电力负荷的空间分布是电网规划的基础,对电源点的设置、输电走廊的确定、输电线路以及相关设备的选型等方面有较高的参考意义。传统意义上的系统负荷预测是从地理宏观角度预测区域负荷大小,但无法得出电力负荷空间分布,由此基于电力负荷时空维度分布的空间负荷预测应运而生。用地仿真法和负荷密度指标法是两种常见的空间负荷预测方法,现有模型往往认为用地决策或者负荷密度是可以直接获取的,而从另一方面进行建模,随着电网规划要求越来越精准,依照城市土地规划数据和历史负荷密度指标等简化数据来预测负荷的空间分布已难以满足准确量化负荷的要求,同时在对信息的提取和处理方面现有模型仍需改进。现阶段,空间负荷预测出现新情境。在相关政策的引导下,电动汽车保有量逐年上升,作为一种在时空维度上具有很强随机性的电力负荷,随着电动汽车保有量的提升,充电负荷的冲击使空间负荷预测结果出现偏差,所以,有必要在空间负荷预测的基础上考虑电动汽车充电负荷的时空分布。在上述背景下本文将考虑电动汽车并网的空间负荷预测研究分为用地决策问题、负荷密度指标获取问题、EV充电负荷空间分布预测问题等三个问题。在用地决策问题上,本文提出了一种改进元胞自动机算法对土地发展趋势进行仿真,在空间分区时同时考虑了小区(元胞)的地理属性和非空间属性,形成广义距离空间聚类法则。为量化区域之间发展的差异性,提出空间区域分簇发展速度概念。采用C5.0决策树算法处理元胞状态数据,得到元胞自动机的转换规则,形成改进CA模型;针对分类负荷密度的获取问题,本文采用改进主成分分析法的径向函数神经网络模型,通过改进算法,解决了现有算法不能完整体现影响因子之间非线性耦合以及参量自身变异率的问题,参数降维效果更加明显,利用径向基函数神经网络对历史数据进行训练,获得了影响因子和负荷密度之间的模型参数。面对不同元胞同类负荷密度不同的情况,文章提出负荷密度指标在各元胞之间的协调系数,量化了空间上负荷密度的差异;在电动汽车充电负荷的时空分布预测方面,为了体现了充电负荷在空间尺度上的分布,本文基于用地仿真结果,对各类用地的停车需求进行分析,形成停车生成率,进而分析了电动汽车行驶规律以及行驶过程中荷电状态的变化情况,对电动汽车日出发时间、结束时间、行驶里程等参数的概率分布进行拟合。利用蒙特卡罗模型模拟EV的驾驶、充电过程,得到充电负荷的时空分布。为避免充电负荷与元胞负荷的叠加时出现时间不一致的情况,本文提出同时率的获取方法。通过算例分析,预测结果可以达到较高的精度。