top of page
Szerző képeAron Sonfalvi

Energiafelhasználás összetétele és előjelzése e-buszokban

Az elmúlt évtized exponenciálisan növekvő e-busz trendje kapcsán mára széles körben ismert, hogy a hatótáv, energiafelhasználás, üzembiztosság különböző környezeti feltételek mellett drasztikusan eltérhet. Jóval gazdaságosabb és hatékonyabb, de a belsőégésű motornál mértékrendekkel kisebb hőveszteség hátrányaként jelentkezik, hogy a fűtési feladatokra külön energiát kell fordítani. Ugyancsak a hajtáslánc sajátosságaiból fakadóan a belsőégésű motorral szerelt buszok esetében állandóüzemű – a motor kihajtótengelyére közvetlenül kényszerezett – légsűrítő szakaszos üzemű lett, mely így gazdaságosabban működik (névleges nyomásszint alá csökkenve kapcsol be), viszont a korlátozottan rendelkezésre álló energiát használja. A lítium-ion akkumulátorok alapvető sajátosságaiból fakadóan jelentősen eltérően viselkedik szélsőséges időjárási körülmények között, kiegészítő hűtés vagy fűtést igényel az optimális kapacitás megtartásához. A jellemző fajlagos energiafelhasználás szóló, egyszintes, 12 méteres e-buszok esetén 0,8…3 kWh/km között mozog, míg ugyanez dízelbuszok esetén 4…5 kWh/km. Milyen tényezők és milyen arányban befolyásolják az energiaigényt?

550 kilométert futott Lion's City 363,3 kWh energiafelhasználásával. Fotó: MAN Truck & Bus.


Bizonytalanság, valószínűség-számítás

Temérdek tényező következtében a várható fogyasztás pontos becslése adott útvonalon körülményes, márpedig a leendő járművek akkumulátorkapacitását és a töltőinfrastruktúra kiépítését ezen érték ismeretében lehet tervezni, melyek megalapozzák a beruházás teljes élettartamköltséget. Finnországban szűk kétéves, IoT (Internet of Things) eszközökkel (telemetria + felhőalapú adattárolás), hat buszon végzett mérés eredménye átlagosan 0,78 kWh/km fogyasztást mutatott, azonban esetenként 1 kWh/km (!) eltéréssel az egyes indulások között, 15%-kal alacsonyabb átlagértékkel elővárosi útvonalakon. Három, jelentős hatással bíró tényezőt állapítottak meg: időjárási körülmények, topográfia, vezetési stílus. Dobogóról éppen lecsúszott az akkumulátorok belsőellenállásának változása, mely a cellahőmérsékletek és a töltőáratól függ; ennek viselkedési előjelzésére igen pontos lineáris modellek készültek már.



Minden mindennel összefügg: többváltozós optimalizálás

Kardinális a fajlagos teljes energiafogyasztás pontos ismerete a befektetés költségeinek meghatározására. Erre az elmúlt évek tanulmányai többféle szimulációs és számítási módszert dolgoztak ki, mint a gépi tanulást (Machine Learning; Random Forest Method), és különböző neurális hálókat (Convolutional, Simple Neural Network) felhasználva. A legtöbb módszer valós adatgyűjtésen alapszik, melyet változatos módszerekkel kiterjesztettek (pl. lineáris vagy nem-lineáris extrapolációval).


Két rövid példa:

  • akkumulátorok méretezése: kisebb kapacitás – kisebb hatótáv – gyakoribb töltés = több, útközbeni töltőpont szükséges VAGY több autóbusz ugyanazon követési idő fenntartásához,

  • töltés: túlfeszített napközbeni töltési ütemezés esetén váratlan esemény miatt kimaradhatnak járatok, míg lazán tervezett töltés esetén a haszonjármű túl sokat áll – nem termel.

Abban minden hivatkozott tanulmány azonos állásponton van, hogy a töltőinfrastruktúra és az akkumulátorrendszer a két legnagyobb pénzügyi tétel az elektromos buszokat illetően. A további, energiafelhasználást érintő tényezőkben változó álláspontokra jutottak, így ezeket külön-külön ismertetem kivonatolva, a szövegtörzsben jelzett hivatkozások az eredeti tanulmányból származnak (linkeltem a bekezdések elején).


