电动汽车配套设施的充电网络系统提出了要求。一套智能充电系统及充电策略不仅可以使充电网络的负荷波动小，减少充电系统电网压力，也可以将用户经济成本降低，达到用户侧和电网侧双赢的结果[1-2]。陈忠华等[3]提出了基于V2G技术的PHEV有序充放电策略。董龙昌等[4]提出了电压电流双闭环的电压空间矢量控制策略。王鑫等[5]考虑纳入车主行为的条件并满足电网功率进行有序充放电策略。孙晓明等[6]采用混合式充电方式解决大规模车辆充电的影响。裴荣娜等[7]根据不同时间段制定充放电的电价，并提出目标函数有序充电策略。当前大多数的管理策略未能全面考虑分析，多数学者通常从电池的容量及剩余电量出发考虑，研究比较片面，仅侧重频率调节或负荷平衡，V2G技术的优势未能充分发挥[8-9]。本文以用户侧为研究对象，车主行为习惯为约束条件，建立粒子群控制模型。1基于用户行为的V2G控制策略描述文中所有采用V2G的车辆均是在特定时间内完成充电或放电，充放电时间段不同，经济收益也不同，这种方式并未改变电池的充放电次数，只进行时间上的调整，减少对电动车储能电池的伤害和冲击，不会折损其寿命[10-12]。综合考虑电网企业目前实行的分时电价计价原则，将用户参与V2G获得的经济收益设定为目标函数，在一定的约束条件下，采用粒子群优化算法，寻求目标函数最优解。在实时电价的背景下，用户调整自身充电时间，在高峰期可以向电网馈电，辅助电网调频，削峰填谷，进而获取经济效益；在低峰期时，用户开始充电，降低经济费用。考虑到用户存在有些时间段不参与V2G技术，因此可实现在一天的部分时间段内设置与电网的交换功率为0。2粒子群控制策略模型V2G运行过程涉及电池的成本损耗，随着储能电池充放电次数增多，寿命也相应折损；还要考虑约束条件对目标函数的限制，如电动汽车的可用时间和实时电价等。通过粒子群优化求解，设定维数为m×24，m代表车辆数量。粒子1位置可以表示为：pi=[p1,1,p1,2,...,p2,1,p2,2,...,pi,j,...,pm,24] （1）2.1目标函数以每小时为单位划分为一个时段，一天划分为24个时段，电动汽车在每个时段与电网产生的功率交换总量均通过采集器采集，由电网企业计量单位按照实时电价进行结算。电价实时变化，电动车在不同的时间段内会有充放电电价差异，电动车在电网峰谷时段所获得收益最大化可表示为目标函数：f1=max∑i=1n(Dit-Cit-lit) （2）Dit=pt⋅pit/Ed （3）Cit=pt⋅pit⋅Ec （4）lit=CEv （5）式中：pt——t时刻市场标准电价（元）；Cit——t时刻第i辆车的充电成本（元）；Dit——t时刻第i辆车放电获取收益值（元）；pit——t时刻第i辆车和电网的交换功率（kW）；lit——电池损耗成本（元）；C——电池单位能量引起的成本损耗；Ev——车参与V2G的交换能量（kWh）；n——车辆数量；Ec、Ed——充电放电效率，均取0.9。以实行峰谷电价的电网日负荷率最大为目标函数，体现车辆有序充放电对电网削峰填谷的贡献：f2=max(Pav/Pmax) （6）Pav=∑t=124Pt/24 （7）式中：Pav——峰谷分时电价后电网的日负荷平均值（kW）；Pmax——日负荷的峰值（kW）；Pt——t时刻电网负荷大小（kW）。2.2约束条件2.2.1可用时间约束电动车作为交通工具，满足人们的出行需要，因此电动车不是时刻都在并网中，脱离网时没有参与V2G充放电。2.2.2可用荷电状态值约束Smin≤Sit≤Smax （8）式中：Sit——第i辆电动汽车在t时刻的电量状态；Smax、Smin——电池正常使用、安全工作极限值。