新能源是中国加快孵化和发展的战略性新兴产业之一。随着能源结构改革的不断深入,风电并网容量不断增加,电动汽车规模也逐渐扩大,新能源成为智能电网的重要组成部分。然而,这也给电网稳定运行带来影响,如何消纳夜晚弃风和引导用户有序用电成为热点问题。本文基于深度学习方法的负荷预测结果,以消纳风电为目标,提出考虑用户需求响应的分时电价策略并进行场景应用,实现电动汽车充电优化调度。首先,研究基于深度学习的电力负荷预测方法,为制定分时电价做好准备。采用膨胀卷积、残差连接和跳过连接等,构建卷积神经网络。为了提高效率和精准度,引入Tent映射和模拟退火机制对飞蛾扑火算法进行改进。基于卷积神经网络结构和优化算法,建立改进的飞蛾扑火算法优化卷积神经网络模型（IMFO-CNN）,用于负荷预测,在网络输入中增加气象条件等数据预测负荷和新能源出力,有效提高了预测精度。然后,结合电价弹性理论,使用k-means聚类算法将用户分为弹性系数不同的几类群体,采用FCM聚类算法将一天合理划分为峰平谷时段,从而制定不同的分时电价方案。在园区微网和配电网两个场景下,面向不同的用户群体分别制定分时电价策略,整体定价方案和分类定价方案均有效实现减小峰谷差和消纳风电的目标,并讨论了场景适用性。最后,基于汽车出行的历史数据,建立电动汽车出行行为模型,确定每辆电动汽车和电动汽车群体的可用性。考虑可用车辆不确定性和电池SOC不确定度,制定电动汽车充电优化方法并搭建仿真框架。在分时电价场景下,相比于为考虑不确定性的有序充电和无序充电,所制定充电优化方法使用户充电成本和负荷峰值明显降低。