Los sistemas de carga de vehículos eléctricos (VE) son ahora parte integral de las redes inteligentes, aumentando la necesidad de una detección de ciberataques robusta y escalable. Este estudio presenta un sistema de detección de intrusos en línea que aprovecha un clasificador de Bosques Aleatorios Adaptativos con detección de cambio de ventana adaptativa para identificar amenazas en tiempo real y en evolución en infraestructuras de carga de VE. El sistema se evalúa utilizando tráfico de red del mundo real del conjunto de datos CICEVSE2024, asegurando su aplicabilidad práctica. Para la detección de intrusos binaria, el modelo logra una precisión del 0.9913, una precisión del 0.9999, un recall del 0.9914 y un puntaje F1 de 0.9956, demostrando una detección de amenazas altamente precisa. Maneja eficazmente el cambio de concepto, manteniendo una precisión promedio del 0.99 durante eventos de cambio. En la detección multiclase, el sistema alcanza una precisión, precisión y recall de 0.9840, con un puntaje F1 de 0.9831 y una precisión promedio de eventos de cambio del 0.96. El sistema es eficiente computacionalmente, procesando cada instancia en solo 0.0037 s, lo que lo hace adecuado para implementación en tiempo real. Estos resultados confirman que los métodos de aprendizaje automático en línea pueden asegurar de manera efectiva las infraestructuras de carga de VE. El código fuente está disponible públicamente en GitHub, asegurando la reproducibilidad y fomentando futuras investigaciones. Este estudio proporciona una solución de ciberseguridad escalable y eficiente para proteger las redes de carga de VE de amenazas en evolución.