选择得到的父代种群经过模拟二项式交叉变异和多项式变异，采用指数递减的自适应变异概率策略，得到子代种群Q；

(56)环境选择：

通过非支配排序方法对当前种群进行排序形成种群P，然后将P中的解投影到二维径向空间，在径向空间中的自适应网格划分，计算出在径向空间中的坐标以及它们在分割网格中的位置；之后对种群Q选择种群P的m个极值解，并更新相应的拥挤度；根据其拥挤程度及其适应度值，逐一选择P中的剩余解，并保留适应度更好的个体；适应度函数为：Fit(X,Q)＝Con(X)·rP·m‑min||Y(X)‑Y(Q)||其中，Q是所选解的集合，Con(X)是根据方程的解X的收敛度，Y(*)表示*在径向空间中的坐标，惩罚参数rP随着总体的评估而自适应调整，t是评估解的数量，tmax是最大评估数；

(57)判断是否满足终止条件，如果迭代次数达到最大则结束循环；如果不满足则继续迭代，直到满足终止条件；

(58)获得问题的最佳方案，并输出各个参数和预测结果。

6.根据权利要求5所述的一种基于NAHL的电动汽车充电负荷预测方法，其特征在于，所述惩罚参数rP随着真实函数次数的增加而变小。

7.一种装置设备，其特征在于，包括存储器和处理器，其中：存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1至6任一项所述的基于NAHL的电动汽车充电负荷预测方法的步骤。

8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1至6任一项所述的基于NAHL的电动汽车充电负荷预测方法的步骤。