P R A C E N A U K O W E - P O L I T E C H N I K A W A R S Z A W S K A . T R A N S P O R T
ISSN: 1230-9265 vol. 128
DOI: 10.5604/01.3001.0013.7577 2020
Article citation information:
Pamuła, T. (2020). Application of a neural network for the estimation of energy consumption for a bus line in public urban transport, WUT Journal of Transportation Engineering, 128, 19-28, ISSN: 1230-9265,
DOI: 10.5604/01.3001.0013.7577
*Corresponding author
E-mail address: teresa.pamula@polsl.pl (T. Pamuła) ORCID: 0000-0002-0188-2848 (T. Pamuła)
Received 5 May 2019, Revised 15 December 2019, Accepted 19 December 2019, Available online 22 January 2020
Application of a neural network for the estimation
of energy consumption for a bus line
in public urban transport
Teresa Pamuła
*Silesian University of Technology, Katowice, Poland
Summary: The estimation of energy consumption has become an important prerequisite for planning the implementation of electric buses and the required infrastructure for charging them in public urban transport. The article proposes a model for estimating electric bus energy con-sumption for the bus line of public urban transport. The developed model uses a deep learning network to estimate bus energy consumption, stop by stop, accounting for the road character-istics. The aim of the research was to develop a neural model for estimating electric energy consumption so that it can be easily applied in large bus networks using real data sources that are widely available to bus operators. The deep learning networks allow for the effective use of a large number of sample data (big data). The energy needed to power a bus which travels a distance from a bus stop to a bus stop is a function of selected parameters, such as distance between stops, driving time between stops, time at the bus stop, average number of passengers, the slope of the road, average speed between stops, extra energy – fixed value for the section. The given relationships were mapped using a neural network. A neural model for estimating the energy consumption of an electric bus can be used in works for determining the necessary battery capacity, for the design of optimized charging strategies and to determine charging infrastructure requirements for electric buses in a public transport network.
Keywords: electric buses, energy demand, neural networks
1. Wstęp
Transport publiczny ma kluczowe znaczenie dla funkcjonalności systemów miejskich. Na całym świecie wiele uwagi poświęca się ograniczaniu wpływu transportu na środowisko, promując czyste paliwa, a jednocześnie poprawiając dostępność usług. W tym kontekście elektryfikacja transportu autobusowego zyskuje na popularności ze względu na wysoką efektywność energetyczną, a także niską emisję i redukcję hałasu w porównaniu z autobu-sami konwencjonalnymi.
Rozwój autobusów elektrycznych przyspieszył szybko w ciągu ostatnich pięciu lat, z glo-balną flotą autobusów elektrycznych szacowaną na 345 000 pojazdów w 2016 r. (dwukrotnie więcej niż w 2015 r.), przy czym największy udział mają Chiny (blisko 90%) [3]. Chociaż europejski udział w globalnej flocie autobusów elektrycznych jest niewielki, europejskie branże odgrywają istotną rolę w badaniach i opracowywaniu nowych rozwiązań w dziedzi-nie elektryfikacji transportu, które można rówdziedzi-nież eksportować [8].
Rozwój pojazdów elektrycznych jest wspierany przez prawnie wiążące ustawodawstwo w Unii Europejskiej [1]. Polityka UE w zakresie zrównoważonego transportu jest oparta na białej księdze Komisji Europejskiej pt.: „Plan utworzenia jednolitego europejskiego obszaru transportu - w kierunku konkurencyjnego i zasobooszczędnego systemu transportowego”. Celem jest zmniejszenie emisji gazów cieplarnianych z transportu o 60% do 2050 r. w po-równaniu do poziomu z 1990 r. [1].
