CN108446796A - 考虑电动汽车负荷需求响应的网-源-荷协调规划方法 - Google Patents

Abstract

本发明涉及一种考虑电动汽车负荷需求响应的网‑源‑荷协调规划方法。首先在负荷预测过程中，考虑电动汽车影响，获取电动汽车第一次出行时间的概率分布，同时对日行驶里程进行概率分布计算；通过对两个参数的预测，进一步预测一天24小时的电动汽车充电负荷分布，完善负荷分布信息；接着，在考虑电网、电源、负荷三方利益的条件下，进行网‑源‑荷统筹协调规划。本发明将电网、电源、负荷三方利益进行协调规划，并将电动汽车作为荷层规划中考虑负荷响应的影响因素之一，使三方优势互补，协调发展，适应了新形势下配电网规划工作需要，节省了电网公司的投资运营成本，同时保证了运营商经济利益的最大化，具有重要的实用价值。

Description

考虑电动汽车负荷需求响应的网-源-荷协调规划方法

技术领域

本发明涉及一种考虑电动汽车负荷需求响应的网-源-荷协调规划方法。

背景技术

近年来，分布式电源(distributed generation，DG)的大量接入和各类需求侧响应(demand side response，DSR)项目的逐步实施，对配电网规划带来了一定的影响，但也向配电网提供了更多的供应侧和需求侧资源。在主动配电网的各项支撑技术中，主要集中于如下研究内容：如何降低大量分布式可再生能源集中接入电网的“不友好性”、电动汽车如何与大电网进行互动、用户侧资源如何参与电网响应以及储能元件的大规模集群互动调度等等。源网协调现阶段主要研究的是机网协调运行所涉及到的问题，例如发电机进相运行、频率保护、一次调频以及二次调频、失磁保护、电压的自动控制等问题。源荷互动方面的研究极少，一个重要的问题就是如何消纳大量的可再生能源问题，达到调峰的目的，但目前大多数情况下仍然使用的是发电量跟踪负荷的传统控制模式，没有充分发挥负荷在电网调节方面的积极作用，也就没有完全实现真正意义上的“源荷互动。需求侧响应方面的研究和应用，主要是基于价格的需求响应和基于激励的需求响应两种。

在引入源、网、荷协同作用的ADN规划中，存在着配电公司、DG运营商和参与需求侧响应的电力用户3个利益主体，当保证三方均收获较高利益时更加能促进源、网、荷的友好互动，增大规划方案的实际可行性，故需要加强对考虑源、网、荷三方利益的多主体协调规划的研究。此外，ADN“源-网-荷”协调规划模型不但涉及多层嵌套问题，还存在运行和规划的联合问题，是一个多变量、多约束的非线性混合整数规划问题，传统数学优化方法和常规智能算法(如遗传算法)难以获得较好的优化结果，而且计算时间长、收敛性能差。因此合理开展***中资源的协调互动，充分利用“源”、“荷”资源的相互协同关系，对于提高电网的可持续发展有着重大意义。

发明内容

本发明的目的在于提供一种考虑电动汽车负荷需求响应的网-源-荷协调规划方法，将电网、电源、负荷三方利益进行协调规划，并将电动汽车作为荷层规划中考虑负荷响应的影响因素之一，使三方优势互补，协调发展，适应了新形势下配电网规划工作需要，节省了电网公司的投资运营成本，同时保证了运营商经济利益的最大化，具有重要的实用价值。

为实现上述目的，本发明的技术方案是：一种考虑电动汽车负荷需求响应的网-源-荷协调规划方法，包括如下步骤，

步骤S1、以收益费用最高为规划目标，考虑DG售电商的卖电收益使用新能源发电所获得的政府补贴、DG电源运行维护和投资综合成本，确定目标函数和约束条件，建立源层规划模型；

步骤S2、以规划过程中配电公司各种成本的年综合值之和最小为网层目标，考虑储能设备的投资以及效益，确定目标函数和约束条件，建立网层规划模型；

步骤S3、基于自身利益确定响应策略而调整自身的用户用电行为，以用户收益最大化为目标在用户端负荷侧建立荷层规划模型；

步骤S4、基于自适应粒子群算法，对网、源、荷三层模型进行求解。

在本发明一实施例中，所述步骤S1，具体实现如下：

首先，对电动汽车功率需求进行建模，首先建立开始充电时刻和日行驶里程的概率模型，其概率密度函数为：

式中，σ_t表示第一次出行时刻的方差值，μ_t表示第一次出行时刻的平均值，是正态分布的两个参数；

进一步建立充电功率的概率模型，假设充电时间为T_r，用户的充电功率为ΔE，则：

S_ocs＝S_ocr-M_dE_ave/(100B_c)

