电力负荷预测技术是能源电力系统长期以来的难点和重要研究热点。精准的电力负荷预测模型,在维持电力系统安全稳定、经济高效的运行任务中担任着重要的角色。传统的电力负荷类型包括个人住宅用电、工商业用电等,其相关负荷类型的预测技术研究已经趋近于成熟,在宏观层面已经取得了较好的预测精度。随着科技的快速发展,人工智能和大数据技术正在通信、电力、制造等各行业发挥着重要作用。随着新能源汽车的发展,传统电网面对着大规模新能源汽车充电时的高电量,强突变,高随机性的电力负荷并入,对电网系统尤其是配电网层面造成了巨大压力。高精度多时间尺度的新能源汽车充电负荷预测,有望缓解电动汽车对电网的影响和冲击,对电力系统的最优规划、安全经济运行等方面提供重要支撑。电动汽车充电负荷不同于传统电力负荷,它具有更强烈的行为随机性。随着电动汽车规模的扩大,数据量的增长,传统模型已不能满足现在的预测精度要求。为解决电动汽车充电负荷对现有负荷预测技术带来的挑战,本论文基于人工智能背景下的时间序列深度神经网络技术,提出了面向不同时间尺度的电动汽车充电负荷预测方法。本论文主要研究内容和创新点如下:1.提出了一种长短时记忆网络(Long Short-term Memory,LSTM)的电动汽车充电负荷预测深度学习模型,选用深圳市永联公司六约充电站历史一年的充电负荷数据,进行了数据预处理以及特征分析;2.针对合作公司对于充电站监控系统中充电桩安全监视的问题,提出了一种分钟级超短时电动汽车充电负荷的Encoder-Decoder LSTM模型,并将该方法与人工神经网络,循环神经网络,门控循环单元,自动堆叠编码器以及双向长短时记忆网络等五种人工智能时间序列预测算法进行实验结果对比,所提的E-LSTM模型在三种时间步长情境下预测平均误差仅为2%,相比于人工神经网络(Artificial Neural Network,ANN)降低了9%左右;3.针对充电站小时前调度以及日前调度计划安排等问题,深入分析多种影响因素对充电负荷模型的影响。具体而言,由于小时级的负荷数据时间跨度大,变化规律难以捕捉,本论文选用充电时长、节假日工作日类型、谷平峰充电时段、实时电价、实时气温五种特征作为输入特征对小时级以及日充电负荷进行预测,为解决高维度输入带来的计算冗余,将注意力机制引入到Encoder-Decoder LSTM模型中,提出一种EA-LSTM小时级\日充电负荷预测模型,并将其与人工神经网络,循环神经网络,长短时记忆网络等三种序列预测算法进行实验结果对比,所提出的模型在小时级充电负荷预测任务中平均预测误差为1.17%,相比于ANN降低了3%左右;在日充电负荷预测任务中在四种时间步长情境下平均预测误差为8.73%,相比于ANN降低了2.74%。本文提出的电动汽车高精度充电负荷预测方法,对电网层面大规模电动汽车充电的柔性接入、实时监控以及火电机组日前和短时储能调度具有决定性作用,对电力系统的安全经济运行具有重要意义。