W UE istnieje wyraźne poparcie dla rozwiązań w zakresie wdrażania autobusów elek-trycznych w transporcie publicznym. Państwa członkowskie mogą swobodnie określać swoje potrzeby w strategiach krajowych. UE dotuje projekty demonstracyjne autobusów elektrycznych w ramach programów 7PR i Horyzont 2020. W ramach 7PR uruchomiono inicjatywę „ZeEUS” (system miejskich autobusów o zerowej emisji), z udziałem ponad 40 uczestników konsorcjum i budżetem wynoszącym 22 miliony euro [8,1]. Wiele krajów, w tym Francja, Niemcy, Włochy i Wielka Brytania, ustanawia krajowe ramy prawne, które będą nadal zachęcać do wdrażania autobusów elektrycznych do transportu publicznego [8]. W Szwecji do 2030 roku 80% autobusów miejskich może być napędzanych elektrycznie. Szacuje się, że udział ten wyniesie 100% do 2050 r. [8].
Ważnym warunkiem wstępnym planowania i wdrażania autobusów elektrycznych oraz wymaganej infrastruktury do ich ładowania stała się ocena zapotrzebowania na energię. Wiele najnowocześniejszych podejść do określania zużycia energii autobusów elektrycz-nych wykorzystuje indywidualne wartości zapotrzebowania na energię lub opiera się na standardowych cyklach jazdy, ale często nie uwzględniają one charakterystyk trasy lokalnej [4]. Inne wymagają pomiarów profili jazdy pojazdów w wysokiej rozdzielczości, co jest niepraktyczne w przypadku dużych flot autobusowych [7].
W artykule [2] przedstawiono dynamiczny model zapotrzebowania na energię autobusów elektrycznych. Model ten nie wymaga szczegółowych profili jazdy, ale uwzględnia rzeczy-wiste charakterystyki trasy autobusu i jest wystarczająco dokładny, aby uzyskać realistyczne wyniki. Model został zaprojektowany tak, aby można go było łatwo zastosować w dużych sieciach autobusowych przy użyciu rzeczywistych źródeł danych, które są powszechnie do-stępne dla operatorów transportu autobusowego. Mogą to być dane zbierane podczas co-dziennej eksploatacji, gdzie dostępny jest tylko czas przybycia i odjazdu autobusów na każ-dym przystanku. Walidację i weryfikację modelu przeprowadzono na rzeczywistym zbiorze danych dla publicznej sieci autobusowej miasta Singapur. Wykonano szczegółową analizę zapotrzebowania na energię każdej pojedynczej linii autobusowej przez cały dzień pracy. Autorzy wykazali, że pomimo zastosowania uproszczonych profili jazdy, proponowany mo-del dał wiarygodne i bardzo szczegółowe szacunki energii, które można analizować na wiele sposobów. Model matematyczny zaproponowany w [2] umożliwi wygenerowanie ciągów uczących dla neuronowego modelu oszacowania zużycia energii, którego koncepcję przed-stawiono w niniejszym artykule. W artykule zaproponowano model szacowania zużycia energii przez autobus elektryczny dla linii autobusowej przedsiębiorstwa komunikacji miej-skiej. W opracowanym modelu koncepcyjnym, do wyznaczenia zapotrzebowania na energię autobusu na odcinku drogi od przystanku do przystanku z uwzględnieniem charakterystyki
drogi lokalnej, użyto sieci neuronowej typu deep learning. Sieci typu deep learning, należą do ważnej grupy metod analizy dużych zbiorów danych „big data”, co umożliwi zastosowa-nie modelu do oszacowania zapotrzebowania na energię dużych flot autobusowych. Do-świadczenie autora artykułu pozwala sądzić, że opracowany model koncepcyjny umożliwi prawidłowe oszacowanie zużycia energii na podstawie podanych parametrów [5].
2. Metody obliczania zużycia energii autobusów elektrycznych
Ograniczenia związane z zasięgiem i sposobami ładowania elektrycznych autobusów akumulatorowych stanowią wyzwanie dla elektryfikacji istniejących flot autobusowych. Sieć autobusów elektrycznych wymaga infrastruktury ładowania i harmonogramu, który nie spowoduje zakłóceń w pracy autobusu, ale też nie jest zbyt kosztowna. Złożoność wzrasta proporcjonalnie do rozmiaru rozważanej sieci autobusowej. Aby zaplanować sieć autobu-sów elektrycznych i wybrać odpowiednią pojemność akumulatorów, zapotrzebowanie na energię każdej linii autobusowej musi być określone przez cały dzień w różnych warunkach ruchu.
