电动汽车以电能作为动力源,具有良好的清洁和环保效益。电动汽车的大量普及可以提高交通能源的可持续利用,但同时也会带来新的挑战:一方面电动汽车规模的扩大将造成巨大的充电设施配建缺口;另一方面大规模电动汽车随机接入电网会对电力系统的安全性与经济性造成不良影响。针对上述两方面的问题,为实现电动汽车与智能电网的融合发展,本文基于项目自建智能化集成运营管理系统平台采集的电动汽车行驶数据,以电动汽车为侧重点,对电动汽车充电设施选址优化、有序充电以及车辆到电网(VehicletoGrid,V2G)策略进行了深入研究。具体工作如下:为更加准确地描述电动汽车用户的充电特性,本文通过电动汽车行驶数据分析了用户的出行与充电行为特征,以及电动汽车充电负荷在时间和空间上的分布规律。建立了历史平均负荷预测法、车队特征预测法和个人特征预测法三种不同充电负荷预测方法对应的预测模型,并通过一段行驶数据对比了三种方法的预测效果。结果显示个人特征预测法进行充电负荷预测的均方根误差为2.5511kW,远低于另外两种方法,具有更佳的预测精度。充电负荷的预测为充电设施选址优化与电动汽车充放电策略研究奠定了基础。为更加客观实际地对充电设施进行选址,本文提出了一种基于电动汽车行驶数据驱动的充电设施优化选址方法。在分析电动汽车充电需求点空间分布的基础上,确定了充电设施备选点的选取方法以及研究了数据量的大小对备选点选取的影响。建立了充电设施选址的数据驱动优化模型(Data-drivenOptimizationModel,DDOM),并采用遗传算法对其进行求解。优化后的充电点与优化前相比,不仅让电动汽车的过放电率从68.1%降为39.6%,而且使充电设施的日均利用时长提高了63%。此外,还分析了电动汽车的过放电率与充电点数量、充电设备预算成本以及额定续航里程之间的关系,以及充电点数量的增加与保留率之间的关系。最后通过实际充电站点的运营数据验证了该充电设施选址方法的可行性与有效性。为降低大规模电动汽车的随机充电对电网运行产生的如负荷过载等不利影响,针对电网到车辆(GridtoVehicle,G2V)单向功率流模式,本文提出了一种考虑用户充电选择的集中式数据驱动有序充电策略。介绍了考虑用户充电选择的充电方法,并在此基础上建立了电动汽车在时间维度上的充电调度模型。通过电动汽车的行驶数据对比分析了数据驱动有序充电、模型驱动有序充电和无序充电三种充电策略的调度能力。结果显示,数据驱动有序充电策略将电网负荷峰谷差与等效负荷波动分别减小了22.2%与22.7%,并且大大降低了用户的充电成本,效果要优于另两种充电策略。此外,分析了用户充电选择对充电策略的影响,结果表明考虑用户充电选择的有序充电策略,能有效减少用户充电模式的选择所引起的调度偏差。针对V2G双向功率流模式,本文提出了一种基于电动汽车行驶数据驱动的V2G充放电策略。讨论了适合V2G的电力服务类型,明确了V2G参与调峰服务的优势,并确定了电动汽车充电和放电优先级的计算方法。为了更准确地计算电动汽车V2G服务中用户的整体利益,对V2G服务中电池产生的损耗成本进行了详细分析。在此基础上建立了“人-车-网”一体的数据驱动V2G调度模型,并采用电动汽车行驶数据进行了计算分析。结果显示该V2G策略不仅可以将电网负荷峰谷差与等效负荷波动分别降低32.2%和39.2%,还能显著降低电动汽车用户的用电成本甚至形成收益,验证了该V2G策略的可行性与有效性。本文的研究成果可对充电设施建设的有效性和合理性提供理论指导,对充电设施规划、未来V2G商业运营模式选择等具有重要的参考价值,对推动电动汽车的普及具有重要意义。