为应对能源和环境方面的双重压力,电动汽车因具有污染小、能源效率高等特点,成为了缓解能源危机与解决“双碳”问题的有效途径,但大量无序充电的电动汽车接入电网时因具有较强的不确定性,会对电网运行造成的巨大影响。本文以电动汽车充电事件数据集ACN-Data为基础,分析了电动汽车的负荷特性,构建了电动汽车充电负荷模型及管理框架,以及应用了自适应充电网络仿真平台,该平台以真实的物理充电设备为基础,能够为电力基础设施提供充足的充电潜力,以该平台为背景,围绕电动汽车的充电调度优化问题以及相对应的优化策略展开研究,主要内容包括:（1）针对电动汽车充电负荷具有季节性和随机性波动强等问题,提出了一种考虑周期性特征的基于季节性差分自回归移动平均模型（Seasonal Autoregression Integrated Moving Average,SARIMA）和长短期记忆网络（Long Short Term Memory,LSTM）混合模型的电动汽车充电负荷预测方法。该方法结合了SARIMA擅长处理线性数据的特点和LSTM擅长处理非线性、随机性等特点,并且引入周期性特征,来提高电动汽车充电负荷的预测精度,在MAPE指标下较一般机器学习模型至少提升了23.68%的预测性能,能够准确地预测电动汽车的充电负荷,为后续的电动汽车充电调度优化提供基础。（2）针对园区充电桩的电动汽车无序充电行为,给出了一种基于凸优化算法的电动汽车充电调度优化策略。采用分时电价用于提高用户参与有序充电的积极性,并在用户充电电价中引入动态尖峰时段以及尖峰加价,并制定了动态电价实施方案。建立了以用户充电成本最低、充电峰值最低、负荷波动最小以及缓解电池退化为目标函数的充电优化模型,利用基于内点法的二阶圆锥规划算法对模型进行求解。较无序充电行为,至少降低了电动汽车高峰充电时电网34.90%的压力,缓解电动汽车充电时电网的负荷波动程度,以及一定程度上缓解电动汽车中电池的退化问题,并且降低了充电成本。（3）针对分布式能源出力和电动汽车充电负荷的不确定性影响,研究了一种基于拉格朗日松弛法的电动汽车有序充电和与分布式能源协同控制的调度优化策略。该方法能够平抑分布式能源的出力波动,降低用户成本。同时进行可再生能源的不确定建模,建立电动汽车的充电负荷响应模型,并利用朗格朗日松弛法对模型进行求解。在实验验证中,计及分布式能源出力的季节性差异,对冬季和夏季两种情景下的优化结果进行了讨论,在保证光伏利用率的基础上,提高了能耗的需求满足率,并且降低了充电成本。