ΔE＝E_soc-S_ocs

T_r＝ΔE/(P_rη_c)

式中，P_r表示该电动汽车的额定充电功率，η_c表示该电动汽车的充电效率，M_d为日行驶里程，E_ave为每行程消耗的电能，B_c为锂电池容量，Socr为该电动汽车出行前的初始电量，Socs为该电动汽车出行回来后的充电起始电量，Esoc为满电量期望值；

接着建立源层规划模型，以收益费用最高为规划目标，考虑了DG售电商的卖电收益使用新能源发电所获得的政府补贴；DG电源运行维护和投资综合成本，其目标函数为：

式中：C^Y为DG运营商收益的年综合值；为DG运营商的卖电收益；为新能源发电的政府补贴；分别为DG的运维和投资成本；

考虑将DG接入配电网后对***网损的减少以及改善电压波动以约束条件形式加入模型，保证了DG接入能够减少网损以及抑制电压波动；且根据新能源结构调整的要求对分布式电源接入***渗透率进行约束，要求渗透率必须满足一定范围；具体约束条件表达如下：

式中：为允许在待选节点k上接入DG发电机台数的上下限值；为每个DG可接入节点输出功率的上限制；P_loss,s,t、为第s场景第t时段接入DG前后***的有功网损值；U_i,s、为第s场景接入DG前后节点i的实际电压，为电压的基准值；Γ^b、Γ^Dg、Λ^Dg分别为***所有母线的点集、分布式电源可接入***母线点集、分布式电源型号集合和分布式电源类型集合；β_min、β_max、分别为***渗透率上下限及***各个节点的负荷大小。

在本发明一实施例中，所述步骤S2，具体实现如下：

建立网层规划模型，以规划过程中配电公司各种成本的年综合值之和最小为网层目标函数，并且在网层中考虑了储能设备的投资以及效益；网层目标函数表示如下：

式中：C^W为配电公司总成本的年综合值；为线路的投资成本之和；为配电网网络损耗等效年成本；为年事故发生总成本；为向上级及分布式电源运营商购电的年成本之和；为储能设备年投资成本；为年运营维修成本；为实施DSR项目的年管理费用；为实施DSR后减少的年卖电收益；为对可中断负荷的补偿费用；为储能电池低储高放套利年收益；为节约电能损耗年收益；

要求满足功率平衡约束，节点电压上下限概率约束，支路功率概率约束，禁止倒送功率概率约束，分布式电源安装容量约束，其表达式分别为：

式中：P_i,s,t、Q_i,s,t为第s场景第t时段节点的有功和无功注入；U_i,s,t、U_j,s,t为第s场景第t时段节点i和节点j的电压幅值；G_ij为节点导纳矩阵的实部；B_ij为节点导纳矩阵的虚部；θ_ij为节点i和节点j电压间的相角差；和为节点电压幅值的上下限值；为第s场景第t时段支路的功率值；为支路ij的传输功率极值；

P{U_min≤U_i,s,t≤U_max}＝k_u/N≥β_u

式中，U_max和U_min分别为节点电压的上限；k_u为所有场景中满足电压上下限约束的场景数；β_u为节点电压约束的置信水平；

P{P_l,s,t≤P_lmax}＝k_l/N≥β_l

式中，P_l为支路功率；P_lmax为支路允许的功率上限；k_l为所有场景中满足支路功率约束的场景数；β_l为支路功率约束的置信水平；

P{P_ΣDG≤P_ΣL}＝k_B/N≥β_B

式中，P_ΣDG和P_ΣL分别为DG总出力和负荷有功总需求；k_B为所有场景中满足禁止倒送功率约束的场景数；β_B为禁止倒送功率约束的置信水平；

式中，P_ΣPV为PV总安装容量；P_ΣWG为WG总安装容量；σ为可再生能源DG最大渗透率；P_ΣLmax为配网最大有功负荷的总和；P_PVimax为待选并网节点i的PV最大安装容量；P_WGimax为待选并网节点i的WG最大安装容量。