 

Adatgyűjtésen alapuló e-busz energiafelhasználás elemzés és becslés

Analysis and estimation of energy consumption of electric buses using real-world data Zhaosheng Zhang, Baolin Ye, Shuai Wang, Yucheng Ma https://www.sciencedirect.com/science/article/pii/S1361920923004145?via%3Dihub


Az elektromos járművek energiafogyasztását becsülő modellek nagyjából két kategóriába sorolhatók: mikromodellre és makromodellre (Chen et al., 2021).

A mikromodell a valós idejű energiafogyasztás becslési modellre vonatkozik. Ennek használata során a jármű paraméterei beállíthatók, továbbá be lehet avatkozni a gépkocsivezető munkájába, hogy az energiafogyasztás csökkentése érdekében változtasson a vezetési stíluson. E modellek azonban viszonylag összetettek, ami nagy számítási kapacitású fedélzeti hardvert igényel.

A makromodell általában a megtett távolságon alapuló energiafogyasztás becslési modellt jelenti, amely képes megbecsülni a teljes út alatt felhasznált energiát. Segítség lehet az útvonalválasztáshoz és a töltési ütemezés megtervezéséhez. Ez a módszer nem igényel nagymennyiségű valós idejű számítást, és nem támaszt magas követelményeket a fedélzeti hardverrel szemben (Shen et al., 2023). E tekintetben utóbbi eljárás szélesebb körben alkalmazott, mint a mikromodell.

 

* * *

 

Analitikai modellek az elektromos buszok hajtásra fordított energiafogyasztásának gépi tanulással történő előjelzésére

Construction of Analytical Models for Driving Energy Consumption of Electric Buses through Machine Learning Kuan-Cheng Lin, Chuan-Neng Lin, Josh Jia-Ching Ying Appl. Sci. 2020, 10, 6088 https://www.mdpi.com/2076-3417/10/17/6088


Gazdaságos vezetéssel mérsékelhető az akkumulátorok kisütési aránya, ezáltal csökkenteni lehet az energiafelhasználást. Lassítja az akkumulátorok degradációját, meghosszabbítja élettartamukat, mellyel így az üzemeltetés ideje (és a tervezett csere) időben kitolható.

Fontos tehát a vezetési stílus monitorozása a BMS (Battery Management System) jeleiből, ebből előrejelzés és alapos elemzéssel jobban megismerhetők a pontos hatások. Az energiafelhasználás tényezői gépi tanulás és véletlenszerű erdőmodell segítségével szimulálhatók.

 

VÉLETLENSZERŰ ERDŐMODELL

A véletlenszerű erdőmodell döntési fák (lehetőségek) gyűjteménye, ahol az egyes fák (lehetőségek) előrejelzéseit átlagolják a végső döntéshez. Az algoritmus véletlenszerűen választja ki a megfigyeléseket és jellemzőket, és ezek alapján építi fel az egyes fákat.

 

* * *

 

Energiafogyasztás becslési modell akkumulátoros elektromos buszokhoz

A Prediction Model for Battery Electric Bus Energy Consumption in Transit Hatem Abdelaty, Moataz Mohamed Energies 2021, 14, 2824. https://doi.org/10.3390/en14102824


Egy dízelbusz-flotta teljes selejtezése előtt kifejezetten fontos, hogy a döntéshozók, közlekedési vállalatok, energiaszolgáltatók tiszta és pontos információval rendelkezzenek arról, hogy milyen hatással van egy teljesen elektromos buszflotta a jelenlegi energiahálózatra.


A teljes beruházást tekintve az akkumulátorrendszernek van a legnagyobb jelentősége (körülbelül a teljes rendszerköltség harmada), ezt követi a töltőinfrastruktúra.


Az energiafelhasználási arány pontos becslése kardinális értéke minden tervezett rendszernek, összpontosítva a flottaméret-optimálásra, akkumulátorkapacitásra és -teljesítményre, a töltőinfrastruktúra elhelyezésére és a hálózat terhelésére, valamint az üvegházhatású gázok kibocsátására [9, 20, 21, 22, 23, 24, 25].