2.1. Szacowanie zużycia energii metodami średniej, cykli jazdy i profili
podróży
Wcześniejsze badania najczęściej wykorzystywały jedno z następujących trzech podejść do określania zapotrzebowania na energię dla autobusów elektrycznych:
obliczenie średniego zapotrzebowania na energię na jednostkę długości lub czasu, wykorzystanie standardowych cykli jazdy na podstawie danych literaturowych, wyznaczanie szczegółowych pomiarów profili jazdy.
W pierwszym przypadku dla zapotrzebowania na energię dla każdego typu autobusu (np. jednopiętrowego lub piętrowego) na wszystkich trasach używana jest ta sama średnia war-tość [6, 10]. Takie podejście jest często stosowane w badaniach koncentrujących się na pro-blemach planowania ładowania autobusów elektrycznych. Chociaż takie podejście jest bar-dzo proste do wdrożenia, zastosowanie średnich wartości zapotrzebowania na energię daje jedynie przybliżone oszacowanie zapotrzebowania na energię i nie uwzględnia warunków ruchu w różnych porach dnia lub charakterystykach trasy, takich jak podjazdy lub zjazdy. Ponadto nie bierze pod uwagę zużycia energii wynikającego z używania klimatyzacji lub ogrzewania, na które ma wpływ czas trwania podróży, a nie długość przejechanej trasy. W godzinach szczytu podróż autobusem może trwać znacznie dłużej niż w godzinach poza szczytem, co powoduje znacznie większe zapotrzebowanie na energię.
W drugim podejściu standardowe cykle jazdy określane są na podstawie danych literatu-rowych [4, 9]. Te cykle jazdy oparte są na pomiarach ruchu z różnych miast. Standardowe cykle jazdy zawierają zmiany, takie jak jazda na autostradzie lub w zatłoczonym ruchu. Jed-nak zastosowanie standardowego cyklu jazdy w innym mieście nieuchronnie doprowadzi do rozbieżności. Podobnie jak w pierwszym podejściu, warunki ruchu na różnych trasach busowych nie są identyczne, zwłaszcza w dużych sieciach autobusowych, ponieważ auto-busy mają niską średnią prędkość z wieloma przystankami i wysokim opóźnieniem (przy-spieszeniem przed) przy dojeździe do przystanku. Duże różnice mogą również występować między różnymi typami usług autobusowych, np. usługami przewozowymi, bagażowymi lub ekspresowymi.
Trzecie podejście wymaga wykonania szczegółowych pomiarów w celu określenia pro-filu jazdy [7]. W celu uzyskania dokładniejszych wartości zapotrzebowania na energię au-tobusów, urządzenia pomiarowe mogą być zainstalowane w autobusach, aby rejestrować zapotrzebowanie na energię z wysoką rozdzielczością czasową. Modele symulacyjne można wyprowadzić z wyników. Podejścia wymagające pomiarów w terenie są z natury rzeczy ograniczone ze względu na to, że pomiar profilu jazdy każdej trasy autobusu może być wy-konany dla małych sieci autobusowych, ale dla większych sieci autobusowych szybko staje się niepraktyczny.
We wszystkich cytowanych badaniach szczegółowe pomiary przeprowadzono tylko dla kilku autobusów. Prowadzi to do tego samego problemu nieuwzględnienia wszystkich linii autobusowych, które mogą mieć znacznie różne charakterystyki. Aby uwzględnić warunki ruchu, trzeba by wykonać kilka pomiarów na każdej linii autobusowej.
