Epävarmuus sähköbussien ajosykleissä

Electric vehicles are in the brink of breakthrough in the automotive industry, and battery electric city buses are no exception. However, the costs are still high compared to conventional buses with internal combustion engines. A thorough electric city bus system planning is an effective way to curb the high costs, where, accurate knowledge about the specific energy consumption of the bus route is required. This study utilized route energy consumption sensitivity analysis to create a reliable energy consumption forecast for a light traffic semi-urban bus route. The analysis was performed with the Monte Carlo method where the number of stops was addressed as the uncertainty. The uncertainty was modeled with a normal distributed probability density function. The process of creating and utilizing the energy consumption sensitivity analysis is also presented. First, ten base driving cycles were measured in actual buses operating an actual bus line. Artificial driving cycles were synthesized from the measured cycles, based on the Monte Carlo sampling method. The fluctuating accelerations and speeds of different runs on the route are addressed by compiling the synthe-sized cycles from parts of the measured cycles. The synthesized driving cycles were simulated with a validated energy flow model of a battery electric bus. As a result, an energy consumption distribution for the route was acquired. The energy consumption distribution includes all the outcomes obtained with the Monte Carlo method. The distribution also functions as an energy consumption forecast for the route. It was found out that the distance specific energy consumptions in the route fell between 0.483 kWh/km and 0.722 kWh/km. Which means, there is a 49.4 % variation between the extremes, when the number of bus stops varies. However, a closer result analysis proved that there is an 80 percent chance that the predicted consumption falls between 0.561 kWh/km and 0.642 kWh/km. Thus, it is denoted only 14.4 % variation is most likely present between the ex-tremes. Additionally, the study suggested that lower accelerations result in lower consumptions. Driving cycles with less than average accelerations resulted in 5.6 % lower consumptions compared to cycles with higher than average accelerations. Thus, it can be concluded that the number of bus stops greatly affected the energy consumption. In addition, Monte Carlo method proved to be worthwhile tool to clarify the effects of uncertainty.Sähköajoneuvot ovat lyömässä läpi ajoneuvojen piirissä, eivätkä sähköbussit ole poikkeus. Siitä huolimatta, akkusähköbussien kustannukset ovat yhä korkeat perinteisiin polttomoottoroituihin busseihin verrattuna. Sähköbussisysteemien huolellinen suunnittelu on yksi tapa, jolla korkeita kustannuksia saadaan vähennettyä. Onnistunut suunnittelu tosin edellyttää, että bussireitin energiankulutus tunnetaan tarkoin. Tässä tutkimuksessa suoritettiin herkkyysanalyysi bussireitin energiankulutuksesta, minkä avulla bussin kulutusta reitillä voitiin tarkoin kuvata ja ennustaa. Analyysi toteutettiin Monte Carlo menetelmän avulla, missä epävarmuutena käsiteltiin bussipysäkkien määrää. Epävarmuutta mallinnettiin normaalijakautuneella tiheysfunktiolla. Tässä työssä esitellään prosessit herkkyysanalyysin tekemiseen. Ensiksi bussireitti mitattiin kymmenen kertaa. Mittausdatan pohjilta syntetisoitiin tuhansia ajosyklejä Monte Carlo samplausmenetelmän avulla. Syntetisoidut ajosyklit tehtiin yhdistelemällä osia mitatuista sykleistä, jolloin niissä huomioitiin ajosyklien vaihtelevat kiihtyvyydet ja nopeudet. Lopuksi ajosyklit simuloitiin validoidulla sähköbussin energia-virtamallilla. Tuloksena saatiin energiankulutusjakauma reitille. Energiankulutusjakauma käsittää kaikki Monte Carlo menetelmällä saadut energiankulutuksen tulokset, mistä voidaan johtopäätöksenä tehdä energiankulutusennuste bussireitille. Saatiin selville, että kilometrikohtaiset energiankulutukset aset-tuvat 0.483 kWh/km ja 0.722 kWh/km välille. Tämä tarkoittaa, että kulutus voi vaihdella jopa 49.4 % ääripäiden välillä, kun pysähdysten määrä reitillä muuttuu. Siitä huolimatta, tulosanalyysi osoitti, että 80 % todennäköisyydellä kulutus pysyy arvojen 0.561 kWh/km ja 0.642 kWh/km välillä. Eli todennäköisimmin vaihtelua ääriarvojen välillä olisi vain 14.4 %. Energiankulutusjakauman lisäksi tutkimus osoitti, että pienemmät kiihtyvyydet johtivat keskimäärin pienempiin kulutuksiin. Ajosykleillä, joissa positiiviset kiihtyvyydet olivat keskimääräistä pienempiä, saadut energiankulutukset olivat keskimäärin 5.6 % pienempiä kuin ajosykleillä, joissa kiihtyvyydet olivat keskimääräistä suurempia. Lopuksi voidaan siis todeta, että bussipysäkkien määrä vaikuttaa suuresti energiankulutukseen. Monte Carlo menetelmä on hyödyllinen työkalu kuvaamaan epävarmuutta ja sen vaikutuksia