Több másik tanulmány rámutat, hogy a környezeti hőmérséklet ingadozása jelentős változásként jelentkezik az energiafelhasználás tekintetében, elsősorban a klimatizálási igények változása miatt [33, 37]. A gördülési ellenállás a második jelentős tényező, harmadik pedig az utasterhelés. Kivekas [28] tanulmánya alapján a megállások száma nagyobb hatással van az energiafelhasználási arányra, mint az utasterhelés.

Fogyasztást befolyásoló tényezők.


Qi [52] alapján a felhasznált energia csökken, ha az útvonal hossza vagy a környezeti hőmérséklet növekszik. Továbbá az energiafelhasználás szempontjából marginális tényező a kezdeti töltöttségi érték (SoC). Hovatovább, fordított viszony áll fenn az energiafelhasználás és a kezdeti töltöttség értéke között. Vepsäläinen [29] álláspontja szerint a kezdeti töltöttség (kevesebb, mint SoC = 85% esetén) és az energiafelhasználás összefüggése zavaros. Ugyanakkor 85%-nál nagyobb SoC esetén kisebb a rekuperálható energiamennyiség, tehát összességében magasabb a teljes energiafelhasználás. Ugyanakkor, amiért e tanulmány mégis nagy hatással kezeli, vélhetően a rövid útvonal-választásoknak köszönhető, és az ehhez köthetően csekélyebb rekuperálható energiára.

Kezdeti töltöttségi szint hatása a fogyasztásra az útemelkedés függvényében, balra üres jármű, jobbra 75 utassal. Több utas, nagyobb útemelkedés = nagyobb fogyasztás.


Az útemelkedés szögének 1%-os változása 0,38 kWh/km fajlagos energiafelhasználás-növekményt jelent, míg a kezdeti töltöttség értékének 10%-kal növelése 0,124 kWh/km többletfelhasználást eredményez. Az útviszonyok változása akár 0,26 kWh/km-rel, míg az agresszív vezetési stílus 0,065 kWh/km növekedést jelenthet a fogyasztásban.


A tapasztalatok azt mutatják, hogy a legfontosabb vezetést érintő energiafelhasználási tényezőt jelenti a topográfiai viszony. Három tanulmány [20, 48, 72] is arra jutott, hogy ennek van a legnagyobb hatása a fogyasztási arányra, második tényező az útviszonyok (megállóköz, gördülési ellenállás, etc), harmadik a kezdeti töltöttségi érték.


 

* * *

 

Átfogó energiamodellezési eljárás akkumulátoros elektromos buszokról

Comprehensive Energy Modeling Methodology for Battery Electric Buses Hussein Basma, Charbel Mansour, Marc Haddad, Maroun Nemer, Pascal Stabat https://www.sciencedirect.com/science/article/pii/S0360544220313487


Nagyobb hatótáv érdekében történő túlmérezetése az akkumulátorrendszernek egy drágább, és kevésbé vonzó megoldás dízel- vagy más alternatív hajtáslánccal szemben az üzemeltetőknek. [8] Nem elhanyagolva a többletterhelést, mely a maximált tengelyterhelések ismeretében csökkenti az utaskapacitást.

Ez egy elektromos busz.


A másik oldalon ott áll az akkumulátorkapacitás minimalizálása: növeli a töltőinfrastruktúra költségeit (gyorstöltési technológia és a kapcsolódó elektromos elosztóhálózat korszerűsítésének szükségessége), valamint a töltési gyakoriságot és a szükséges extra teljesítményt, hogy elkerülhető legyen a flottaszintű menetrendi fennakadás [7, 8]. Elengedhetetlen az akkumulátorkapacitásnak a tervezett napi menetrendhez történő optimálása, valamint a megfelelő töltési stratégia kialakítása hálózati terhelés enyhítésére, nem utolsósorban a rendszer költségeinek (beszerzési és üzemeltetési) alacsonyan tartására.


Kevés tanulmány érinti az elektromos buszok HVAC (Heating Ventilation and Air Conditioning, hűtés-fűtés-légkeringetés) rendszerét, mint energiafelhasználót. Ahol szóbakerül, rendszerint statikus termikus modelleket alkalmaznak a kabinterhelés becslésére [18] és egyszerűsített HVAC-rendszermodelleket, figyelmen kívül hagyva az elfogadott szabályzási stratégiát, amely így megkérdőjelezi a felhasznált modell pontosságát.

Átlagos teljesítményigénye a HVAC-rendszernek -10°C és 40°C külső hőmérsékletek között.


