随着人们对环境与能源问题的关注与担忧日益提高,电动汽车的发展越来越受到重视,普及率越来越高。电动汽车的大规模投入使用,虽然缓解了能源与环境问题,但还伴随着其随机、无序的充电行为给电网的稳定性带来的挑战。为了应对这一挑战,电动汽车的负荷预测问题成为当下较为热门的研究方向。通过对电动汽车的充电行为进行研究发现,电动汽车的充电行为在时间和空间两个尺度上有很强的规律性,并且不同使用用途的电动汽车以及不同使用区域的充电点都有各自较为固定的行为特征。于是本文通过对充电区域进行划分,分成三个具有代表性的区域:住宅区,公共区和商用区,分别进行电动汽车的短期充电负荷预测研究。通过分析各个不同充电点的不同充电行为,针对不同区域分别提出合适的预测方法进行预测。住宅区内充电区域的电动车数量与使用用途较为固定,并且出行习惯也都有一定的周期性规律,所以其充电负荷波动性不大,充电行为主要受时间,日期,天气的影响。并且其数据的收集难度也低,即有稳定连续的数据用于分析,与日常居民负荷没有太大的区别,所以论文设计了基于相似日选择的BP神经网络算法来预测这一区域的充电负荷。公共区主要包括工业区,办公区的大型停车场以及一些面向所有社会车辆的公用停车场,这类停车场的充电汽车类型组成复杂,充电行为也是多样且无序的,为了充分模拟公共区域随机的充电行为,本文采用了蒙特卡罗模拟算法,通过抽取随机数的方式模拟公共区域内随机充电行为进行预测。商业区的停车场的车辆大多不会做长时间的停留,汽车选择这一区域内的充电点大多数是进行快充,进行一个临时的短时快速的电力补充,所以到达时间是影响电动汽车选择充电点的关键因素,于是本文通过对车流复杂的商用充电区域以及车辆的出行习惯进行研究,将一片区域内的商用充电点视为竞争关系,引入美国联邦公路局路阻函数(BPR)合理表示道路权值,再利用Dijkstra算法计算到达区域内各商用充电点的时间,各充电点以时间作为竞价,时间最少的充电点车辆选择率越高,负荷也就越多。利用电动汽车对同一区域内不同道路情况的充电地点的选择概率,对预测值进行详细划分到每一个充电地点,提高预测的精度。