Tilastollinen malli sähköbussin energiankulutukselle
No Thumbnail Available
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Author
Date
2017-09-25
Department
Major/Subject
Koneensuunnittelu
Mcode
K3001
Degree programme
Konetekniikan koulutusohjelma
Language
fi
Pages
48
Series
Abstract
Dieselbussien pienhiukkaspäästöt aiheuttavat merkittäviä terveyshaittoja kaupungeissa, joissa haitalliset pienhiukkaset purkautuvat hengityskorkeudelle ja jäävät leijumaan rakennusten väliin. Dieselbussien korvaaminen lähipäästöttömällä akkusähköbussilla vähentää ilmansaasteongelmaa. Kilpailukykyisen sähköbussijärjestelmän suunnittelu ja optimointi edellyttävät tarkkaa mallia bussin kulutuksen vaihtelusta ja siihen vaikuttavista tekijöistä. Tässä työssä esitetään reaaliaikaiseen liikenne- ja säätietoon perustuva tilastollinen kulutuksen ennustemalli. Espoossa linjalla 11 koekäytettävän sähköbussin IoT-järjestelmä (Internet of things, suom. esineiden internet) mittasi 14 viikon ajanjaksolla akun parametreja ja ajoneuvon sijaintia sekä nopeutta. Mittaukset siirtyivät reaaliajassa palvelimelle, josta ne olivat ladattavissa pilvipalvelun kautta. Liikennetilanne määritettiin matkapuhelimien sijaintitiedoista, jotka ladattiin Google Maps API -rajapinnasta. Mittauksiin sovitettiin lineaarinen monimuuttujaregressiomalli. Keskimääräinen energiankulutus reitillä oli 0,77 kWh/km ja suurin kulutus yli kak-sinkertainen verrattuna pienimpään. Lämpötila ja liikenne selittivät kulutuksen vaihtelua tilastollisesti merkitsevästi. Lämpötila selitti kulutuksen vaihtelusta 28 prosenttia, mutta liikenne vain neljäsosan tästä. Lämpötilan noustessa yhden asteen kulutus laski keskimäärin 12,5 Wh/km. Minuutin positiivinen muutos liikennemäärään perustuvassa matka-ajan odotusarvossa liittyi 28,3 Wh/km kasvuun kulutuksessa. Työn tulokset osoittavat, että avoimen datan palvelujen reaaliaikaista liikenne- ja lämpötiladataa voidaan hyödyntää sähköbussin kulutuksen ennustamiseen. Malli on yleistettävissä muille reiteille lämpötilan osalta, jonka keskivirhe oli vain 1,9 Wh/km ja joka ei ollut riippuvainen reitin nopeusprofiilista. Liikennemäärän kulutusvaikutukseen liittyvä epävarmuus edellyttää mallin kalibrointia reittikohtaisilla mittauksilla.Particle emissions from internal combustion engine buses cause significant health problems in cities, where noxious particle stay trapped between buildings and are inhaled by people. Battery-powered electric buses can solve the pollution problem. However, engineering an economically competitive electric bus system constitutes a challenge as having an accurate understanding of the variation in bus energy consumption is required. A predictive energy consumption model for an electric bus, based on real-time traffic and weather data, is introduced in this thesis. Battery current and voltage, as well as vehicle velocity, were measured for 14 weeks from a battery electric bus operating in Espoo route 11. The bus IoT-system (Internet of Things) transferred the measurements in real time to a cloud server. Real-time mobile phone location data was utilised to determine congestion levels. A multivariable linear regression model was fitted to the data. Mean energy consumption was 770 Wh/km and maximum value more than twice the minimum. Both traffic and temperature were statistically significant variables in the regression model. Temperature explained 28% of the variance in consumption but traffic only one fourth of this. A one degree increase in temperature was related to 12,5 Wh/km decrease in consumption, while a one minute increase in expected travel time yielded a 28,3 Wh/km increase. Results indicate that traffic and temperature data may be successfully utilised to predict electric bus energy consumption. The model can be generalized to other routes with respect to temperature, which had small error and was not dependent on route velocity profile. However, the uncertainty related to the impact of traffic level to energy consumption indicates that the model needs to be calibrated with route specific traffic data.Description
Supervisor
Tammi, KariThesis advisor
Vepsäläinen, JariKeywords
akkusähköbussi, energiankulutus, tilastollinen analyysi, avoin data, liikenne, lämpötila
