Application of a neural network for the estimation of energy consumption for a bus line in public urban transport

• Autorzy: Pamuła Teresa

Identyfikatory

DOI

10.5604/01.3001.0013.7577

Warianty tytułu

PL

Zastosowanie sieci neuronowej do oszacowania zużycia energii autobusów elektrycznych dla linii autobusowej w publicznym transporcie miejskim

• Języki publikacji: PL

Abstrakty

PL

Ocena zapotrzebowania na energię stała się ważnym warunkiem wstępnym planowania 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 miejskiej. W opracowanym modelu do wyznaczenia zapotrzebowania na energię autobusu na odcinku drogi od przystanku do przystanku z uwzględnieniem charakterystyki drogi lokalnej użyto sieci neuronowej typu deep learning. Celem badań było opracowanie neuronowego modelu szacowania zużycia energiielektrycznej tak, aby można go było łatwo zastosować w dużych 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 liczbydanych wzorcowych (tzw. big data). Przyjęto, że wartość energii potrzebna do pokonania odległości od przystanku do przystanku autobusowego jest funkcją wybranych parametrów, takich jak: odległość między przystankami, czas trwania jazdy na odcinku między przystankami, czas przebywania autobusu na przystanku, średnia liczba pasażerów, kąt nachylenia drogi, średnia prędkość na odcinku, energia dodatkowa –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 zakresie infrastruktury ładowania dla autobusów elektrycznych w sieci transportu publicznego.

EN

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 consumption 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 characteristics. The aim of the research was to develop a neural model for estimating electric energy consumptionso 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 buswhich 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.

Słowa kluczowe

PL

autobus elektryczny; zużycie energii; sieci neuronowe

EN

electric buses; energy demand; neural networks

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Transport
• Rocznik: 2020
• Tom: z. 128
• Strony: 19--28
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wykr.

Twórcy

autor

Pamuła Teresa

• Silesian University of Technology, Katowice, Poland

Bibliografia

• 1. Benz, M.(2015). Techviewreport 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 networks, 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 Conference, 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 international 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

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).