摘要：新能源汽车产业的爆发式增长加剧了“车桩网”之间的数据壁垒，制约了行业协同效能与数据价值释放。为解决多源异构数据融合难、监管效率低、数据赋能不足等问题，本文设计并实现了面向"车桩网"协同的新能源汽车大数据平台。平台基于分层解耦架构，融合物联网、大数据与 AI 技术，构建了统一的数据标准、数据治理与智能分析体系。实践表明，该平台在政府监管、企业运营和公众服务领域实现了典型应用赋能；为政府监管提供了可视化监控与高效补贴核查能力，核查效率提升约 60%；为企业运营提供了数据驱动的充电站选址、精准营销、动态调价策略，助力充电站收入平均提升约 10%；为公众提供一站式便捷充电服务。该平台能有效打破数据壁垒，推动大数据分析与业务场景深度融合，为行业提升协同治理水平、企业实现智慧运营、用户获得良好体验提供了可行的技术路径，对产业数字化转型提供参考，助力新能源汽车产业持续健康发展。

关键词：新能源汽车；车桩网协同；大数据；数据治理；应用赋能

1.绪论

1.1 研究背景

在全球能源紧缺与污染加剧的双重压力下，发展新能源汽车已成为我国践行“双碳”战略、优化能源结构、促进产业升级的国家战略。《中国制造 2025》将新能源汽车提升至国家战略[1]，《新能源汽车产业发展规划（2021—2035 年）》进一步强调：

电动化、网联化、智能化是汽车产业的趋势和主流方向[2]。依托 中央与地方的政策合力，我国新能源汽车产业实现了跨越式发展。截至 2025 年上半年，全国新能源汽车保有量已突破 3600 万辆，占汽车总量的 10.27%[3]，产业规模稳居世界首位。

然而，新能源汽车产业的高速扩张，正同步放大治理难度。面临的突出问题是“数据孤岛”：车辆运行、充电设施、订单及电网负荷分散于不同的车企、桩企、电网与政府部门中，各部门数据标准不一，接口各异，互联互通受阻，协同效率不足。其次，安全监管、补贴核查、行业统计，仍以人工为主，效率与精度不足，自动化、智能化缺失，亟需精准、高效手段提效。最后，数据价值远未释放：用户行为、能源网络、城市交通、公共安全等多维信息沉睡在各自系统中，缺乏统一、高效的治理和深度分析框架，致使大量数据“静待闺中”，若能成功转化，可为政府政策制定、企业运营、公众服务提供高价值的数据支撑。

1.2 研究意义

在此背景下，运用大数据、物联网、人工智能等现代信息技术，构建一个能够打通“车桩网”全链条数据的协同化大数据平台，不仅是破解当前行业发展管理难题的迫切需求，更是推动新能源汽车产业迈向高质量发展新阶段的重要抓手[4]。本研究聚焦于新能源汽车“车桩网”大数据平台建设，其理论意义在于丰富和发展数字治理在垂直行业领域的应用理论，探索“数智融合”、“数据驱动”的创新管理模式。本文旨在设计与实践这样一个平台，对于提升行业监管效能、激发数据要素价值、赋能产业数字化转型、推动产业健康发展具有重要的现实意义。

1.3 本文工作与思路

本文的核心工作是设计并实践一个集成车辆、充电设施与电网数据于一体的“车桩网”协同大数据平台。本文围绕“数据驱动”的核心思想，系统性阐述了大数据平台所涉及的物联网数据采集、大数据处理与分析、数据可视化等关键技术，在思路上摒弃了单一技术或管理的视角，强调技术架构与管理机制的协调运作。具体包括以下三个方面：其一，平台顶层架构设计，基于“车

桩网”协同管理的思想，设计一套通用性强的技术架构，明确各层级功能和技术选型。其二，针对多源异构数据融合与数据治理等关键技术难题，致力于整合来自不同部门、不同企业、不同标准的数据，打破数据孤岛，统一数据标准。其三，通过安全预警、补贴核查、运营分析、充电站选址等典型应用场景，验证大数据平台对政府监管、企业运营、公众服务的实际赋能和价值。

1.4 关键技术概述

建立车桩网信息互认机制，打破车、充电桩和电网平台之间的数据壁垒，确保信息流畅互通，以释放高灵活性用户潜力，最终推动能源与交通融合，共塑智慧绿色新未来[5]。本平台的构建融合了多项现代信息技术，其关键技术主要包括：

