faktiske energiforbrug og normtal?
Trafikdage p˚a Aalborg Universitet 2018
Mads Paulsen Anders Fjendbo Jensen Transportmodelleringsgruppen, DTU Management Engineering, Danmarks Tekniske Universitet
27. August 2018
Disclaimer
Ting jeg ved meget om Tal
Statistik
Cykelsport i 00’erne
Ting jeg ved meget lidt om Elektricitet
Biler
Hækkeklippere
1 Introduktion
2 Metode
3 Data
4 Resultater
5 Diskussion & konklusion
Introduktion Relevans Problemafgræsning
Oversigt
1 Introduktion Relevans
Problemafgræsning
2 Metode
3 Data
4 Resultater
5 Diskussion & konklusion
Elbiler: Vil de redde verden?
Introduktion Relevans Problemafgræsning
(Konventionelle) Bilers driftsøkonomi
Elbilers driftsøkonomi
G˚aet under radaren:
Billig optankning.
Fokus p˚a rækkevidde.
Introduktion Relevans Problemafgræsning
Analyser af elbilers driftsøkonomi
Projekt for Region Hovedstadens Copenhagen Electric med form˚al om at:
Indhente og analysere data for 52 kommunale elbiler med henblik p˚a:
1
Elbilernes samlede gennemsnitlige energiforbrug sammenlignet med normtal.
2
Energiforbrug fordelt p˚ a vejtyper og sæson.
3
Energiforbrug som følge af sæsonvariationer (hovedsageligt udetemperatur).
Derudover analyse af:
Energiforbrug for hvert enkel elbil.
Energiforbrug for hver elbilsmodel.
Energiforbrug for hver kommune.
Oversigt
1 Introduktion
2 Metode
Energiforbrug Map matching Analyse
3 Data
4 Resultater
5 Diskussion & konklusion
Metode Energiforbrug Map matching Analyse
Overordnet framework
Beregning af energiforbrug
f = s
b
−s
a100 · C
d .
f : Energiforbrug per km
s a : Ladestatus i % ved turstart.
s b : Ladestatus i % ved turslut.
C : Batterikapacitet i Wh.
d : Distancen af turen i km.
Output fra map matching-algoritmen.
Metode Energiforbrug Map matching Analyse
Fra GPS til tur med rute
Best˚ar af flere processer:
Udglatning
Foretaget i PosDaP (Position Data Processing), se Schuessler and Axhausen, 2009
∗.
Turopdeling
Identificering af mulige aktivitetslokationer.
Ogs˚ a gjort i PosDaP, se Schuessler and Axhausen, 2009
∗.
Egentlig map matching:
Identificering af mest sandsynlige vejstrækninger.
Foretaget i Rapidis ApS’s map matching tool, baseret p˚ a Nielsen et al., 2007
†.
∗Schuessler, Nadine and Axhausen, Kay W. (2009).“Processing Raw Data from Global Positioning Systems Without Additional Information”.
In:Transportation Research Record: Journal of the Transportation Research Board2105, pp. 28–36. arXiv:arXiv:1011.1669v3
†Nielsen, Otto Anker, W¨urtz, Christian, and Jørgensen, Ren´e Munk (2007).“Improved Map-Matching Algorithms for GPS-Data -
Statistisk model
Informationerne kan sammenkædes i en statistisk model.
Hvilke variable p˚avirker energiforbruget?
Hvor stor er effekten?
etc.
Medtagne variable baseret p˚a Fetene et al., 2017 ∗ .
∗Fetene, Gebeyehu M, Kaplan, Sigal, Mabit, Stefan L, Jensen, Anders F, and Prato, Carlo G (2017).“Harnessing big data for estimating the energy consumption and driving range of electric vehicles”. In:Transportation Research Part D: Transport and Environment54, pp. 1–11
Data Bilerne Turene Vejret
Oversigt
1 Introduktion
2 Metode
3 Data Bilerne Turene Vejret
4 Resultater
5 Diskussion & konklusion
Det tekniske
EV Lab hos DTU Elektro har st˚aet for indsamling af data fra bilerne:
Installation i hver af de kommunale 52 biler (og 4 testbiler):
Ladestatus-trackere – mere om dem senere...
GPS-loggere
Data loggedes til online server i realtid.
Fra 21/12-2015 til 23/03-2017.
Data Bilerne Turene Vejret
Bilfl˚ aden
Mitsubishi i-MiEV
Renault Kangoo Z.E.
Nissan e-NV200
Renault Zoe
Nissan Leaf
Volkswagen e-Up!
Peugeot Partner Electric Syv forskellige bilmodeller i projektet.
Tre faldt fra pga.
problemer med
ladestatusinfo.
Bilfl˚ aden
Mitsubishi i-MiEV
Renault Kangoo Z.E.
Nissan e-NV200
Renault Zoe
Nissan Leaf
Volkswagen e-Up!
Peugeot Partner Electric Syv forskellige bilmodeller i projektet.
Tre faldt fra pga.
problemer med
ladestatusinfo.