Átlagos teljesítményigénye a BTMS (akku hőmenedzsment) rendszernek -10°C...40°C között.


E tanulmányok mellett néhány esetben nem buszok klimatizálásával, hanem személyautók HVAC rendszerének energiafogyasztásával foglalkoztak [19, 20]. Közülük néhány részletes utastérmodellt használ, amely célja a termikus utasterhelés becslése [21, 22], míg mások a HVAC rendszer COP-jának (Coefficient of Performance ~teljesítménymutató, a szerk.) javítására [23, 24] vagy a HVAC teljesítményének összehasonlítására fókuszál más fűtési technológiákkal [25]. Az utastérmodell négy részből áll össze: (1) belső légtér, (2) utastér falazatok, (3) utasok, (4) felhasznált anyagok, melyek összességében a belső léghőmérséklet becslésére szolgálnak.


A klimatizálás legmagasabb teljesítményigénye szélsőséges időjárási körülmények között jelentkezik. Továbbá a COP éppen ezen szélsőséges körülmények között nagyon alacsony, mely fokozza a rendszer energiaigényét. Az átlagos teljesítményigény jelentősen csökken, amint a környezeti hőmérséklet szobahőmérséklethez közelít. 15-20°C közt csak légkeringetés szükséges jellemzően, csekély (kb. 1 kW-os) energiafelhasználással, míg szélsőséges időjárási körülmények közt a rendszer fogyasztása összemérhető a hajtáslánc fogyasztásával.

Energiafelhasználás teljes utasterhelésnél különböző külső hőmérsékletek esetén az átlagsebesség függvényében: kisebb sebességnél hidegben a legmagasabb.




* * *

 

Akkumulátoros elektromos buszok energiafelhasználása – a befolyásoló tényezők áttekintése és modellezési megközelítések

Energy consumption of battery-electric buses – review of influential parameters and modelling approaches Amra Jahic, Mina Eskander, Edvard Avdevicius, Detlef Schulz 10.2478/bhee-2023-0007


Az akkumulátorkapacitás jellemzően túlméretezett a hatótáv növelése céljából, valamint a forgalmi zavarokat és fennakadásokat megelőzendő, de mindez jelentősen növeli a bekerülési és üzemeltetési költségeit az egyébként is drága technológiának, mely így az üzemeltetők számára kevésbé vonzó megoldás.


Ugyanakkor az optimális akkumulátorkapacitás-méretezés egy kihívásokkal teli feladat, hiszen az energiaigény jelentősen változik valós körülmények között [10, 11, 12, 13], nevesítve: menettulajdonságoktól, időjárási körülményektől, utastelítettségtől függ többet között. A menettulajdonságok magában foglalja a jármű sebességprofilját, a gépkocsivezető viselkedését (agresszív, kiegyensúlyozott, stb), az útvonalhosszt és menetidőt, topográfiát (útemelkedés és -dőlés), és a megállások számát.


 

* * *

 

Energiabizonytalanság elemzése elektromos buszok kapcsán

Energy Uncertainty Analysis of Electric Buses Jari Vepsäläinen, Antti Ritari, Antti Lajunen, Klaus Kivekäs, Kari Tammi https://www.mdpi.com/1996-1073/11/12/3267


Az energiafelhasználás változásának elemzése létfontosságú az akkumulátoros elektromos buszok nagyléptékű elterjedéséhez, ugyanis a gépkocsivezető vezetési stílusa, az útvonal jellemzői, vagy a segédüzemek használata valóságos körülményez között kisebb hatótávot eredményez a gyártó által ígért értéknél [27].


Feltételezésünk szerint egy lemerült akkumulátor nagyobb fajlagos fogyasztást okozhat, mint egy feltöltött, mert egyes tanulmányok alacsonyabb töltöttségi szinteknél magasabb a belső ellenállást (impedanciát) jeleznek [30]. Ez függ az akkumulátor életkorától, az áramerősségektől (töltés-kisütés), a lemerítés mértékétől, és a hőmérséklettől [31, 32, 33]. A folyamatos belső ellenállás-növekedést a menetrendi tervezésnél figyelembe kell venni, és ugyancsak fontos tényező a karbantartás és a hosszú élettartam tekintetében. A töltésütemezést érdemes az évszakok jellemző időjárási (hőmérsékleti) tulajdonságai alapján tervezni a jobb kiszámíthatóság érdekében.