1.大数据技术体系：HDFS 作为分布式文件存储系统，满足海量原始数据的存储和异地备份需求；Spark 利用其强大的行计算能力，完成数据的批量计算；Flink 流处理引擎以毫秒级延迟实现对车辆运行、充电设施运营等数据的实时处理。2.数据治理理论：以完整性、准确性、及时性、一致性四维指标为核心，建立覆盖数据采集、清洗、标注、确权、共享的全生命周期标准，保障数据质量、安全、可信、可用，为上层应用提供基础。

3.智能分析技术：集成机器学习、深度学习、强化学习等人工智能算法，深挖数据价值，构建电池安全预警、充电需求预测、用户行为分析、动态电价优化、智慧电网调度等模型，实现从大数据“现状描述”到人工智能“预测未来”的跨越，为政策制定、企业运营、公共服务提供决策支持。

4.数据可视化技术：前端基于 HTML5、CSS3、JS、ECharts 构建实时大屏，具有直观性。后端则采用 Spring Boot、Flask、Django 等框架提供数据支撑。提高数据的易读性，实现对车辆运行、充电站运营、交通的可视化呈现。

5.服务接口层：API 接口面向合格第三方，开放标准数据服务，方便数据查阅和各平台的互联互通；APP 面向公众，方便公众寻找充电站，提供一站式充电服务，提升系统的灵活性、便利性和可扩展性。

1.5 本章小结

在全球汽车产业电动化转型和国家战略支持的背景下，我国新能源汽车行业发展迅速，但仍然面临数据孤岛、标准不一，不同系统各自为战，数据价值释放不足、赋能乏力等痛点。在此基础上，本文提出通过构建“车桩网”协同大数据平台的解决方案，并验证大数据平台对政府监管、企业运营、公众服务的实际赋能和价值。后续章节将围绕平台的架构设计、实现细节与应用赋能展开详细论述。

2.大数据平台的整体架构设计

2.1 平台设计目标与原则

随着新能源产业的快速发展，新能源车辆及其配套充电设施也迅速增加，基于“车桩网”一体化数字化管理产生的数据量将会达到 PB 级。而数据是大数据平台的核心资产，存储与计算层是大数据平台的中枢，承担着海量数据的存储与加工任务[6]。为实现对新能源汽车、充电设施的全方位、智能化监管，平台在设计之初就应遵循以下原则：

全面高效：平台需具备 7×24 小时不间断服务能力，利用大数据的全面性、时效性，实现对车、桩数据的全方位、全时段的采集。

安全合规：平台需要满足国家三级等保的要求，建立从数据采集、传输、存储到应用的全链路安全防护体系，并严格管理数据权限，保障核心数据资产安全。

高可用性：平台通过组件冗余、负载均衡、故障自动转移、数据多地备份等机制，确保单点故障不影响整体服务，保障业务连续性。

高扩展性：平台采用分布式、微服务化架构，具备优异的水平扩展能力。计算层与存储层均可通过增加集群物理节点的方式，实现算力资源、存储资源的线性扩容，以应对未来车辆及充电设施数据量的指数级增长。

松耦合性：各功能模块与服务之间采用接口化、服务化的方式进行通信，降低系统复杂性，便于后期独立开发、部署、升级与维护。

2.2 总体技术架构

基于上述目标，本平台设计了如图 2-1 所示的“车桩网”协同大数据平台总体技术架构。该架构遵循经典的分层解耦思想，满足了平台的高可用性、高扩展性及松耦合性，任何一层被替换、扩容、升级或故障时，其他层可做到无感知、不间断、不瘫痪。系统自下而上分为数据采集层、存储计算层、数据治理层、智能分析层，并通过统一的数据服务 API 提供支撑。大数据平台架构如下图 2-1 所示：

2.3 分层架构设计

2.3.1 数据采集层

数据采集层是平台的数据入口，负责接入多源异构、海量规模的全域数据。接入数据经过一个统一的接入网关，进行协议解析、初步清洗和格式标准化，为后续处理奠定基础。鉴于新能源车企、桩企众多且内部标准各异，针对不同数据源的特点，依照国家标准和规范，采用如下数据接入策略：

新能源车辆数据：依据国标《GB/T32960》进行数据采集，包括数据传输、通讯协议、数据格式等多种标准，填报新能源车辆的车辆型号、生产销售日期、唯一标识 VIN 码、车载电池编号等静态数据，实时接收车辆上传的运行状态、电池数据、故障信息等动态数据[7]。