在本发明一实施例中，所述步骤S3，具体实现如下：

建立荷层规划模型，以用户收益最大化为目标在用户端负荷侧进行建模；用户可根据分时电价参与用电行为调整；用户在电价高峰时段切出负荷，在电价平谷时段增加负荷用电；可参与的激励型需求响应项目为可切除负荷，用户按照签订的合同在相应时段进行用电量的中断；荷层规划目标函数表达式为：

式中各个费用表达式分别如下：

式中，C^H为用户收益的年综合费用；为切负荷用户获得的补偿费用；为参加需求响应管理后所增加用电负荷节省费用；分别为电动汽车放电补偿费用以及充电所需费用；P_Cur,s,t为场景s时段t的切除负荷，P_Cur,s,t为场景s时段t下的负荷主动增加功率；C_Cur为负荷削减单位费用，C_Incre为增加负荷节约单位费用；为电动汽车单位充电费用；P_Ev,s,t为电动汽车在场景s和时段t下的充电功率；

利用需求价格弹性理论来描述用户针对TOU调整用电量的行为，根据网层制定的价格政策，对可中断负荷的中断功率进行上下限约束，其约束条件表达式为：

P_TL,s,t＝P_Cur,s,t-P_Incre,s,t

式中：分别为第s场景第t时段切除负荷和转移增加负荷响应系数的上下限值；分别为第s场景第t时段的充电功率上下限。

相较于现有技术，本发明具有以下有益效果：本发明将电网、电源、负荷三方利益进行协调规划，使三方优势互补，协调发展，充分考虑了负荷侧需求响应的影响，节省了电网公司的投资运营成本，同时保证了运营商经济利益的最大化。

附图说明

图1为模型求解流程图。

图2为改进33节点图。

图3为源层迭代曲线图。

图4为网层迭代曲线图。

图5为荷层迭代曲线图。

具体实施方式

下面结合附图1-5，对本发明的技术方案进行具体说明。

如图1所示，本发明一种考虑电动汽车负荷需求响应的网-源-荷协调规划方法，实现如下：

(1)进行负荷预测，获取电动汽车第一次出行时间的概率分布，同时对日行驶里程进行概率分布计算；

(2)通过对两个参数的预测，进一步预测一天24小时的电动汽车充电负荷分布；

(3)以收益费用最高为规划目标，考虑DG售电商的卖电收益使用新能源发电所获得的政府补贴、DG电源运行维护和投资综合成本，确定目标函数和约束条件，建立源层规划模型；

(4)以规划过程中配电公司各种成本的年综合值之和最小为“网”层目标，考虑储能设备的投资以及效益，确定目标函数和约束条件，建立网层规划模型。

(5)基于自身利益确定响应策略而调整自身的用户用电行为，以用户收益最大化为目标在用户端负荷侧建立荷层规划模型。

(6)基于自适应粒子群算法，对网、源、荷三层模型进行求解。

考虑电动汽车负荷需求响应的“网-源-荷”协调规划，具体描述说明如下：

首先，对电动汽车功率需求进行建模，首先建立开始充电时刻和日行驶里程的概率模型，其概率密度函数为：

式中，σ_t表示第一次出行时刻的方差值，μ_t表示第一次出行时刻的平均值，是正态分布的两个参数；

进一步建立充电功率的概率模型，假设充电时间为T_r，用户的充电功率为ΔE，则：

S_ocs＝S_ocr-M_dE_ave/(100B_c)

ΔE＝E_soc-S_ocs

T_r＝ΔE/(P_rη_c)

式中，P_r表示该EV(电动汽车)的额定充电功率，η_c表示该EV的充电效率，M_d为日行驶里程，E_ave为每行程消耗的电能，B_c为锂电池容量，Socs为该EV出行回来后的充电起始电量，Esoc为满电量期望值；

接着建立源层规划模型，以收益费用最高为规划目标，考虑了DG售电商的卖电收益使用新能源发电所获得的政府补贴；DG电源运行维护和投资综合成本，其目标函数为：

式中：C^Y为DG运营商收益的年综合值；为DG运营商的卖电收益；为新能源发电的政府补贴；分别为DG的运维和投资成本；

考虑将DG接入配电网后对***网损的减少以及改善电压波动以约束条件形式加入模型，保证了DG接入能够减少网损以及抑制电压波动；且根据新能源结构调整的要求对分布式电源接入***渗透率进行约束，要求渗透率必须满足一定范围；具体约束条件表达如下：

