随着环境、能源问题的日益突出,电动汽车(electric vehicle, EV)受到了各国政府的重视,大规模电动汽车的使用可以大量减少温室气体的排放、促进能源结构的调整。大量电动汽车在负荷高峰期间充电,将加剧电网负荷的峰谷差,增加了调峰的难度,在配电网中会造成局部过负荷,加重配电网的负担等,将对电网的安全、调度和经济运行产生不利影响。所以需要较精确的电动汽车负荷预测作为依据,进行电动汽车的有序充电控制,参与电力系统的调峰甚至调频。首先本文通过对北京现有纯电动公交车充／换电站充电负荷的大量调研,分析了公交车充电站充电负荷的数据特征,确定了影响公交车换电站的主要因素。提出了基于相似日选取的支持向量机电动汽车日负荷预测方法,基于相关因素应用灰色关联理论构建相似日的小样本集合,而后建立多输入单输出的支持向量机预测模型。针对支持向量机预测模型,提出了两阶段确定模型参数的方法,首先直接确定参数e,再通过遗传算法寻找最优核参数p和正则化参数C,以提高参数e选取范围设置较大时的预测精度。实例测试结果表明,日负荷预测的均方根误差为10.85%,能基本满足有序控制的要求；与其他SVM预测方法对比,改进方法分别提高了预测精度1.52%和1.14%；与传统的预测方法相比,具有较高的预测精度和稳定性。由于公交车换电站的充电负荷波动性较大,单一预测模型稳定性较差,本文又提出了一种新的组合预测模型。对组合预测模型在累积历史预测误差的过程作了如下改进：1)考虑了样本数据的时间特征。2)考虑了单一模型预测过程中的精度和稳定度,动态的调整其在组合预测模型中的权重。最后,根据北京北土城公交车充电站的历史充电负荷数据,构建了训练样本和测试样本,通过与单一预测模型和其他组合预测模型比较,证明了本文的组合预测模型的有效性和稳定性。