充电设施数据：依据国标《GB/T39752》进行数据采集，填报充电设施的坐标定位、充电功率、外电容量、枪口编码等静态数据，实时获取充电设施的启停状态、充电电量、充电功率、充电时长、充电订单等动态数据[8]。

电网及空间数据：通过与电网公司、地图服务商系统对接，采用 API 接口与文件传输相结合的方式，定期获取负荷预测、电价信息及空间地理信息。

2.3.2 存储计算层

针对不同的数据处理需求，我们选型了不同的技术组件：

分布式存储：选用 HDFS 作为分布式文件系统，因其具备高吞吐、高可靠的特性，适合存储海量原始数据，并通过多副本策略（默认 3 个副本）保障数据可靠性。同时，选用 HBase 作为海量明细数据的存储数据库，支撑大数据实时查询和快速访问。

批量计算：选用Spark 作为批量计算引擎，利用其强大的内存计算能力和丰富的生态，完成对历史数据的 ETL（抽取、转换、

加载）、离线统计分析和机器学习模型的训练。选用Flink 作为流处理引擎，对接 Kafka 消息队列，实现对车辆数据流、充电事件流等的实时计算、处理、聚合与监控，满足毫秒级延迟的实时预警需求。

冷热数据分离：此外，我们实施了冷热数据分离存储策略，将频繁访问的热数据、近期数据，存放于高性能SSD，满足毫秒级访问，支撑实时预警和使用。将不常访问的冷数据、历史归档数据，压缩后迁移至成本更低的存储对象中，在保证性能的同时有效控制成本。

数据可视化：数据可视化作为平台能力的直接呈现，是连接数据价值与终端用户的桥梁。该层基于下层提供的统一数据服务 API，采用前端框架，如 HTML、CSS、JS、ECharts 等技术工具，其核心职能是将处理后的海量数据转化为直观的图表、图形和地图，如充电设施热力图、车辆运行轨迹图、充电设施运营统计、能耗趋势分析、设备告警事件统计等，为管理者提供“一站式”的全局数据视图，使用户能直观把握行业态势，洞察具体问题，提升数据驱动的决策效率。

2.3.3 数据治理层

新能源产业采集数据种类繁多，各部门数据标准不尽相同，且采集的大量数据中，异常数据、错误数据时有发生，因此提升数据质量是平台的核心工作。本平台设计了数据治理体系，是确保数据可用、可信、可追溯的基石。

统一数据模型，建立了涵盖“车”、“桩”、“网”核心实体的统一数据模型，通过定义标准的字段名、数据类型和度量单位，消除了数据歧义。

加大数据质量监控，通过数据质量监控平台，对数据完整性（是否缺失）、准确性（是否正确）、时效性（是否延迟）等核

心指标进行监控，对异常数据，及时告警、溯源，生成质量报告，并反向推动数据源端进行整改，进而提升整体数据质量。

按敏感等级对数据资产分级分类，建立数据安全及隐私保护，设计角色权限控制数据访问权限，建立日志体系，对敏感数据进行脱敏处理，对数据访问进行追溯，全面保障数据安全。

图 2-1 面向“车桩网”协同的新能源汽车大数据平台架构

2.3.4 智能分析层

智能分析层是深挖数据价值，实现数据价值变现的关键。本层以高质量数据为输入，通过算法建模和 API 服务为业务赋。该层以政府端、企业端及用户终端提供可订阅的增值服务，从而释放数据价值，具体包括：

1.补贴核查：提升核查效率，识别骗补行为。

2.安全检测：电池健康度评估，电池损耗，温度监测等。

3.充电站选址与布局优化：融合车流客流、电网容量、竞品距离等，输出充电站的最优布局方案。

4.用户画像与需求预测：利用神经网络与时间序列模型，刻画用户充电习惯，为精准营销和动态调度提供依据。

5.自动调价与智慧运营：以收益最大化为目标，兼顾电价、供需比及用户留存，实现最优价格策略，帮助企业最大化利润。

6.一站式充电服务体验：提供一站式充电桩寻址、路径规划、充电预约，便捷支付、用户评价等服务，提升用户充电体验。

7.V2G 与虚拟电厂：聚合车载电池可调度的潜力，参与电网调峰与负荷平滑，提升电网弹性。基于分时电价价差构建优化策略，为用户持续创造收益。将新能源车载电池转变为市场可交易、用户可盈利、社会可减碳的“移动式零碳储能电站”。

