汽车产业向电气化转型已成为社会可持续发展的一个重要趋势,电动汽车以其良好的环保和节能优势,成为未来汽车产业发展的重要方向。尤其是近几年来,我国十分重视电动汽车的发展,很多城市的电动汽车数量出现大规模增长。大规模电动汽车带来的随机性的充电需求对于电力系统的安全和稳定是一个巨大的挑战,准确和有效地预测电动汽车充电需求具有重大意义。随着大数据时代的到来,国内各大城市电力公司已经建立了电动汽车监测平台,实现对大规模电动汽车充电状态的实时监测,海量监测数据中蕴含着大量有用的系统信息,使得利用数据驱动方法预测电动汽车充电需求成为可能。本文以此为出发点,基于西南某城市电动汽车充电需求真实数据,以城市区域充电需求数据作为研究对象,针对区域电力需求的复杂性,将非线性理论与机器学习方法相结合,考虑单区域和多区域的不同场景,研究了基于时间序列分解和集成方法的充电需求预测方法与基于混沌理论和数据降维的充电需求预测方法。针对各自存在的问题进行了优化,更加高效和精准地实现电动汽车充电需求短期预测。针对单个城市区域的研究场景,本文提出了一种基于时间序列分解和集成方法的充电需求预测模型。该方法针对充电需求时间序列复杂性较高的问题,利用分治法的思想,首先通过经验模态分解将原始充电需求单变量时间序列分解成多个相对简单的时间序列分量;鉴于分解后分量个数较多可能导致误差积累和计算繁琐,使用模糊熵计算各分量的复杂度,对分量进行分类并叠加形成新的子序列。对不同频率子序列分别采用SVR和LSTM作为基学习器进行建模,将基学习器预测结果与天气数据和相关性强的原始时间序列时滞数据共同组成输入,对一个全连接神经网络进行训练,经过全连接神经网络的学习得到最终预测结果。基于实测数据的单步和多步预测实验验证表明,本文模型与传统预测模型相比,具有更高的预测精度。为了解决单区域数据无法体现区域间充电需求的空间相关性且包含的复杂系统信息不足的问题,本文对多区域的场景进行研究。首先基于混沌理论实现了多区域充电需求时间序列的相空间重构,在此基础上对各区域时间序列进行混沌特性分析,证明了城市区域电动汽车充电需求具有混沌特性。其次鉴于多变量时间序列相空间重构数据的维度较高,采用拉普拉斯映射实现数据降维来剔除冗余和无关特征,降低数据维度。最后将降维后的相空间重构数据与未经相空间重构的目标区域原始时间序列时滞数据共同组成模型输入,使用差分进化算法优化的SVR模型进行充电需求单步和多步预测。实验结果表明,多区域数据经过相空间重构包含了更多的有利于多步预测的复杂系统信息,拉普拉斯映射可以提取出有利于多步预测的特征,同时差分进化算法对SVR模型的参数优化有效。与其他方法相比,本文提出的方法具有较好的预测效果,对提升电动汽车充电需求的多步预测精度具有较大价值。