A gépkocsivezetői viselkedés tényezőit igen körülményes szimulálni, mivel fizika és pszichológiai jellemzők egyaránt befolyásolják. Ugyanakkor több adattal lehetőség van a viselkedést matematikai eszközökkel közelíteni, ezt mesterséges vezetési ciklusokkal korábbi munkáinkban már vizsgáltuk [55]. A gyorsulás értékének korlátozása 2,1 m/s^2-ről 0,7 m/s^2-re nem eredményezett változást az energiafelhasználásban, viszont jelentősen csökkentette az agresszív vezetési stílus gyakoriságát.


* * *

 

Akkumulátor-méretezés és energiafelhasználás különböző alkalmazások esetén

Energy consumption and battery sizing for different types of electric bus service Hussein Basma, Charbel Mansour, Marc Haddad, Maroun Nemer, Pascal Stabat Energy, 2022, 239, pp. 122454

10.1016/j.energy.2021.122454.hal-03496893


E tanulmányban egy részletes, különböző felhasználási módra kiterjedő, valós (Párizs környéki, Île-de-France) adatokon alapuló modellt mutatnak be az energiafelhasználás és ebből számítható szükséges akkumulátorkapacitásra vonatkozóan. Bevezetésben ismerteti, hogy milyen főbb hiányosságai vannak a témában korábban készült tanulmányoknak:

  • kevés említ pontos és átfogó ajánlást teljes e-buszra értett energiafelhasználásra, mely magában foglalja a hajtás, klimatizálás, és további segédüzemek olykor drasztikusan változó energiaigényét.

  • a legtöbb tanulmány szabványos vezetési ciklusok használatával dolgozik, ideális/kiszámítható időjárási körülményekkel, állandó utasterheléssel, melyek a valós felhasználástól jelentősen eltérnek – így ez jelentős alulbecslést jelent végeredményben a teljes energiaszükségletet illetően.

  • a szerzők ismerete alapján nincs olyan tanulmány, mely a különböző felhasználású (városi, elővárosi, BRT, távolsági, stb) e-buszok energiaigényével és akkumulátor-méretezésével foglalkozik.

A legmagasabb fajlagos energiafogyasztás városi buszoknál mérhető (kb. 3 kWh/km): alacsony átlagsebesség (8..12 km/h) miatt, több idő megtenni egy kilométert, hosszabb ideig üzemelnek a klimatizálás és további segédüzemek. A legnagyobb szórást fogyasztásban a városi felhasználás hozta. A városközi (26..30 km/h) és az expresszjáratok (65..70 km/h) magasabb átlagsebessége alacsonyabb fogyasztást eredményez. Minden teszt ugyanazon földrajzi régióban és közel azonos időben zajlott, tehát az időjárási körülmények nagyjából azonosak voltak.

Akkumulátorméretezési metódus.



* * *

 

A zord időjárási körülmények hatása az e-buszok hatékonyságára: bizonyíték egy fejlett európai hálózat méréseiből

The influence of inclement weather on electric bus efficiency: Evidence from a developed European network Shaen Corbet, Charles Larkin, Jac McCluskey https://doi.org/10.1016/j.cstp.2023.100971

 

Az autóbusz-üzemeltetők számára alapvető fontosságú, hogy megértsék, hogyan viselkednek e-buszaik eltérő, olykor szélsőséges körülmények esetén: fontos, hogy az égövre és régióra jellemző átlagos időjáráson túlmenően szélsőséges esetekben is teljesíteni tudják a járatot. Az időjárási körülményekből fakadó bizonytalanság nagy hátulütője a kiszámítható üzemeltetésnek, hatótáv-elvárásoknak, és menetrendi ütemezésnek.


Donkers és mások (2020) úgy találták, hogy a szélsebesség elsősorban nagyobb utazási sebességnél számottevő. Energiafelhasználás-becsléseket készítettek szélsőséges időjárási körülmények esetére: alacsony átlagsebességnél az extrém szembeszél (65 km/h) duplázni képes az energiafogyasztást.