2.2. Model popytu na energię z użyciem syntetycznego profilu jazdy
W artykule [2] przedstawiono model popytu na energię, który nie wymaga pomiarów profili prędkości w wysokiej rozdzielczości. Potrzebne są tylko zapisy czasu przyjazdu i wy-jazdu autobusów na każdym przystanku. To podejście uwzględnia różnorodność sytuacji napotykanych w rzeczywistych warunkach operacyjnych, przy jednoczesnym zachowaniu możliwości analizy zapotrzebowania na energię, nawet w skali dużej sieci autobusowej. Osiąga się to za pomocą zestawów danych obejmujących całą sieć, które można łatwo uzy-skać ze źródeł danych zwykle gromadzonych przez operatorów autobusów na podstawie istniejących zapisów danych operacyjnych. Przykładem mogą być systemy zarządzania flotą autobusową, które rejestrują pozycję każdego pojazdu w niskiej rozdzielczości lub systemy zarządzania taryfami, które zapisują zdarzenia dotyczące wsiadania i wsiadania dla wszyst-kich pasażerów na wszystwszyst-kich przystankach autobusowych. Wykorzystanie tawszyst-kich zestawów danych umożliwia operatorom autobusowym zastosowanie modelu do istniejących sieci jako całości i przez długi czas. Metoda ta jest łatwa do zastosowania w innych sieciach au-tobusowych i pokonuje problem często spotykany w praktyce: niedostępność bardzo szcze-gółowych zestawów danych na dużą skalę.
Dla potrzeb metody zdefiniowano tzw. syntetyczny profil jazdy, który wymaga jedynie czasów przyjazdu i odjazdu autobusów na wszystkich odwiedzanych przystankach. Profil ten ma naśladować miejskie warunki jazdy, gdzie autobusy często muszą zatrzymywać się na skrzyżowaniach lub światłach i przechodzić przez kolejne fazy przyspieszania i zwalnia-nia między każdą parą przystanków. Czas trwazwalnia-nia każdej podróży między dwoma odwie-dzanymi przystankami autobusowymi Δtodc i czasem przebywania na każdym przystanku Δtprzyst jest obliczany od czasu odjazdu do przyjazdu. W połączeniu ze znaną odległością D pomiędzy przystankami, daje to średnią prędkość vsr_odc = D/Δtodc.
W celu lepszego odtworzenia rzeczywistych warunków jazdy, na które narażony jest au-tobus określono dynamiczny profil prędkości, który jest uzyskiwany dynamicznie dla każ-dego przejazdu między każdą parą przystanków tak, aby pasował on do dostępnych danych rzeczywistych (odległość między przystankami D i czas trwania podróży Δtodc). Składa się z następujących po sobie nh + 1 identycznych faz o długości D′ = D / (nh + 1), gdzie nh odpowiada liczbie pośrednich przerw między dwoma przystankami, np. zatrzymanie sięna światłach lub ustąpienie pierwszeństwa na skrzyżowaniu. Każda faza rozpoczyna się stałym przyspieszeniem +a na dystansie d0, a następnie jazda ze stałą prędkością v1 na odległość d1
i kończy się zatrzymaniem ze stałą szybkością zwalniania -a na odległość d2 tak, że d0 + d1 + d2 = D′.
Wartości nh i v1 są wybierane dynamicznie w oparciu o zmierzoną średnią prędkość vsr_odc. Dla nh zakłada się, że jest co najmniej jeden pośredni postój na odcinku między kolejnymi przystankami (nh=1), nh = 2 jeśli 20 ⩽ vsr_odc < 25 km/h i nh = 3 jeśli 15⩽vsr_odc<20 km/h. Prędkość jazdy v1 jest ustawiana dla każdej podróży tak, aby v1 = 1,5vsr_odc, ale z dolną granicą 15 km/h oraz górną granicą określoną jako maksymalna między vsr_odc a 50 km/h. Na przykład, jeśli czas trwania danej podróży był mierzony jako dłuższy niż zwykle (na przykład z powodu większego zatoru drogowego), profil syntetyczny uwzględni to, stosując niższą prędkość stałą (v1) i dodając więcej pośrednich zatrzymań (nh). Odwrotnie, jeśli zmie-rzony czas trwania podróży był krótszy niż zwykle, wtedy vsr_odc będzie wyższa, podobnie jak v1, podczas gdy liczba pośrednich zatrzymań zostanie zmniejszona.