式中：为允许在待选节点k上接入DG发电机台数的上下限值；为每个DG可接入节点输出功率的上限制；P_loss,s,t、为第s场景第t时段接入DG前后***的有功网损值；U_i,s、为第s场景接入DG前后节点i的实际电压，为电压的基准值；Γ^b、Γ^Dg、Λ^Dg分别为***所有母线的点集、分布式电源可接入***母线点集、分布式电源型号集合和分布式电源类型集合；β_min、β_max、分别为***渗透率上下限及***各个节点的负荷大小。

接着建立网层规划模型，以规划过程中配电公司各种成本的年综合值之和最小为网层目标函数，并且在网层中考虑了储能设备的投资以及效益；网层目标函数表示如下：

式中：C^W为配电公司总成本的年综合值；为线路的投资成本之和；为配电网网络损耗等效年成本；为年事故发生总成本；为向上级及分布式电源运营商购电的年成本之和；为储能设备年投资成本；为年运营维修成本；为实施DSR项目的年管理费用；为实施DSR后减少的年卖电收益；为对可中断负荷的补偿费用；为储能电池低储高放套利年收益；为节约电能损耗年收益；

要求满足功率平衡约束，节点电压上下限概率约束，支路功率概率约束，禁止倒送功率概率约束，分布式电源安装容量约束，其表达式分别为：

式中：P_i,s,t、Q_i,s,t为第s场景第t时段节点的有功和无功注入；U_i,s,t、U_j,s,t为第s场景第t时段节点i和节点j的电压幅值；G_ij为节点导纳矩阵的实部；B_ij为节点导纳矩阵的虚部；θ_ij为节点i和节点j电压间的相角差；和为节点电压幅值的上下限值；为第s场景第t时段支路的功率值；为支路ij的传输功率极值；

P{U_min≤U_i,s,t≤U_max}＝k_u/N≥β_u

式中，U_max和U_min分别为节点电压的上限；k_u为所有场景中满足电压上下限约束的场景数；β_u为节点电压约束的置信水平；

P{P_l,s,t≤P_lmax}＝k_l/N≥β_l

式中，P_l为支路功率；P_lmax为支路允许的功率上限；k_l为所有场景中满足支路功率约束的场景数；β_l为支路功率约束的置信水平；

P{P_ΣDG≤P_ΣL}＝k_B/N≥β_B

式中，P_ΣDG和P_ΣL分别为DG总出力和负荷有功总需求；k_B为所有场景中满足禁止倒送功率约束的场景数；β_B为禁止倒送功率约束的置信水平；

式中，P_ΣPV为PV总安装容量；P_ΣWG为WG总安装容量；σ为可再生能源DG最大渗透率；P_ΣLmax为配网最大有功负荷的总和；P_PVimax为待选并网节点i的PV最大安装容量；P_WGimax为待选并网节点i的WG最大安装容量。

接着建立荷层规划模型，以用户收益最大化为目标在用户端负荷侧进行建模；用户可根据分时电价参与用电行为调整；用户在电价高峰时段切出负荷，在电价平谷时段增加负荷用电；可参与的激励型需求响应项目为可切除负荷，用户按照签订的合同在相应时段进行用电量的中断。“荷”层规划目标函数表达式为：

式中各个费用表达式分别如下：

式中，C^H为用户收益的年综合费用；为切负荷用户获得的补偿费用；为参加需求响应管理后所增加用电负荷节省费用；分别为电动汽车放电补偿费用以及充电所需费用；P_Cur,s,t为场景s时段t的切除负荷，P_Cur,s,t为场景s时段t下的负荷主动增加功率。C_Cur为负荷削减单位费用，C_Incre为增加负荷节约单位费用；为电动汽车单位充电费用。P_Ev,s,t为电动汽车在场景s和时段t下的充电功率；

利用需求价格弹性理论来描述用户针对TOU调整用电量的行为，根据网层制定的价格政策，对可中断负荷的中断功率进行上下限约束，其约束条件表达式为：

P_TL,s,t＝P_Cur,s,t-P_Incre,s,t

式中：分别为第s场景第t时段切除负荷和转移增加负荷响应系数的上下限值；分别为第s场景第t时段的充电功率上下限。

下面通过具体算例进行说明：

采用改进IEEE 33节点算例对提出的方法进行验证，节点图如图2所示。

本例增加储能设备和电动汽车的规划，故假设各个增设了分布式电源节点可以增设储能设备，分别为风储设备和光储设备。故储能设备可选节点3、6、16、27、8、10、28、30。设各储能设备的充电总容量大小6/MW.h，最大单位时间充放电功率2/MWh。光储设备投资14万元/台、风储设备投资14万元/台。储能设备的充电成本为0.2元/kW.h，放电收益价格为0.4元/kW.h。储能设备环境效益补偿价格为0.4元/kW.h。

