随着能源互联网的发展,高比例可再生能源、分布式电源、柔性负荷等逐渐接入到电网中,对新运行场景下电网的运行产生一定程度的冲击。新运行场景中,用户用电由单一的被动用电转变为形式多样的主动参与,用电形式更加多样化,用户用电量的不确定性逐渐增加,同时,电动汽车的接入对电网运行产生了一定程度的影响,而准确的负荷预测有利于源端合理安排发电计划及电网实时调整交易电价。因此,为使电网更加合理安排发售电计划以及进一步完善用户需求侧响应管理,开展新运行场景中对电动汽车充电站以及居民用户的负荷预测具有重要意义。首先,随着能源互联网的发展,越来越多的用户参与到电网的运行中,通过对用户进行短期负荷预测可为电网决策提供理论依据,如分配发电计划以及制定电价,所以对用户进行准确的负荷预测是电网的重要工作之一。其次,针对新运行场景中的负荷预测问题,本文结合深度学习中的堆栈自编码器与极限学习机算法提出了 SAE-ELM算法,实现了对电动汽车充电站的负荷预测。电动汽车充电站的用电负荷数据复杂,针对异常缺失数据采用均值替代法对其进行预处理;分析影响充电站负荷预测的因素,如历史负荷数据、温湿度、日类型,构建仿真实验数据;针对SAE-ELM中的关键参数,如学习率、模型层数、节点个数等进行优选,提高模型预测效果。通过采用MSE,RMSE,MAE和MAPE四种衡量误差方法,将本文所提的SAE-ELM算法与SAE-BP、ELM进行对比实验,结果表明本文提出的基于SAE-ELM的充电站负荷预测算法具有更高的预测精度。最后,将SAE-ELM算法用于普通居民用户负荷预测时,预测效果不佳。针对此问题,本文延续编解码器的思想,结合LSTM处理时间序列方面的优势,提出基于LSTM的Seq2seq编解码器算法,实现了对居民用户的负荷预测。通过自相关系数法确定影响居民用电负荷的模型阶数;针对模型的关键参数,选择合适的Attention机制以及残差机制,并确定模型的层数、节点个数以及学习率等,提高模型预测的准确度。通过采用MSE,RMSE,MAE和MAPE四种衡量误差方法,将本文所提方法与RNN、LSTM以及GRU相比,结果表明采用基于LSTM的Seq2seq编解码器模型对居民用户进行负荷预测误差最小。同时将该模型对小规模居民用户以及电动汽车充电站进行负荷预测均取得较高准确率。