随着风、光等清洁能源接入,电网在能源供需平衡上面临挑战,快速增长的电动汽车充电负荷进一步威胁到配网运行稳定性。因此,分布式储能的研究和应用逐渐得到业内重视。近年来,电网属性的这些复杂变化为负荷预测带来了新课题,也为通过负荷预测来提升配网的需求响应能力带来了契机。本文针对当前电动汽车大量接入的背景,研究了一种考虑电动汽车接入的负荷预测方法,并结合预测结果对系统内分布式储能的配置问题进行了优化。本文首先采用蒙特卡洛模拟法建立了电动汽车的充（放）电负荷模型,得到了在无序充电、有序充电、V2G模式下电动汽车充（放）电负荷特性曲线,并讨论了其对电网负荷特性及负荷预测结果的影响。随后提出了一种考虑电动汽车充电负荷影响的CNN-LSTM联合预测方法,此方法是基于卷积神经网络及长短期记忆网络的特征构建的,分别对电动汽车充电负荷和常规负荷进行预测,并叠加得到总的预测负荷值。通过与其他方法对比,验证了本文提出的CNN-LSTM预测方法具有较好的预测精度,且此方法对电动汽车大量接入的场景具有较好的适用性。随后,本文建立了分布式储能的充放电模型,并对电动汽车参与V2G时的充放电行为进行了模拟,进而分析了上述行为对电网负荷特性的影响,同时讨论了CNN-LSTM联合预测方法在电动汽车参与V2G放电情况下的适用性。在此基础上,本文结合电力负荷预测结果,提出了一种以系统峰谷差最小为优化目标的分布式储能优化配置算法。首先制定了分布式储能装置的选点定容原则,使用网损灵敏度标准差作为选址指标;随后结合前文的CNN-LSTM联合预测方法,预测了系统传统负荷及电动汽车充（放）电负荷,并分别在配电网中无电动汽车接入、电动汽车无序接入、电动汽车有序接入、电动汽车参与V2G调度四种情景下,以负荷峰谷差最小为优化目标,使用PSO粒子群优化算法对储能充放电功率进行了优化,确定了储能接入的合适容量,并对比了储能接入前后的峰谷差、网络损耗等系统参数;最后在实际系统中验证了储能的运行情况,并对比了四种情境下储能的投资成本及预期收益。