随着能源与环境问题的日益显现,作为传统能源汽车的理想替代品,电动汽车得到一定的发展,其充电负荷预测问题现已成为研究热点。然而,实时交通流量会影响到快充电站中电动汽车的到达率,而到达率直接影响到电动汽车充电负荷（Electric Vehicle Charging Load,EVCL）的大小,同时,快速充电站服务能力限制及用户行为会导致电动汽车充电过程具有较大的不确定性,这会使得EVCL的精确预测更加困难,现有多数研究未能充分考虑这些因素。作为快速充电站运营的重要参考,EVCL的预测精度关系到快速充电站的经济运行与能量管理;同时,作为电力网络中的一类负荷,EVCL的预测结果关系到电力网络的运行状况。因此,精确的EVCL预测具有重要的意义。为了有效预测EVCL,本文以快速充电站内采用快充方式的电动汽车的运行特点为基础,将上述因素:实时交通流量、快速充电站服务能力限制及电动汽车用户行为纳入考虑范围。为此,本文需要先对交通流量进行预测,为了实现交通流量的精确预测,本文在基于注意力机制的时空图卷积网络（Attention Based Spatial-Temporal Graph Convolutional Networks,ASTGCN）模型的基础上,提出了基于权重融合的时空图卷积网络（Weight Fusion Based Spatial-Temporal Graph Convolutional Networks,WSTGCN）模型,WSTGCN模型针对ASTGCN模型的残差和组件融合,分别使用带卷积操作的残差和权重融合机制进行改进,其中带卷积操作的残差可使网络训练更加平稳,权重融合机制可使各组件输出结果间相互影响权重得到优化,最后基于WSTGCN模型对交通流进行预测。实时交通流对电动汽车到达率有重要影响,作为EVCL预测的输入,电动汽车到达率会影响充电负荷大小,基于交通流量预测结果,本文同时考虑实时交通流量、电动汽车普及率以及电动汽车经过快速充电站的充电概率,通过一定比例将交通流转化为到达率,对电动汽车到达率进行估计。基于电动汽车平均到达率的估计结果,本文充分考虑快速充电站服务能力限制和电动汽车用户行为,对电动汽车提前离开快速充电站的原因进行分类,采用排队论模型模拟电动汽车的充电过程,建立了基于排队论模型的EVCL预测模型,对EVCL进行预测。实验结果表明:本文所提出的WSTGCN交通流模型相较于ASTGCN及其他对比模型的预测性能更佳,提升了交通流量的预测精度。本文所建立的基于排队论的EVCL预测模型能够对EVCL进行有效预测。