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 research aimed 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.
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 energii elektrycznej 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 liczby danych 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.
Rapid Transit Systems: Smarter Urban Planning Using Big Data, In-Memory Computing, Deep Learning, and GPUs