电动汽车的快速增长对电网的安全稳定运行带来巨大的挑战。但电动汽车与电网互动(Vehicle-to-grid&Grid-to-vehicle,V2G&G2V)技术可以为电网提供分布式储能服务,是未来智能电网的重要组成部分。而实现V2G技术的关键在于快速地实现精确的电动汽车可调度容量预测(Electric Vehicle Schedulable Capacity Forecast,EVSCF)。但随着电动汽车的应用规模不断增加,电动汽车的数据规模呈爆炸式增长,这对数据挖掘分析和可调度容量预测模型的建模提出了更高的要求。同时,在大数据驱动的背景下,传统的机器学习算法将不再适用于EVSCF。本文重点围绕大数据分析和机器学习方法在EVSCF中应用以及EVSCF应用于微电网能量管理问题展开研究,主要研究内容和创新点如下:1.针对传统机器学习算法的缺陷,本文基于Hadoop和Spark并行处理框架的大数据平台,对传统的随机森林算法和梯度提升决策树算法进行并行化改造,构建了适用于EVSCF的并行随机森林算法和并行梯度提升决策树算法,以及深度学习中的长短期记忆网络算法,解决单机条件下处理海量数据的耗时问题和预测精度问题。2.考虑电网对电动汽车调度的多时间尺度需求,建立了实时1分钟、超短期1小时和日前24小时等三种时间尺度的EVSCF模型。为了验证所提出的方法,与传统的基于概率模型建模方法不同,本文以电动汽车公交车的实际运行数据作为数据来源,并基于搭建的大数据平台和深度学习平台,对比了并行随机森林、并行梯度提升决策树和长短期记忆网络三种算法的预测结果。仿真计算结果表明所提出的并行梯度提升决策树算法的预测精度优于其它两种算法,其中超短期EVSCF模型的MAPE误差值和RMSE误差值可达3.37%和3.96%,有效降低了预测误差,减少了计算时间。3.构建了包含光伏-风机-储能-电动汽车的微网能量管理系统(Energy Management System for Microgrids,MG-EMS)模型,创新性地提出了电动汽车可调度容量的滚动预测方法。根据不同时刻的光伏、风机、负荷的预测结果,以及电动汽车可调度容量的滚动预测结果,动态参与EMS调节。经过未考虑V2G和考虑V2G场景下的对比,算例分析结果表明,本文提出的模型能够在保证新能源发电经济效益和电动汽车日常使用需求的同时,实现经济调度的目标。