随着能源可持续发展和化石能源枯竭的问题出现,以清洁能源为驱动力的电动汽车广受关注。由于电动汽车的推广政策和环保特质,其规模发展速度迅猛。然而,电动汽车的充电需求充满随机性和复杂性,大规模电动汽车的充电负荷入网会加大电网的负担,影响电力系统的安全和稳定运行。本文通过分析电动汽车的历史充电负荷数据,根据电动汽车充电负荷时间序列的特性分析建立以数据驱动的数据挖掘模型,完成对电动汽车充电负荷的准确预测。然后通过电动汽车的预测信息完成电动汽车与智能电网的V2G有序互动,实现对电动汽车充电功率的入网控制。本文以西南地区某城市的电动汽车充电需求为研究基础,数据来源是该地区电动汽车监控平台搜集到的该地区真实的电动汽车充电负荷数据。首先,本文提出了一种基于时间序列分解和集成学习方法的电动汽车充电需求预测。电动汽车的原始充电负荷时间序列过于复杂所呈现的规律性较差,通过经验模态分解方法将原始的充电负荷时间序列进行加性分解。在利用集成学习方法进行预测时,分量全部输入到基学习器中进行学习输出会导致模型的计算复杂度增加,误差变大。使用模糊熵方法对所有分量进行模糊熵值的计算,复杂度计算值相同的分量进行合并处理。合并后的分量按照含有特征频率信息的丰富度分为高频子序列和中低频子序列,高频子序列选择LSTM基学习器,中低频子序列选择SVR基学习器进行集成输出。此外,电动汽车的充电需求还与温度、湿度数据和前一日电动汽车充电需求的时滞数据有关。温湿度数据、基学习层的输出和电动汽车充电需求时滞数据一起输入到元学习层的全连接神经网络中进行训练输出得到最终模型的预测结果。通过与其他经典算法进行比较,验证了所提模型的有效性和准确性。其次,提出了基于V2G技术的电动汽车分群互动控制策略。通过电动汽车的能量边界模型将具有相同充放电负荷特性的电动汽车进行分群管理。控制调度中心根据电动汽车充电负荷预测与居民区常规负荷预测计算电网对电动汽车充放电负荷容纳能力,并且根据该计算值下达电动汽车充放电指令。电动汽车根据相关综合指标的计算值作为响应充放电调度计划的优先级指标,电动汽车的分配功率需满足其自身的充放电约束并且响应功率总和不能高于负荷调度值。最后以电网负荷波动最小和电动汽车充电花费最低为目标函数建立电动汽车在时间上分布的最优充放电调度计划,该方法能有效的降低电动汽车无序充电给电网带来的波动影响,减少用户的充电费用。