A medida que los vehículos eléctricos (VE) se vuelven más comunes y la necesidad de prácticas energéticas sostenibles está creciendo, es una necesidad una mejor gestión de las cargas de estaciones de carga de VE. El simple acto de integrar energía renovable de fuentes solares o eólicas en un sistema de carga de VE presenta una gran oportunidad para hacerlos aún más ecológicos y mejorar la resiliencia de la red. Este documento propone un enfoque innovador de pronóstico de consumo de energía de estaciones de carga de VE al incorporar datos integrados de energía renovable. La optimización se logra mediante la aplicación de SARLDNet, que mejora la precisión predictiva y reduce los errores de pronóstico, lo que permite una asignación de energía más eficiente y una gestión de carga en las estaciones de carga de VE. La técnica aprovecha estadísticas integrales de energía solar y eólica junto con datos detallados de utilización de estaciones de carga de VE recopilados durante 3,5 años en varias ubicaciones de California. Para garantizar la integridad de los datos, se abordaron meticulosamente los datos faltantes y se mejoró la calidad de los datos. Se empleó el enfoque de Boruta para la selección de características, identificando predictores críticos y mejorando el conjunto de datos a través de la ingeniería de características para elucidar las tendencias de consumo de energía. La descomposición de señales de descomposición de modo empírico (EMD) extrae funciones de modo intrínseco, revelando patrones temporales y aumentando significativamente la precisión del pronóstico. Este estudio presenta una nueva arquitectura de red de tallo-auxiliar-reducción-LSTM-densa (SARLDNet) diseñada para un análisis de regresión robusto. Esta arquitectura combina regularización, capas de salida densas, aprendizaje de contexto temporal basado en LSTM, reducción de dimensionalidad y extracción temprana de características para mitigar el sobreajuste. El rendimiento de SARLDNet se compara con modelos establecidos, incluidos LSTM, XGBoost y ARIMA, demostrando una precisión superior con un error porcentual absoluto medio (MAPE) del 7,2%, un error cuadrático medio (RMSE) de 22,3 kWh y una puntuación R de 0,87. Esta validación del potencial de SARLDNet para aplicaciones del mundo real, con su precisión predictiva mejorada y tasas de error reducidas en varias estaciones de carga de VE, es motivo de optimismo en el campo de la energía renovable y la planificación de infraestructuras de VE. Este estudio también enfatiza el papel de la infraestructura en la nube para habilitar el pronóstico en tiempo real y el soporte a decisiones. Al facilitar el procesamiento de datos escalable y eficiente, las ideas generadas respaldan la gestión de energía informada y las decisiones de planificación de infraestructuras en condiciones dinámicas, capacitando a la audiencia para adoptar prácticas energéticas sostenibles.