1.考虑用户市场响应潜力的电动汽车用户画像方法，其特征在于，包括：将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的；所述时间响应潜力模型的构建包括：基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感；所述基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据，包括：基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据；所述空间响应潜力模型的训练包括：对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感；所述电量响应潜力类型包括：充电电量大和充电电量小。
2.如权利要求1所述的方法，其特征在于，所述对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，包括：基于所述电动汽车到选择的充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素；基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，并从中选择最大值作为时间维度影响最大的因素；基于所述电动汽车充电时的充电服务费、充电电费以及所述电动汽车充电时段内价格最低的充电服务费和充电电费，分别计算所述电价维度下的充电服务费差值和充电电费差值，并从中选择最大值作为电价维度影响最大的因素。
3.如权利要求2所述的方法，其特征在于，所述基于所述电动汽车到选定充电站的最短距离和所述电动汽车开始寻找充电站时所在位置到最近的充电站的行驶距离计算距离差值，作为距离维度的因素，包括：基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的城市路段距离建模地图，利用dijkstra算法，计算所述电动汽车到充电站的最短距离；根据dijkstra算法计算所述电动汽车寻找充电站时所在位置到最近的充电站的行驶距离；计算所述电动汽车到充电站的最短距离和所述行驶距离的差值，并归一化0-1作为距离差值影响指标。
4.如权利要求3所述的方法，其特征在于，所述基于所述电动汽车的行驶时间、排队时间、充电时间、到最近充电站的行驶时间、充电时间段内平均最短排队时间以及充电最小时间分别计算所述时间维度下的行驶时间差值、排队时间差值、充电时间差值、路程耗时差值和充电总耗时差值，包括：基于所述电动汽车寻找充电站时所在的位置、选择的充电站位置以及获取的以车辆行驶时间为路段权重建模的地图计算时间差值，并归一化0-1作为时间差值影响指标；根据电动汽车充电开始时间和选择的充电站，从各个时间段充电站的平均排队时间数据中得到电动汽车充电的平均排队时长，以及所述时间段内排队时间最短的充电站的平均排队时间；基于所述平均排队时长和所述平均排队时间计算差值，并归一化0-1作为排队时间差值影响指标；遍历电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小，得到最短充电持续时间；计算电动汽车充电的持续时间与最短充电持续时间的差值，并将所述持续时间差值归一化到0-1之间，得到持续时间差值影响指标；基于电动汽车到各个充电站的最短行驶距离，行驶路程中电池电量减小计算持续时间差值，并归一化0-1作为持续时间差值影响指标；基于充电站的行驶时间和排队时间计算路程耗时，并对所述路程耗时归一化0-1作为路程耗时影响指标；基于充电站的行驶时间、排队时间和充电时间计算充电总耗时，并对所述充电总耗时归一化0-1作为充电总耗时影响指标。
5.如权利要求1所述的方法，其特征在于，所述基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型，包括：基于电动汽车设定时间段内的需求电量，计算单位时间内所述电动汽车的平均耗电量，作为所述电动汽车单位时间内的需求电量；基于所述电动汽车单位时间内的需求电量和阈值，确定所述电动汽车用户的电量响应潜力。
6.考虑用户市场响应潜力的电动汽车用户画像系统，其特征在于，包括：时间响应潜力模块，用于将获取的电动汽车的剩余电量、分时电价输入到预先构建的时间响应潜力模型得到所述电动汽车用户的时间响应潜力类型；空间响应潜力模块，用于将获取的所述电动汽车的距离、时间和电价输入到预先训练好的空间响应潜力模型中进行辨识，得到所述电动汽车用户的空间响应潜力类型；电量响应潜力模块，用于基于所述电动汽车在设定时间内的需求电量确定所述电动汽车用户的电量响应潜力类型；潜力类别确定模块，用于由所述时间响应潜力类型、所述空间响应潜力类型和所述电量响应潜力类型得到所述电动汽车用户的电动汽车用户画像；其中，所述时间响应潜力模型是基于电动汽车的剩余电量和分时电价，以及所述电动汽车的时间潜力类型结合支持向量机构建的；所述空间响应潜力模型是将所述电动汽车的距离、时间和电价三个维度对应的影响因素作为神经网络的输入，将所述电动汽车用户的空间响应潜力类型作为所述神经网络的输出进行训练得到的；还包括模型构建模块用于：基于所述电动汽车的剩余电量和分时电价计算第一类数据和第二类数据；为所述电动汽车用户的时间响应潜力类型分配一个二进制编码；由所述第一类数据、所述第二类数据和二进制编码作为支持向量机的输入，得到划分时间响应潜力类型的超平面；其中，所述时间响应潜力类型包括对分时电价敏感和对分时电价不敏感；模型训练模块用于：对所述距离、时间和电价三个维度的充电数据进行分析，确定对每个维度影响最大的因素，并将所述每个维度影响最大的因素作为所述维度的特征量；由每个维度的特征量和所述电动汽车用户的空间响应潜力类型构建训练集；基于所述每个维度的特征量和所述电动汽车用户的空间响应潜力类型对神经网络进行训练，得到训练好的空间响应潜力模型；其中，所述空间响应潜力类型包括对充电服务费敏感和对充电服务费不敏感；模型构建模块具体用于：基于获取的不敏感用户充电前的剩余电量，求所述不敏感用户的平均剩余电量；将所述剩余电量减去所述不敏感用户的平均剩余电量得到所述第一类数据；基于每次充电时间间隔和需求电量计算电动汽车的平均每小时耗电量；基于所述平均每小时耗电量和所述剩余电量计算电动汽车充电的可选择时间段；将所述电动汽车的分时电价与获取的在可选择时间段内的最低充电电价的比值作为第二类数据；其中，所述电量响应潜力类型包括：充电电量大和充电电量小。