对本项目提出的源、网、荷协同规划模型进行迭代求解，能够获得各个层目标函数迭代曲线。如图3-5，三源层以目标收益函数最大为适应度，曲线纵坐标值不断增大，大致在第四次迭代时收敛，目标函数不再增大。最大目标函数值为1304.8万元。如图四网层在第4轮迭代时获得最优，最优目标投资费用为1103.1万元。如图五荷层在第4轮迭代可获得最优，最优目标投资费用为266.9万元。值得注意到是，第一次迭代随机生成荷层目标收益较高，但是通过迭代后收益减少。原因在于三方协同规划必须满足各个层的约束，因此在满足各方利益的同时，可能使得某方利益不是最优，但仍是在当前规划方案下的最优。

通过规划，可以获得各个规划方案的最终解。如下表1、表2、表3所示。

表1

表2

表3

从上述可以看出，加入了储能和需求响应的影响，***规划升级仅需对线路7和12进行升级，且升级类型均为1型；需要新建的线路有39、43、45、46、48、49、50、52、56、57、59、60；DG的安装位置和容量为：节点3安装20台风机，节点6安装6台风机，节点16安装28个风机，节点27安装18个风机；节点8安装6个光伏电池，节点10安装20个光伏电池、节点28安装8个光伏电池、节点30安装8个光伏电池。储能电源安装位置为：3(1)、6(1)、16(1)、27(1)、8(1)、10(1)、28(1)、30(1)。

考虑多方主体协调规划不是简单的统一决策变量，不同于多目标规划，因此各个层获得最优结果并不一定是全局最优，而仅是在该层面下的最优。算例的结果正面了，使用本文所提模型及求解方法，能够较好的求解源、网、荷多方利益协调规划问题。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种考虑电动汽车负荷需求响应的网-源-荷协调规划方法，其特征在于，包括如下步骤，

步骤S1、以收益费用最高为规划目标，考虑DG售电商的卖电收益使用新能源发电所获得的政府补贴、DG电源运行维护和投资综合成本，确定目标函数和约束条件，建立源层规划模型；

步骤S2、以规划过程中配电公司各种成本的年综合值之和最小为网层目标，考虑储能设备的投资以及效益，确定目标函数和约束条件，建立网层规划模型；

步骤S3、基于自身利益确定响应策略而调整自身的用户用电行为，以用户收益最大化为目标在用户端负荷侧建立荷层规划模型；

步骤S4、基于自适应粒子群算法，对网、源、荷三层模型进行求解。

2.根据权利要求1所述的考虑电动汽车负荷需求响应的网-源-荷协调规划方法，其特征在于，所述步骤S1，具体实现如下：

首先，对电动汽车功率需求进行建模，首先建立开始充电时刻和日行驶里程的概率模型，其概率密度函数为：

式中，σ_t表示第一次出行时刻的方差值，μ_t表示第一次出行时刻的平均值，是正态分布的两个参数；

进一步建立充电功率的概率模型，假设充电时间为T_r，用户的充电功率为ΔE，则：

S_ocs＝S_ocr-M_dE_ave/(100B_c)

ΔE＝E_soc-S_ocs

T_r＝ΔE/(P_rη_c)

式中，P_r表示该电动汽车的额定充电功率，η_c表示该电动汽车的充电效率，M_d为日行驶里程，E_ave为每行程消耗的电能，B_c为锂电池容量，Socr为该电动汽车出行前的初始电量，Socs为该电动汽车出行回来后的充电起始电量，Esoc为满电量期望值；

接着建立源层规划模型，以收益费用最高为规划目标，考虑了DG售电商的卖电收益使用新能源发电所获得的政府补贴；DG电源运行维护和投资综合成本，其目标函数为：

式中：C^Y为DG运营商收益的年综合值；为DG运营商的卖电收益；为新能源发电的政府补贴；分别为DG的运维和投资成本；

考虑将DG接入配电网后对***网损的减少以及改善电压波动以约束条件形式加入模型，保证了DG接入能够减少网损以及抑制电压波动；且根据新能源结构调整的要求对分布式电源接入***渗透率进行约束，要求渗透率必须满足一定范围；具体约束条件表达如下：