Ten uproszczony profil prędkości pozwala na eliminację składowej czasu tak, że energia dla odcinka (Eodc) zależy tylko od znanych parametrów i zmiennych wyznaczonych na pod-stawie zestawu danych rzeczywistych (D i Δtodc). Faza jazdy składa się z trzech części: przy-spieszenia, jazdy ze stałą prędkością (wybiegu) oraz hamowania. Przyjęto założenie, że przyspieszenie jest stałe.
Rysunek 1 podsumowuje kroki podjęte w celu oceny zapotrzebowania na energię jednej linii autobusowej. Wymagane dane wejściowe z rzeczywistej eksploatacji zostały ograni-czone do następujących zmiennych:
odległość między dwoma kolejno odwiedzanymi przystankami (D), czas trwania podróży (Δodc),
czas przebywania na przystanku (Δtprzyst),
średnia liczba pasażerów na odcinku między przystankami, gradient drogi (α).
Długość podróży jest znana, ponieważ trasy autobusów są stałe. Czas podróży i czas prze-bywania są uzyskiwane bezpośrednio z zarejestrowanych czasów przyjazdu i wyjazdu na przystankach autobusowych. Dwie dodatkowe zmienne wejściowe (npas, α) z rzeczywistych pomiarów są również użyteczne, ale nie są absolutnie konieczne. Jeśli to możliwe, liczba pasażerów na pokładzie (npas) może być wykorzystana do obliczenia lepszego oszacowania całkowitej masy pojazdu (M). W przeciwnym razie do obliczenia M można wykorzystać założenia dotyczące średniego stopnia zajętości autobusu. Gradient drogi (α) między dwoma przystankami również poprawia dokładność oszacowania zapotrzebowania na energię. Wpływ tego czynnika jest ograniczony, jeśli rozpatrywana sieć autobusowa nie wykazuje znacznych różnic wysokości.
W neuronowym modelu przyjęto zmienne npas oraz α jako dodatkowe wejścia sieci neu-ronowej. Oprócz energii związanej z napędem, należy uwzględnić dodatkową moc Ppom po-trzebną do klimatyzacji i różnych czynności pomocniczych, takich jak: otwieranie drzwi, wspomaganie kierownicy, oświetlenie, wyświetlacze w pojeździe itp. Przyjęto założenie, że Ppom jest stała w czasie trwania jazdy Δtodc, jak również w czasie przebywania autobusu na przystanku (Δtprzyst)
𝐸𝑝𝑜𝑚 = 𝑃𝑝𝑜𝑚(∆𝑡𝑜𝑑𝑐+ ∆𝑡𝑝𝑟𝑧𝑦𝑠𝑡) (1)
Sumaryczne zapotrzebowanie na energię między dwoma kolejnymi przystankami może być obliczone jako suma zapotrzebowania na energię dla każdego odcinka plus zapotrzebo-wanie na energię pomocniczą
Zapotrzebowanie na energię dla jednego autobusu linii autobusowej jest sumą
𝐸𝑝𝑜𝑑𝑟 = ∑𝑛 𝑜𝑑𝑐𝐸𝑐𝑎𝑙𝑘_𝑜𝑑𝑐 (3)
Zużycie energii dla całej linii autobusowej jest sumą zużycia energii dla wszystkich au-tobusów kursujących na danej linii
𝐸𝑙𝑖𝑛𝑖𝑎 = ∑𝑚 𝑎𝑢𝑡𝑜𝑏𝐸𝑝𝑜𝑑𝑟 (4)
W tym artykule przyjęto uproszczenie, że autobusy są tego samego typu.