Benoliel és mások (2021) módszerével optimális arányt lehet megállapítani a gyorstöltés és a telephelyi (lassú) töltés közt. Kutatások alapján a hatótávot leginkább befolyásoló tényezők (környezeti hőmérséklet, utasterhelés, vezetési stílus) duplázni képesek a minimális/optimális rendszerköltséget (busz beszerzése, töltőinfrastruktúra beszerzése, és ezek üzemeltetése), mivel az egy kaptafára felépített rendszert a legrosszabb forgatókönyvre kell méretezni.


A fizikai alapú modellek nem használnak valós adatokat, így nem képesek pontos előrejelzést adni arra vonatkozóan, hogy a szélsőséges időjárási körülmények hogyan zavarnák meg a járatok teljesítését. Például nem veszik figyelembe a zord időjárás közvetett hatását a forgalomra, az útlezárásokat, és a HVAC rendszerek megnövekedett terhelését (fogyasztását).


A gépi tanulási módszerek (Machine Learning) hatékonyak az energiafogyasztás pontos előrejelzésében. Az eredmények azonban minden esettanulmányra érvényesek csak, és a módszertan „feketedobozos” jellege miatt nehéz külön-külön értelmezni az egyes időjárási változókra gyakorolt hatásokat.


Adathalmazon alapuló, avagy „feketedobozos” módszer: a járműdinamikai számításokat nélkülöző, adatfeldolgozáson és -elemzésen alapuló eljárás. Előzményadatokkal tanítja a modellt, mely így képes becsülni az energiafogyasztást. Az átlagos százalékos abszolút hiba ennél az eljárásnál egyes tanulmányokban 20%-os (magas).

Csökkent tapadási körülmények között, például heves esőzés vagy alacsonyabb hőmérséklet esetén az e-buszok rekuperált energiája csökken, míg csúszós útburkolati viszonyok esetén a regeneratív fékezés kikapcsol, ez jelentősen csökkenti az energiahatékonyságot száraz útviszonyokhoz képest.


Eredményeink azt sugallják, hogy 1°C-os hőmérséklet-emelkedés 1,17%-os energiafogyasztás-csökkenéssel jár, míg a fagypont 4,02%-os energiafogyasztás-növekedéssel jár. A teljes regenerációs ráta 0,29%-kal csökken, ha a szélsebesség 1 km/h-val nő, és 3,19%-kal, ha a hőmérséklet 1°C-kal csökken. Fagyponton a teljes rekuperálási arány további 3,34%-kal csökken. Ezen változók 99%-os megbízhatósággal közrejátszanak a teljes energiafelhasználásban. A megállapítások arra engednek következtetni, hogy a szolgáltatás költsége és megvalósíthatósága az időjárási változóktól függ. Ezért ésszerű lenne a helyi klímát figyelembe venni, amikor a nagy hatótávolságú járművek számáról vagy a gyorstöltők mennyiségéről és elhelyezéséről döntenek egy útvonalon mentén.


* * *

Összegzés

A fentebb kivonatolt tanulmányokban törekedtem kiválogatni egymásnak ellentmondó bekezdéseket is, érzékeltetve, hogy nincs abszolút konszenzus sok témában a kutatók között. Ami bizonyosan leszűrhető:

  • régiónként eltérő időjárási és topográfiai viszonyokhoz kell tervezni a rendszert (busz + töltés).

  • a legfőbb fogyasztást befolyásoló tényezők: útviszony, időjárás (klimatizálás), vonalvezetés, vezetési stílus.

  • fogyasztási sorrend (legmagasabbtól a legalacsonyabb felé): városi, elővárosi, BRT, reptéri expressz, távolsági.

  • a legjobb információszerzés a valós, leendő felhasználási körülmények közötti adatgyűjtésen alapuló becslés.

  • lehetséges módszerek között ismert és használt a fizikai modellezés, gépi tanulás, azonban ezeknek megvannak a maguk határai és gyengeségei.

  • a vezetési ciklusok (SORT, stb) fenntartásokkal kezelendők a valós hatótáv és teljes fajlagos energiafogyasztásról alkotott képet illetően.

  • fontos az akkumulátorkapacitás adott feladathoz, útvonalhoz, járatkövetéshez történő optimálása együttesen a töltési megoldás kiválasztásával.

Kapcsolódó bejegyzések

Az összes megtekintése

Comments


bottom of page