2.4 本章小结

本章详细阐述了“车桩网”协同大数据平台的整体架构设计。首先确定了高可用、高扩展、安全合规为核心的设计原则，进而

提出了一个包含四层分层的技术架构（数据采集、存储计算、数据治理、智能分析），并对各层的技术选型进行了剖析。通过对各层技术方案的详细论证，为平台的成功落地奠定了技术基础，下文将基于此架构，展示平台的多元化应用价值。

3.平台应用赋能成效分析

建设“车桩网”协同大数据平台的目标，在于实现对政府、企业、公众三大主体的应用赋能，释放数据价值。大数据平台能在多种应用场景发挥效能，本章将结合定量、定性的分析方法和现代信息技术，探索数据驱动决策的前瞻性应用。挖掘在真实运行场景中，平台在多个应用场景中取得的显著成效，验证其设计价值与实用性。

3.1 赋能政府高效监管

3.1.1 全局可视化监测大屏

平台搭建了集数据采集、数据融合、数据展示、分析决策于一体的可视化监控大屏。通过多源异构数据，实现对新能源汽车、充电设施、电力电网的一体化实时监控。通过GIS 地图、热力图、折线图等多种可视化组件，实现一屏感知全局，帮助管理人员实时掌握新能源车辆充电与运行、充电桩利用及分布，为宏观决策、政策制定、电网调度、城市规划提供数据支撑，改变了以往“数据靠报、情况靠跑”的被动局面。基于一体化大数据平台，可生成充电设施充电热力图与实时状态监控，充电热力图如下图 3-1 所示，其中，热力图颜色越深表示充电量越多，充电需求越密集。

图 3-1 充电设施充电量热力图

3.1.2 智能化补贴核查

在财政补贴核查方面，大数据平台基于Spark 分布式计算引擎，设计了多重欺诈行为识别规则引擎，自动筛查重复订单、异常订单、0 电量充电、超短时充电、同一充电枪口同时充多辆车、同一车辆多桩同时充电等违背物理规律的异常记录。异常充电记录识别，核心逻辑如下所示（仅供参考）：

#异常充电设施充电记录识别（充电设施端）：defcheck_abnormal_orders（df_orders）：

#规则 1：充电时长过短cond_short_time=df_orders['充电时长（秒）']<10#规则 2：同一车辆在同一时间于多桩充电（物理空间异dup_vin_time=df_orders.duplicated（subset=['车牌号'，'开始#规则 3：0 电量订单但产生费用（逻辑矛盾异常cond_zero_power=（df_orders['充电电量']==0）&（df_orders['订单金额']>0）#综合判定

abnormal_orders=df_orders[cond_short_time|dup_vin_time|cond_zero_power]returnabnormal_orders #异常车辆充电记录识别（新能源汽车端）：defcheck_abnormal_for_vehicle（df_data）：

#规则 1：字段缺失记录

condition_missing=df_data['begin_soc'].isnull|df_data['end_soc'].isnull#规则 2：起始充电小于 0%或者大于 100%（充电记录异常）

condition_percentage=（df_data['begin_soc']<0）|（df_data['end_soc']>100）

#规则 3：起始充电大于结束充电电量（充电逻辑异常）

condition_charging=df_data['begin_soc']>df_data['end_#综合判定：任何一个条件满足即为异常

abnormal_charging=df_data[condition_missing|condition_percentage|condition_charging]returnabnormal_charging

通过数据交叉验证，充分释放“车桩网”大数据的协同效应，将充电数据与车辆运行轨迹数据进行时空比对，验证充电行为的可行性。通过平台自动筛查与人工复核相结合的方式，显著提升补贴核查效率，强化“穿透式监管”的重要抓手作用。3.1.3 安全预警与应急响应

新能源汽车运行过程中产生的海量实时数据，是预警安全隐患、保障车辆安全运行的关键资源[9]。平台基于Flink 流处理引擎，将安全管理模式从“事后补救”转变为“事前预防”，“主动预警”的安全管理模式。

对新能源车辆：包括动力电池预警、关键部件故障诊断、车辆驾驶安全与行为分析、充电安全监管，一旦监测到数据超过预设的安全阈值，如电池温度骤升、电压异常波动，系统会立即触发三级告警机制。

对充电设施：7×24 小时全时段的监控充电设施的电流、电压等参数，发现误操作或异常使用充电设施的行为，立刻通过平台弹窗、短信、APP 推送等方式提醒用户，对即将发生的设备故障进行预测，即时将预警信息送达至相关运营人员。

