En model for elbilers energiforbrug baseret på GPS-data fra Test en elbil

Transkript

1 En model for elbilers energiforbrug baseret på GPS-data fra Test en elbil Gebeyehu Fetene og Stefan L. Mabit Trafikdage, Aalborg d. 24. august 2015

2 Overblik Motivation Data GPS-data Analyser ECR vs. rækkevidde Deskriptiv analyse En model for ECR Diskussion 2 DTU Transport, Technical University of Denmark

3 Motivation Rækkevidden for en elbil er en væsentlig begrænsning i sammenligningen med konventionelle biler. En forståelse for faktorer, der påvirker energieffektivitet, er nødvendig for alle brændstoffer, men specielt for elbiler pga. den begrænsede rækkevidde. Vi undersøger, hvordan rækkevidde afhænger af kørestil og omgivelserne i forbindelse med kørsel i elbiler. Nogle umiddelbare konklusioner er: Det gennemsnitlige energiforbrug ligger på 0,183 kwh/km Energiforbruget stiger 34% og rækkevidden falder 25% om vinteren Kørslen er mest energieffektiv mellem 45 km/h og 56 km/h Den mest energieffektive temperatur er 14 C. 3 DTU Transport, Technical University of Denmark

4 Litteratur Tidligere analyser af el- og hybridbilers rækkevidde: Der er en masse litteratur om konventionelle biler (Brundell-Fjeij og Ericsson, 2005; Yao et al., 2007; Kono et al. 2008; Hu et al ; Fotouhi et al. 2014; Ericsson 2001; El-Shawarby et al., 2005) Energieffektivitet påvirkes af vejbredde, trængsel og hastighedsgrænser, trafikinformation og kørestil For hybridbiler er der nogle få studier f.eks. Zahibi et al. (2014), som viser, at energieffektiviteten falder med 20% om vinteren For elbiler er der også nogle studier f.eks. Wu et al. (2015) og Birrell et al. (2014), men de har kun henholdsvis 1 og 11 bilister i deres forsøg. 4 DTU Transport, Technical University of Denmark

5 GPS-data Vi analyserer GPS-data fra Test en elbil indsamlet af Clever A/S i perioden august 2012 til december Vores data dækker 741 husstande med enkeltture. Data blev renset, hvilket gav 239,247 ture til den deskriptive del og 229,853 til modelleringen. Vi benytter indikatoren state of charge (SOC) til at angive hvor meget batteriet aflades i løbet af en tur. 5 DTU Transport, Technical University of Denmark

6 Hvad modellerer vi? Vi er interesserede i to beslægtede udtryk: Energiforbrugsraten: ECR = Energiforbrug (kwh) afstand (km) og Rækkevidde: Range = Energi på fuldt batteri (kwh) ECR (kwh/km) Analyserne viser, at det passer bedre med data at modellere ECR. 6 DTU Transport, Technical University of Denmark

7 Deskriptive analyser De deskriptive analyser omhandler Fordeling af ture henover dagen Fordeling af ECR over ture Forskel på sommer og vinter i ECR ECR og turlængde 7 DTU Transport, Technical University of Denmark

8 Fordeling af ture henover dagen 8 DTU Transport, Technical University of Denmark

9 ECR-fordeling i data 9 DTU Transport, Technical University of Denmark

10 ECR-gennemsnit for sommer og vinter 10 DTU Transport, Technical University of Denmark

11 ECR splittet på turlængde Short Trips (< 2 km) Medium Trips ( 2 km & < 10 km) Long Trips ( 10 km) ECR (Wh/km) Driving range (km) ECR (Wh/km) Driving range (km) ECR (Wh/km) Driving range (km) Mean percentile percentile Median percentile percentile Standard dev No. obs. 54, ,605 73, DTU Transport, Technical University of Denmark

12 Modellen Vi har gentagne observationer fra hver husstand og anvender derfor en lineær fixed effects model dvs. ECR it = α + Z it γ + φ i + ε it hvor α er en konstant, φ i er den fixed effect, Z it er variable som skifter fra tur til tur f.eks. vejr- og vejforhold Under betingelsen E φ i = 0 kan man estimere α, γ 12 DTU Transport, Technical University of Denmark

13 Resultater Modelresultaterne viser, at Modellen forklarer 41,5 % af ECR variationen Fixed effect afviser en lineær regresionsmodel dvs. vi har korrelation over observationer fra samme husstand, som vi ikke kan forklare vha. de forklarende variable. Modellen afviser også en random effects model, så korrelationen er ikke uafhængig af de forklarende variable. 13 DTU Transport, Technical University of Denmark

14 Resultater Explanatory Variables Estimate standard error p-value Mean driving speed Mean driving speed square Mean acceleration Mean acceleration square Trip distance Trip distance square Winter Highway Rush hour Battery level (at trip start) Battery level (at trip start) square Battery level (at trip start) cube Temperature Temperature square Wind speed Visibility Precipitation Constant DTU Transport, Technical University of Denmark

15 Kommentarer til resultaterne Farten har minimum mellem 45 og 56 km/t Acceleration har en accelererende positiv effekt på ECR Temperaturen har en ikke-lineær effekt med minimum omkring 14 C Vi finder en varierende effekt af SOC-niveau et ved turen begyndelse. Det skal undersøges nærmere, men den kan skyldes, at SOC-niveau et ikke er en lineær funktion af batteriniveauet. 15 DTU Transport, Technical University of Denmark

16 ECR s afhængighed af fart Minimum ved 52 km/t 16 DTU Transport, Technical University of Denmark

17 ECR s afhængighed af batteriniveau fra start 17 DTU Transport, Technical University of Denmark

18 Diskussion Vi har analyseret data fra Test en elbil -projektet mhp. at modellere energiforbruget pr. km for elbiler. Den deskriptive statistik viser, at Vinter giver væsentligt højere energiforbrug Gennemsnitsforbruget er væsentligt højere end angivet af fabrikanter, men det kan til dels skyldes de mange korte ture i vores data. Medianen ligger omkring fabrikanternes middelværdi. Modellen er en fixed-effects lineær regressionsmodel. Den tillader os at fange de effekter, som varierer over husstandens kørsel med elbilen. Resultaterne viser, at Fart og acceleration har ikke-lineære effekter Vejret har yderligere effekter gennem temp., vind og nedbør 18 DTU Transport, Technical University of Denmark

19 Tak for opmærksomheden Husk: heart symposiet i København, september 2015, Tak til ForskEL-puljen og Energinet.dk for støtte af projektet. Også tak til Clever A/S, Morten Aabrink (DTU Transport). Spørgsmål? 19 DTU Transport, Technical University of Denmark