当前,各国均面临较为严重的能源与环境危机。电动汽车具有低污染、零（低）排放、能源转换效率高等优点,已成为各国关注的焦点。电能是电动汽车的主要能量来源,当大规模的电动汽车接入电网时,会增加电网的负担,影响电网的正常运行。同时,由于在充电站建设初期未对充电需求及影响条件等因素充分考虑,导致充电难、充电贵等问题频出,充电站发展不平衡与充电需求之间的矛盾日益加大。因此,开展充电负荷预测及充电站的布局优化研究具有重要的现实意义。基于此,本文从以下几个方面展开研究:（1）电动汽车充电需求的时空分布预测。精准高效的充电需求分布预测是充电设施选址的必备条件。通过对电动汽车行驶轨迹数据的分析,提取用户出行特征参数和车辆充电特征参数:单次行程轨迹、日首次出行时刻、出行始发地与目的地、停留时长、车辆基本参数等,搭建用户出行活动链及单体电动汽车充电模型,从而得到具有出行特征的概率密度函数,构建基于蒙特卡洛模拟的充电需求预测模型。最后分析了不同车辆规模的情况下,电动汽车充电负荷时空分布的变化情况。（2）构建充电站选址模型。为更好的了解充电需求对选址的影响,在文中,通过借鉴传统P中位模型与集覆盖模型的思想建立了两种不同的选址模型:静态充电需求下的以成本最小为目标的选址模型;基于动态充电需求预测的以综合成本最小为目标的选址模型,且在其中考虑了选址方案的变化对碳排放的影响。在建立选址模型时主要从用户和企业两个角度进行考虑。从运营商的角度考虑了充电站的投资成本:建设成本、运营成本、用地成本等;从用户角度考虑了充电的便捷性、充电的时间成本等。同时考虑到为满足日益增长的充电需求需要新增充电站的问题,设计了一种利用Voronoi图的空心圆特性快速确定新建充电站位置的方法。（3）模型求解算法改进。针对充电站选址问题符合离散选址模型中P中位问题的特点,首先选用免疫算法与粒子群算法相结合,解决了单纯使用免疫算法或粒子群算法时收敛速度慢、求解精度差、调整参数多的问题,并将混合算法应用到了静态充电需求的充电站选址模型的求解中,通过仿真实验对算法改进的有效性进行了验证;然后使用改进的鲸鱼优化算法解决了原算法求解精度低、搜索能力不足的问题,并通过15个基准测试函数分析了算法改进的有效性,并将改进的鲸鱼优化算法应用到多目标选址模型的求解中。综上所述,本文主要研究了动态充电需求下的电动汽车充电站选址问题,考虑用户与企业双方的利益建立了选址布局模型,基于充电站选址问题具有大规模、多约束、非线性的特点,对模型求解算法进行了针对性的改进,提高了算法的收敛速度和求解精度,为电动汽车充电需求的准确预测与充电站的合理规划提供了决策参考。