近年来大规模的新能源汽车接入配电网对传统配电网的安全运行造成影响,而电动汽车（Electric vehicles,EV）作为高度灵活的移动储能单元,EV用户在电力市场各种激励影响下进行需求响应,将改变负荷特性并影响负荷预测。针对传统预测方式没有考虑具体场景的问题,本文依据需求侧的激励因素和电动汽车的充电行为,将电动汽车充电桩所在区域划分为居民区和公共区分别进行预测研究,提出了计及需求响应的充电负荷分区预测方法,具体工作如下:（1）为研究电力需求响应纳入电动汽车资源背景下的充电负荷特征,选取上海试点案例对充电行为和需求响应参与度进行分析,结果表明电动汽车充电的灵活程度因地区而异。根据试点结果选取CAISO现场试验和Elaad NL项目的两个不同充电区域的真实数据集,并利用自相关图、皮尔森相关系数等统计学方法,探索两个数据集的充电负荷与影响因素的关系。最后根据分析结果对数据进行预处理,并通过相关特征融合,得到一组新的特征——预测日相似度。（2）针对居民区用户对价格型需求响应参与度较高的特点,提出一种基于实时电价分解的双向长短期记忆（Bidirectional Long Short-Term Memory,Bi-LSTM）多步融合方法。考虑到实时电价对居民区充电负荷的影响,利用小波变换对实时电价进行分解,提取出细节特征。为解决小波分解存在训练时间长的问题,利用K均值聚类算法和决策树提取相似日,避免大量无效数据可能对训练阶段造成的影响。考虑到未来信息对负荷产生的影响,在传统的LSTM的基础上加入反向传递机制,从而使Bi-LSTM模型能够同时考虑过去与未来的影响。针对单一LSTM模型的误差累积问题,通过将递归多步预测和多输出预测融合,建立基于Bi-LSTM的多步融合模型,结合了滚动预测的准确性和多输出预测的整体性。（3）针对公共区用户需求响应参与度高、充电负荷波动性强的特点,提出一种基于响应特征分解的CNN-AM-Bi LSTM组合预测方法。根据需求响应信号的可预知性和季节性信号的独立性,利用小波分解等方法对公共区充电负荷在不同层面进行分解,形成季节性基础负荷和需求响应主导负荷。对季节性基础负荷进行平稳性分析,根据分析结果进行时序预测。针对需求响应主导负荷的影响因素多且难以获取的问题,利用卷积神经网络（Convolutional Neural Networks,CNN）提取深度特征,并引入注意力机制（Attention Mechanism）使Bi-LSTM模型更关注到与负荷信息最相关的特征,从而提高预测效果。最后将两部分预测结果叠加,得到公共区域电动汽车充电负荷预测结果。