3.2 赋能企业智慧运营

3.2.1 充电站选址与布局

平台为充电运营商提供了强大的数据决策支持。利用历史充电订单数据生成城市充电需求热力图，并结合城市POI 数据、通流量数据、附近竞品充电站进行叠加分析，识别出当前充电服务的“热点区”和“盲区”。为企业充电站建设科学选址提供科学性及数据支持。实践表明，基于平台选址建议新建的充电站，其运营首月的日均利用率较传统经验选址的站点，平均高出约 10%-20%。

3.2.2 赋能精准营销

精准营销是平台赋能企业运营的核心体现，其本质是通过数据驱动实现资源的最优配置，锁定目标客户，提高企业利润。例如，通过存储计算层进行数据挖掘，我们发现用户充电时间段存在三个高峰期，即每天的早高峰 06：00-08：00，午高峰12：00-15：00，晚高峰 22：00-01：00。

据此观察，通过平台 API 接口动态推出了“闲时折扣套餐”，在每天的 02：00-06：00、08：00-11：00 和 16：00-20：00 时段提供闲时优惠电价，提高充电设施使用效率，优化电网负荷。用户充电时段图如下图 3-2 所示。

3.2.3 赋能智慧调价

通过数据挖掘，我们发现网约车、出租车司机群体对充电价格高度敏感。一方面，提高充电站的充电服务费会增加单位充电度数的收益；另一方面，由于部分用户群体对充电价格高度敏感，这又会导致充电站的充电电量降低。通过对一批充电站进行多次调价，利用机器学习拟合模型，部分结果如下图 3-3 所示：

因此，对于多数站点，服务费与收入之间存在非线性的关系，而非简单的价格越高收入越高。通过拟合曲线可以找到一个理论上的最优价格点，使收入最大化。这为动态定价提供了 接的数据依据。为实现科学的调价决策，大数据平台设计了由数据融合层、智能分析层、动态执行层构 能调价系统 合数据；智能分析层通过构建的 AI 模型，预测未来需求变化；动态执行层则根据预测结果，执行动态调价，以期实 利润的最大化，系统框架如下图 3-4 所示。实践表明，通过智慧调价策略，参与站点的整体服务费收益能实现约 3%-15%的增长。智慧调价的目标是执行动态调价，以期实现利润的最大化。

3.3 赋能公众服务提升

平台的数据服务能力最终通过惠及市民的 APP 得以体现。通过统一的 API 接口，将全市不同运营商的充电桩静态和动态信息集于一体，为用户提供一站式充电服务体验。目前北京、上海、广州、成都、重庆等地均已上线类似一站式 App，其管理模式多由当地政府主导，相关企业负责具体运营。一站式服务流程如下图 3-5 所示。

以广州电动车充电统一服务平台为例，截至 2025 年 9 月，合计接入 18 家充电设施运营商，充电站 1819 座，为用户提供“一条龙”服务，市民不再需要下载多个不同的 APP，仅通过一个应用即可完成寻桩、导航、充电、支付、评价的全流程操作[10]。一 站式服务平台解决了用户“找桩难、用桩烦、下载 APP 过多”的痛点，公众的获得感和满意度得到显著提升。

3.4V2G 应用探索与虚拟电厂协同

V2G（车辆到电网）是实现新能源汽车与电网双向互动的技术手段，其核心逻辑是通过将电动汽车作为分布式储能单元，转

化为“移动储能站”，在电网高峰时段向电网反向送电“削峰”，在低谷时充电“填谷”，从而平滑电网负荷，提升电网弹性，并为用户创造经济效益。虚拟电厂则通过聚合分散的 V2G 资源、储能、可调负荷等，形成统一的“城市电力调节池”，实现车、网、人三方共赢[11]。其流程如下图 3-6 所示。

图 3-6 V2G 与虚拟电厂协同流程图

2025 年 8 月，上海虚拟电厂聚合 49 家运营商，首次实现百万千瓦级需求响应，达到 116.27 万千瓦，创下上海虚拟电厂调用新纪录，为稳定电网提供有力支撑，验证了 V2G 参与城市级调度的可行性[12]。平台通过数据融合、算力支持、智能调度，能 为 V2G 参与虚拟电厂提供从实时调度到效益分配的全链路支持。最终通过构建“车桩网”的智能生态，实现技术贯通与场景落地，让每一次充放电都安全、高效且有价值[13]。

4.总结与展望

4.1 研究工作总结

本研究围绕新能源汽车领域的“数据孤岛”、“价值挖掘不足”等瓶颈问题，设计并实现了一个全链路的，集数据采集、存储计算、治理分析与应用赋能于一体的“车桩网”协同大数据平台。工作总结与个人贡献主要体现在以下三个方面：