3. Neuronowy model oszacowania zużycia energii dla linii
obsługiwanej przez autobusy elektryczne
W rozdziale przedstawiono autorski neuronowy model szacowania zużycia energii dla linii autobusowej na podstawie danych rzeczywistych. Zależności funkcyjne parametrów odwzorowano z użyciem sieci neuronowej. To odwzorowanie relacji między zmiennymi jest uzyskiwane w trakcie szkolenia sieci. Zaletą takiego podejścia jest to, że niewielkie odchy-lenie parametru (zakłócenie) podanego na sieć neuronową nie zmienia w istotny sposób war-tości wyjściowej sieci – warwar-tości energii. Dodatkowo użycie odpowiednio wytrenowanej sieci typu deep learning powoduje, że model jest bardziej odporny na brak niektórych da-nych niż w przypadku użycia „zwykłych” sieci neuronowych, co wykazano w [5].
Ogólny schemat postępowania w celu obliczenia zapotrzebowania na energię autobusu dla danej linii przedstawiono na rysunku 1.
Rys. 1. Algorytm obliczenia zapotrzebowania energetycznego dla linii autobusowej (źródło: opracowanie własne)
Metodę oszacowania zapotrzebowania na energię zaproponowaną w [2] użyto do wyge-nerowania danych dla ciągów uczących sieci neuronowej. Wartość energii potrzebna do przejechania odcinka drogi od przystanku do przystanku przez autobus elektryczny jest funkcją parametrów opisanych w poprzednim rozdziale i można ją przedstawić w następu-jący sposób
𝐸𝑐𝑎𝑙𝑘_𝑜𝑑𝑐 = 𝑓(𝐷, ∆𝑡𝑜𝑑𝑐, ∆𝑡𝑝𝑟𝑧𝑦𝑠𝑡, 𝑛𝑝𝑎𝑠, 𝛼, 𝑣𝑠𝑟, 𝑃𝑝𝑜𝑚) (5) gdzie dane wejściowe modelu uzyskane z pomiarów to:
𝐷 – odległość między przystankami,
∆𝑡𝑜𝑑𝑐 – czas trwania jazdy na odcinku między przystankami, ∆𝑡𝑝𝑟𝑧𝑦𝑠𝑡 – czas przebywania autobusu na przystanku,
𝑛𝑝𝑎𝑠 – liczba pasażerów,
𝛼 – kąt nachylenia drogi obliczony na podstawie różnicy wysokości pomiędzy dwoma kolejno odwiedzanymi przystankami,
𝑣𝑠𝑟 – średnia prędkość na odcinku,
𝑃𝑝𝑜𝑚 – moc pomocnicza (w tym klimatyzacja) – stała wartość dla odcinka.
Zaproponowano odwzorowanie zależności (5) z użyciem sieci neuronowej typu deep le-arning z autoenkoderami (DLNa). Na rysunku 2 przedstawiono poglądowy schemat neuro-nowego modelu szacowania zużycia energii przez autobus elektryczny.
Rys. 2. Model oszacowania zużycia energii przez autobus elektryczny na odcinku między kolejnymi przystankami (źródło: opracowanie własne)
W uproszczonym modelu można przyjąć, że wejścia D, ∆todc , ∆tprzyst mogą być danymi uzyskanymi z bezpośrednich pomiarów a pozostałe wejścia można podać jako stałe wyli-czone i uśrednione niezależnie dla każdego odcinka jazdy autobusu.
Wyjście modelu – zapotrzebowanie na energię na odcinku od chwili przyjazdu na przy-stanek do chwili przyjazdu na kolejny przyprzy-stanek Ecalk_odc. Dla ciągu uczącego wartości ener-gii wyliczono na podstawie [2].
Parametrami zaproponowanego modelu są dane historyczne z pomiarów profili jazdy au-tobusów elektrycznych na linii określonej harmonogramem jazdy.
