电动汽车（Electric Vehicles,EVs）在各国相关政策的大力鼓励下,渗透率大大增加。随着智能电网的发展,车辆并网（Vehicle to Grid,V2G）技术可以实现EVs作为储能设备向电网放电,进而通过有序的EVs充放电调度策略调节电力峰值、平抑电网负荷。而调度策略中需要考虑的一些因素是不确定的,不确定因素的预测是实际应用EVs充放电调度策略的前提。本文主要围绕电网代理商区域应用EVs充放电调度需要的预测方法和调度策略两方面进行研究。首先,构建一个考虑V2G的代理商运营模式及模型,并对该区域内的EVs采用基于博弈和需求响应的调度框架。通过仿真算例分析了在该模型及调度框架下,EVs充放电对区域负荷的影响,以及基础负荷预测的偏差对调度结果的影响。其次,针对智能电网中不确定因素预测的深度学习模型的优点与不足,基于神经翻译网络设计了可以考虑间隙时间段的预测模型,进而提高预测精度及扩展使用范围。局部边际电价的实验结果表明,在不同的预测时段条件下,所设计模型的预测效果在四种评估指标上比主流的深度时间序列预测模型的效果要好,训练参数随着预测规模的增大而增多的比率最小,感知尖峰和峰值的能力较好。居民负荷的预测实验结果表明,预测的偏差在可接受范围之内,预测值用来进行优化调度具有可行性。最后,基于居民基础负荷的预测,进行了EVs的充放电调度研究。针对EVs用户在实际充放电中需要考虑额外成本因素的问题,将充放电效率、电池老化、用户满意度等成本因素考虑进用户的目标函数中。构建了以用户充放电综合成本最小为目标的多人非合作博弈,并将该博弈问题转化成一个优化问题,给出了集中式和分布式的求解方法。先对是否考虑各成本因素的用户目标进行仿真与分析,然后使用综合的目标函数对大量EVs渗入的情况进行仿真。仿真实验结果表明,该调度策略不仅可以减少每个用户的综合成本,还可以平稳负荷、减少代理商的成本。