2.2.3充放电功率约束结合交换功率非连续性计算充放电功率范围：-Pdmax≤Pit≤Pcmax （9）式中：Pcmax——汽车的最大充电功率（kW）；Pdmax——汽车的最大放电功率（kW）。2.2.4实时电价上下限约束根据运营成本，设定充放电动态电价范围：Pt'≤Pt≤Pt'' （10）式中：P'——t时刻电价最低值，取值应比居民电价平均值小（元）；Pt''——t时刻电价最高值（元）。3含约束条件的粒子群优化算法3.1粒子群优化算法描述粒子群优化算法（PSO）是一种基于群体智能进化的粒子群计算策略，该算法建立了一个运动的粒子模型，以多个粒子在解空间中的运动状态来寻找最优解，根据飞行经验来改变飞行的方向和速度，通过改变粒子的运动轨迹来实现迭代修正过程，使群进化到最优解。3.2含约束条件的粒子群优化算法本文是含约束条件的优化问题，根据问题的特征改进了传统粒子群优化算法的流程，达到优化目标函数的目的。带约束的粒子群算法如图1所示。10.19301/j.cnki.zncs.2024.02.016.F001图1带约束的粒子群算法4仿真实验与分析4.1仿真参数确定所有参与V2G的电动汽车参数差别不大，因此仿真参数可以设为SOCmin=0.3，SOCmax=0.9，电池容量为100 A·h，最大充电功率为15 kW，最大放电功率20 kW。由于电动汽车V2G技术仍处于初级阶段，实时电价的计算比较困难。本文仿真实验中将实时电价设置为分阶段固定的分时电价，即把一天中所有时段的负荷按电价标准分为峰时段、平时段以及谷时段。时段划分如表1所示。10.19301/j.cnki.zncs.2024.02.016.T001表1时段划分时段时间电价/（元/kWh）峰时段8：00~12：00；19：00~23：000.78平时段7：00~8：00；12：00~19：000.52谷时段23：00~次日7：000.26将一天划分为24个时间节点，将用户行为按照时间节点划分为3种。第一种在8、9、17、18节点不参与V2G；第二种在11、12、17、18节点不参与V2G；第三种在13、14、21、22节点不参与V2G。4.2仿真结果分析带约束粒子群算法适应度迭代曲线如图2所示。10.19301/j.cnki.zncs.2024.02.016.F002图2带约束粒子群算法适应度迭代曲线适应度值的变化不断增高直至平稳，表示参加了V2G技术的用户收益在迭代过程中不断增大，适应度函数为0.9f1+0.1f2。针对带约束粒子群算法进行仿真实验，得到基于用户行为的充放电功率分布。粒子群算法在解决多维优化问题上具有一定优势，是V2G技术应用在用户侧实现具体功率分布的首选方法。带约束粒子群算法仿真结果如图3所示。图3带约束粒子群算法仿真结果10.19301/j.cnki.zncs.2024.02.016.F3a1（a）第一种用户行为10.19301/j.cnki.zncs.2024.02.016.F3a2（b）第二种用户行为10.19301/j.cnki.zncs.2024.02.016.F3a3（c）第三种用户行为5结语针对集中式充放电实现方式，以用户侧为研究对象，用户侧经济费用最低、对电网扰动最小为研究目标。结合当前电网企业实行的峰谷电价政策，给出最优电动汽车与电网每一时刻的交换功率，使整体达到双赢的结果。基于车主行为的实时电价下电动汽车与电网交换功率进行仿真研究，建立粒子群控制策略模型，分析仿真结果的正确性，证明V2G技术的实际可行性。用带约束的粒子群算法，在保障汽车电荷量足够的情况下，使电动汽车以最优的交换功率参与V2G。用户侧在基于自身行为的条件下，充电费用最低，考虑到电网侧负荷波动问题，将其考虑到粒子群算法，使电动汽车对电网侧起到削峰填谷的作用。