Przykładowe dane dla pięciu kolejnych przystanków odwiedzonych podczas podróży (rys. 3) na jednej z linii autobusowej PKM Jaworzno przedstawiono w tablicy 1. Dane z tabeli 1 zarejestrowano na trasie zaznaczonej kropkowaną czerwoną linią, przedstawionej na mapie z rysunku 3.
Dla przykładowych danych z tablicy 1 czas pokonania czterech odcinków trasy wraz z pobytem na przystankach wynosi 4 min 1 sek. Zużycie energii zarejestrowane na tej trasie przez PKM Jaworzno wyniosło 3,2 kWh.
Tabela 1. Parametry jazdy autobusu Nr aktualnego przystanku 1 2 3 4 5 Czas przybycia 09:07:38 09:09:28 09:10:18 09:11:23 09:12:29 Pasażerowie wsiadający 11 1 2 5 0 Pasażerowie wysiadający 0 1 0 4 4 Różnica wsiadający-wysiadający 11 0 2 1 -4 Pasażerowie w autobusie 𝑛𝑝𝑎𝑠 11 11 13 14 10 Czas oczekiwania ∆𝑡𝑝𝑟𝑧𝑦𝑠𝑡 00:00:20 00:00:10 00:00:10 00:00:10 00:00:10 Godzina odjazdu 09:07:58 09:09:38 09:10:28 09:11:33 09:12:39 Numer następnego przystanku 2 3 4 5 6
Długość trasy D [m] 950 410 590 410 450 Czas trwania podróży ∆𝑡𝑜𝑑𝑐 00:01:30 00:00:40 00:00:55 00:00:56 00:00:50 Średnia prędkość podróży 𝑣𝑠𝑟[km/h] 38,0 36,9 38,6 26,4 32,4
Rys. 3. Przykładowa trasa autobusu (źródło: OpenStreetMap)
4. Wnioski
W artykule zaproponowano autorską koncepcję neuronowego modelu oszacowania zu-życia energii dla odcinka linii autobusowej obsługiwanej przez autobus elektryczny. Wejścia modelu to dane o parametrach jazdy autobusu elektrycznego na trasie od przystanku do przy-stanku. Wyjście to szacowane zużycie energii dla analizowanego odcinka drogi. Zaletą mo-delu jest to, że dane potrzebne do oszacowania zapotrzebowania na energię elektryczną mogą być zbierane w trakcie codziennej eksploatacji. W najprostszym przypadku może to być tylko czas przybycia i odjazdu autobusów na każdym przystanku. Pozostałe parametry można przyjąć jako stałe dla danego odcinka trasy autobusu lub średnie, wyliczone z danych historycznych, np. średnia liczba pasażerów przewożonych na danym odcinku. Zastosowana sieć neuronowa typu deep learning, pozwoli na efektywne wykorzystanie dużej liczby da-nych uczących dla różnorodda-nych odcinków trasy autobusu elektrycznego, a tym samym oszacowanie zużycia energii dla dużych flot autobusów komunikacji miejskiej.
Wstępne badania wskazują na możliwość zastosowania modelu do oszacowania zapo-trzebowania na energię autobusu elektrycznego kursującego na danej linii. Uzyskanie dużej
dokładności wymaga ustalenia odpowiedniej konfiguracji sieci neuronowej. W dalszych ba-daniach ciągi uczące dla sieci neuronowej będą stanowiły rzeczywiste dane zarejestrowane przez PKM.
Neuronowy model oszacowania zużycia energii przez autobus elektryczny może zostać użyty w pracach mających na celu zaplanowanie (prognozę) niezbędnej pojemności akumu-latorów, zaprojektowanie zoptymalizowanych strategii ładowania oraz określenie wymo-gów w zakresie infrastruktury ładowania dla autobusów elektrycznych w sieci transportu publicznego.