1.提出了一个分层解耦的一体化平台架构。该架构融合了数据采集、分布式存储（HDFS/HBase），流处理计算（Spark/Flink），统一数据治理，智能分析赋能等多种技术方案，能有效解决海量多源异构数据的实时并行处理与融合的难题，为行业的高速发展提供数据及软硬件支撑。

2.构建了覆盖数据全生命周期的治理体系，设计了从数据接入、数据清洗、数据批处理到数据安全监控的治理流程。通过统一数据标准，提升数据质量，从而确保数据的可用性、可靠性与安全性，为上层应用提供了可信赖的数据基石。

3.实现了大数据、AI 技术与业务场景的深度融合，设计并实践了包括可视化交互、补贴核查、规划选址、智慧运营、智能调价在内的一系列应用。通过为政府监管、企业运营及公众服务提供精准赋能，不仅将理论技术转化为生产力，验证了平台的实用性，更探索了一条数据驱动行业数字化转型的有效路径。为产业数字化转型提供些许参考与借鉴。

4.2 不足与展望

管本平台在设计与应用赋能上取得了预期成效，但受限于研发周期、技术条件及论文篇幅，仍存在一些不足。

首先，技术深度与细节阐述有待加强，本文侧重于呈现平台的整体架构及应用赋能价值，受限于篇幅，对多项关键技术的实现细节只能做概括性阐述，包括数据治理的具体算法，AI 模型的搭建、迭代、调优细节并未展开。其次，平台数据融合广度不足，目前仅主要面向“车桩网”数据，智慧城市及其他外部系统的联动有待加强。再者，数据要素的安全流通，市场化运营模式有待改进；数据价值变现途径尚待挖掘。最后，AI 应用的复杂性仍需突破，算法的深度、算力的瓶颈及智能化水平有待进一步提升。

针对上述不足，未来工作将聚焦以下方向：一是积极推动互联互通与数据共享，构建城市级“车-能-路-云”协同生态。二是继续加强深度学习与强化学习算法的投入，提升平台在智能调度、动态定价等复杂场景下的决策能力。三是深化 V2G（车辆

到电网）数据融合，推动新能源汽车参与电网调峰，探索虚拟电厂建设。四是积极探索区块链技术的数据确权、可信流通、安全共享，推动数据资产化，进一步释放数据价值。下一步将继续完善平台功能，推动新能源汽车与能源、交通、城市管理的深度融合，为产业高质量与可持续发展贡献力量。

参考文献

[1]国家制造强国建设战略咨询委员会.中国制造 2025 蓝皮书[M].北京：电子工业出版社，2017

[2]国务院办公厅.关于印发新能源汽车产业发展规划（2021—2035 年）的通知[Z]：国办发〔2020〕3

[3]公安部交通管理局.2025 年上半年全国机动车达 4.6 亿辆驾驶人达 5.5 亿人[EB/OL].（2025-07-14）.https：//qwgzyj.gqb.gov.cn/gn/2025/07-14/10447464.shtml

[4]袁晓冬.车桩网协同互动关键技术及应用[M].北京：中国电力出版社，2023.

[5]刘鹏.数据驱动的新能源汽车车网互动潜力与协同控制技术.[C].2025 车网互动与信息通信融合发展专题研讨会[C].无锡：中国，2025

[6]王震坡，刘鹏，张照生.新能源汽车大数据分析与应用技术[M].北京：机械工业出版社，2018.

[7]国家市场监督管理总局，国家标准化管理委员会.GB/T32960.3-2025，电动汽车远程服务与管理

[8]国家市场监督管理总局，国家标准化管理委员会.GB/T39752-2024，电动汽车供电设备安全要求[S].

[9]刘鹏.新能源汽车大数据与运行安全[N].中国汽车工程学会，2020-4

[10]新浪广东.广东建成统一电动车充电平台[EB/OL].（2025-09-16）.https：//www.sohu.com/a/917182285_122255128

[11]深圳市市场监督管理局.电动汽车充换电设施有序充电和 V2G 双向能量互动技术规范（DB4403/T342-2023）[S].2023.

[12]人民网.上海虚拟电厂最大响应负荷首破百万千瓦[EB/OL].2025-08-15.http：//sh.people.com.cn/n2/2025/0815/c134768-41323062.html

[13]李立理.V2G 的规模化商用破局路径与前景展望.2025 车网互动与信息通信融合发展专题研讨会[C].无锡：中国，2025