随着化石能源日益枯竭,自然环境不断恶化,更加节能、清洁的电动汽车成为人们未来出行的必然选择,城市内电动汽车充电站的数量也不断增加。如此大量电动汽车负荷的接入必将会对电力系统造成巨大影响,消除电动汽车负荷给电力系统带来的不利影响,将电动汽车负荷转化为对电力系统稳定有利的工具,其关键在于精准的电动汽车充电站负荷预测。电动汽车充电设备及其他智能传感器在记录数据时,难免会因设备故障、断电等因素漏记、重复记录和异常记录数据。为消除这些不良数据在模型训练时带来的不良影响,本文提出利用日期类型相同的原则对漏记数据进行填补,利用自适应近邻排序算法剔除重复记录数据,利用K均值算法检测异常记录数据。同时,为解决各类负荷预测数据量纲及数量级数值相差大的问题,利用数据标准化方法对这些数据进行标准化处理。针对传统电动汽车充电站负荷预测精度不高、预测模型泛化能力不强等问题。本文将随机森林算法和卷积神经网络进行融合,提出一种基于随机森林和卷积神经网络的混合预测模型。该模型利用随机森林算法提取时序负荷预测数据,完成对单个充电设备的负荷预测,通过建立时空矩阵记录各个充电设备的相对位置信息,再利用卷积神经网络完成对二维矩阵的特征提取,最终完成电动汽车充电站的负荷预测。以甘肃兰州段家滩充电站数据为算例,并将RF-CNN(Random Forest and Convolutional Neural Network)模型与支持向量回归机(Support Vactor Regerssion,SVR)、BP(Back Propagation Neural Network)神经网络和长短期记忆(Long Short Term Memory,LSTM)神经网络模型作对比。实验结果表明,所提基于RF-CNN的充电站负荷预测方法有较高的预测精度和较强的泛化能力。精准的电动汽车充电站负荷预测在改善电力系统的经济性和稳定性方面起着十分重要的作用。智能检测设备和智能传感器广泛部署在电动汽车上,产生了大量数据,这些数据是复杂多样的,大多数电动汽车充电站负荷预测方法无法很好地处理如此庞大、复杂多样的数据。为充分提取训练数据特征,提高电动汽车充电站负荷预测精度,提出了结合门控循环单元(Gate Recurrent Unit,GRU)和卷积神经网络(Convolutional Neural Network,CNN)的GRU-CNN(Gate Recurrent Unit and Convolutional Neural Network)混合神经网络模型,利用GRU模块能有效提取时序数据的特征向量,利用CNN模块能提取二维矩阵数据特征。在实际算例中对所提模型进行了测试,并与BP,SVR和LSTM预测模型进行对比。实验结果表明,利用GRU-CNN混合神经网络预测的MAPE和RMSE值最低,所提的GRU-CNN模型可以更充分地利用数据,实现更准确的电动汽车充电站负荷预测。