Bibliografia
1. Benz, M. (2015). Techview report electric buses, Fraunhofer MOEZ, Leipzig, Germany.
2. Galleta, M., Massiera, T., Hamacherb, T. (2018). Estimation of the energy demand of electric buses based on real-world data for large-scale public transport networks, Applied Energy, 230, 344–356.
3. IEA. (2017). Global EV Outlook 2017. Paris.
4. Nylund, N-O., Erkkilä, K., Clark, N., Rideout, G. (2007). Evaluation of duty cycles for heavy-duty urban vehicles. Final report of IEA AMF Annex XXIX.
5. Pamuła, T. (2019). Impact of data loss for prediction of traffic flow on an urban road using neural net-works, IEEE Transactions on Intelligent Transportation Systems, 20 (3), 1000-1009.
6. Paul, T., Yamada, H. (2014). Operation and charging scheduling of electric buses in a city bus route network, in: 17th IEEE International Conference on Intelligent Transportation Systems (ITSC), 2780–2786. Qingdao, China.
7. Sinhuber, P., Rohlfs, W., Sauer, DU. (2012). Study on power and energy demand for sizing the energy storage systems for electrified local public transport buses, in: IEEE Vehicle Power and Propulsion Con-ference, 315–320, Seoul, Korea.
8. UITP. (2017). ZeEUS eBus Report. Brussels. (UITP - Union Internationale des Transports Publics). 9. Vilppo, O., Markkula, J. (2015). Feasibility of electric buses in public transport, in: EVS28 28th
interna-tional electric vehicle symposium and exhibition KINTEX, Goyang, Korea.
10. Wang, Y., Huang, Y., Xu, J., Barclay, N. (2017). Optimal recharging scheduling for urban electric buses: a case study in Davis, Transportation Research Part E: Logistics and Transport Review, 100, 115–132.
Zastosowanie sieci neuronowej do oszacowania zużycia
energii autobusów elektrycznych dla linii autobusowej
w publicznym transporcie miejskim
Streszczenie. Ocena zapotrzebowania na energię stała się ważnym warunkiem wstępnym pla-nowania wdrażania autobusów elektrycznych oraz wymaganej infrastruktury do ich ładowania w publicznym transporcie miejskim. W artykule zaproponowano model szacowania zużycia energii przez autobus elektryczny dla linii autobusowej przedsiębiorstwa komunikacji miej-skiej. W opracowanym modelu do wyznaczenia zapotrzebowania na energię autobusu na od-cinku drogi od przystanku do przystanku z uwzględnieniem charakterystyki drogi lokalnej użyto sieci neuronowej typu deep learning. Celem badań było opracowanie neuronowego mo-delu szacowania zużycia energii elektrycznej tak, aby można go było łatwo zastosować w du-żych sieciach autobusowych przy użyciu rzeczywistych źródeł danych, które są powszechnie dostępne dla operatorów transportu autobusowego. Użycie sieci typu deep learning pozwala na efektywne wykorzystanie dużej liczby danych wzorcowych (tzw. big data). Przyjęto, że wartość energii potrzebna do pokonania odległości od przystanku do przystanku autobuso-wego jest funkcją wybranych parametrów, takich jak: odległość między przystankami, czas trwania jazdy na odcinku między przystankami, czas przebywania autobusu na przystanku,
Copyright © 2020 Pamuła T.
This is an open access article distributed under the Creative Commons Attribution License średnia liczba pasażerów, kąt nachylenia drogi, średnia prędkość na odcinku, energia dodat-kowa – stała wartość dla odcinka. Podane zależności zostały odwzorowane za pomocą sieci neuronowej. Neuronowy model oszacowania zużycia energii przez autobus elektryczny może zostać użyty w pracach mających na celu określenie niezbędnej pojemności akumulatorów, zaprojektowanie zoptymalizowanych strategii ładowania oraz określenie wymogów w zakre-sie infrastruktury ładowania dla autobusów elektrycznych w zakre-sieci transportu publicznego. Słowa kluczowe: autobusy elektryczne, zużycie energii, sieci neuronowe