式中：为允许在待选节点k上接入DG发电机台数的上下限值；为每个DG可接入节点输出功率的上限制；P_loss,s,t、为第s场景第t时段接入DG前后***的有功网损值；U_i,s、为第s场景接入DG前后节点i的实际电压，为电压的基准值；Γ^b、Γ^Dg、Λ^Dg分别为***所有母线的点集、分布式电源可接入***母线点集、分布式电源型号集合和分布式电源类型集合；β_min、β_max、分别为***渗透率上下限及***各个节点的负荷大小。

3.根据权利要求1所述的考虑电动汽车负荷需求响应的网-源-荷协调规划方法，其特征在于，所述步骤S2，具体实现如下：

建立网层规划模型，以规划过程中配电公司各种成本的年综合值之和最小为网层目标函数，并且在网层中考虑了储能设备的投资以及效益；网层目标函数表示如下：

式中：C^W为配电公司总成本的年综合值；为线路的投资成本之和；为配电网网络损耗等效年成本；为年事故发生总成本；为向上级及分布式电源运营商购电的年成本之和；为储能设备年投资成本；为年运营维修成本；为实施DSR项目的年管理费用；为实施DSR后减少的年卖电收益；为对可中断负荷的补偿费用；为储能电池低储高放套利年收益；为节约电能损耗年收益；

要求满足功率平衡约束，节点电压上下限概率约束，支路功率概率约束，禁止倒送功率概率约束，分布式电源安装容量约束，其表达式分别为：

式中：P_i,s,t、Q_i,s,t为第s场景第t时段节点的有功和无功注入；U_i,s,t、U_j,s,t为第s场景第t时段节点i和节点j的电压幅值；G_ij为节点导纳矩阵的实部；B_ij为节点导纳矩阵的虚部；θ_ij为节点i和节点j电压间的相角差；和为节点电压幅值的上下限值；为第s场景第t时段支路的功率值；为支路ij的传输功率极值；

P{U_min≤U_i,s,t≤U_max}＝k_u/N≥β_u

式中，U_max和U_min分别为节点电压的上限；k_u为所有场景中满足电压上下限约束的场景数；β_u为节点电压约束的置信水平；

P{P_l,s,t≤P_lmax}＝k_l/N≥β_l

式中，P_l为支路功率；P_lmax为支路允许的功率上限；k_l为所有场景中满足支路功率约束的场景数；β_l为支路功率约束的置信水平；

P{P_ΣDG≤P_ΣL}＝k_B/N≥β_B

式中，P_ΣDG和P_ΣL分别为DG总出力和负荷有功总需求；k_B为所有场景中满足禁止倒送功率约束的场景数；β_B为禁止倒送功率约束的置信水平；

式中，P_ΣPV为PV总安装容量；P_ΣWG为WG总安装容量；σ为可再生能源DG最大渗透率；P_ΣLmax为配网最大有功负荷的总和；P_PVimax为待选并网节点i的PV最大安装容量；P_WGimax为待选并网节点i的WG最大安装容量。

4.根据权利要求1所述的考虑电动汽车负荷需求响应的网-源-荷协调规划方法，其特征在于，所述步骤S3，具体实现如下：

建立荷层规划模型，以用户收益最大化为目标在用户端负荷侧进行建模；用户可根据分时电价参与用电行为调整；用户在电价高峰时段切出负荷，在电价平谷时段增加负荷用电；可参与的激励型需求响应项目为可切除负荷，用户按照签订的合同在相应时段进行用电量的中断；荷层规划目标函数表达式为：

式中各个费用表达式分别如下：

式中，C^H为用户收益的年综合费用；为切负荷用户获得的补偿费用；为参加需求响应管理后所增加用电负荷节省费用；分别为电动汽车放电补偿费用以及充电所需费用；P_Cur,s,t为场景s时段t的切除负荷，P_Cur,s,t为场景s时段t下的负荷主动增加功率；C_Cur为负荷削减单位费用，C_Incre为增加负荷节约单位费用；为电动汽车单位充电费用；P_Ev,s,t为电动汽车在场景s和时段t下的充电功率；

利用需求价格弹性理论来描述用户针对TOU调整用电量的行为，根据网层制定的价格政策，对可中断负荷的中断功率进行上下限约束，其约束条件表达式为：

P_TL,s,t＝P_Cur,s,t-P_Incre,s,t

式中：分别为第s场景第t时段切除负荷和转移增加负荷响应系数的上下限值；分别为第s场景第t时段的充电功率上下限。