Data Bilerne Turene Vejret
Problemer med ladestatus
Involverede kommuner
Albertslund
Ishøj
Fredensborg
København Antal biler fordelt p˚a kommune
Data Bilerne Turene Vejret
Antal ture
Svag datarepræsentavitet – del 1: Vinter
Stort frafald af ikke-vinterture.
Data Bilerne Turene Vejret
Svag datarepræsentavitet – del 2: Motorveje
Meget f˚a ture p˚a motorveje (1.26%).
Motorvejsandelen
p˚a disse er ikke
nødvendigvis stor.
Data Bilerne Turene Vejret
Vejrdata
DMI plejer at være flinke til at give os data.
Kun betaling for klargøring af data ( ∼ 3.000 kr).
Men ikke denne gang...
Tilbød (modeldata) for 25.000 kr.
Vi købte i stedet data fra openweathermap.com
5 ˚ars data (i modsætning til 1) for 70 $ (454 kr).
©Danmarks Meteorologiske Institut
Data Bilerne Turene Vejret
Vejrdata
DMI plejer at være flinke til at give os data.
Kun betaling for klargøring af data ( ∼ 3.000 kr).
Men ikke denne gang...
De forlangte at vi betalte for data ( ∼ 100,000 kr.) Tilbød hindcasts (modeldata) for 25.000 kr.
Vi købte i stedet data fra openweathermap.com
5 ˚ars data (i modsætning til 1) for 70 $ (454 kr).
©Danmarks Meteorologiske Institut
Vejrdata
DMI plejer at være flinke til at give os data.
Kun betaling for klargøring af data ( ∼ 3.000 kr).
Men ikke denne gang...
De forlangte at vi betalte for data ( ∼ 100,000 kr.) Tilbød hindcasts (modeldata) for 25.000 kr.
Vi købte i stedet data fra openweathermap.com
5 ˚ars data (i modsætning til 1) for 70 $ (454 kr).
Data Bilerne Turene Vejret
Svag datarepræsentavitet – del 3: Udetemperaturer
Udetemperatur [ ° C]
Densitet
−20 −10 0 10 20 30
0.00 0.02 0.04 0.06 0.08 0.10 0.12 Data
Temperaturfordeling 2016
Oversigt
1 Introduktion
2 Metode
3 Data
4 Resultater
Normtalsopfyldelse
Grupperet deskriptiv statistik Statistiske modeller
5 Diskussion & konklusion
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Lever elbiler op til deres normtal?
NB Tager ikke højde for systematisk bias ift. baggrundsvariable:
Sæson
Temperaturer
Turlængde
etc.
Lever elbiler op til deres normtal?
NB Tager ikke højde for systematisk bias ift. baggrundsvariable:
Sæson
Temperaturer
Turlængde
etc.
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Per kommune
NB Tager ikke højde for systematisk bias ift. baggrundsvariable:
Sæson
Temperaturer
Turlængde
etc.
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Hvad er normtal?
Normtal er udtryk for præstation under ideelle betingelser.
Nødvendigt at korrigere for
“uideelle” p˚avirkninger.
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Hvad er normtal?
Normtal er udtryk for præstation under ideelle betingelser.
Nødvendigt at korrigere for
“uideelle” p˚avirkninger.
Ses tydeligt for vinterture
Motorvej og vinter
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Vinter
Vinter
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Udetemperaturer
Udetemperaturer
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Statistisk Model
Statistisk Model
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Statistisk Model
Statistisk Model
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Statistisk Model
Kontinuerte effekter – del 1
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Kontinuerte effekter – del 2
Korrektion for bilmodel og kommune
Albertslund Kommune og Mitsubishi i-MiEV er basis.
Ingen af de andre variable skifter fortegn.
Resultater Normtalsopfyldelse Grupperet deskriptiv statistik Statistiske modeller
Korrektion for bilmodel og kommune
Albertslund Kommune og Mitsubishi i-MiEV er basis.
Ingen af de andre variable skifter fortegn.
Oversigt
1 Introduktion
2 Metode
3 Data
4 Resultater
5 Diskussion & konklusion
Sammenligning med tidligere studier Svagheder
Konklusion
Diskussion & konklusion Sammenligning med tidligere studier Svagheder
Konklusion
Sammenligning med Test1Elbil
Sammenligning med Test1Elbil
Diskussion & konklusion Sammenligning med tidligere studier Svagheder
Konklusion
Manglende datarepræsentativitet
Pga. ikke-tilfældigt ladestatusinformationstab bygger analysen p˚a meget ensidede data vedr.
Vejtyper Sæson
Udetemperaturer
Estimaterne bygger derfor p˚a et utroligt spinkelt grundlag.
Bayesianske metoder forsøgt anvendt uden held.
Ingen personspecifikke effekter
Inklusion af personspecifikke effekter kræver ,at det er den samme person, der kører bilen hver gang.
Ikke muligt i en kommunal bil.
Dog vil nogle ting blive fanget af
accelerationsparameteren.
Diskussion & konklusion Sammenligning med tidligere studier Svagheder
Konklusion
Konklusion
Energiforbrug beregnet og estimeret for 52 kommunale elbiler.
Stort tab af ture pga. fejl med tracking af ladestatusinformation.
Tabet var ret systematisk, og eliminerede tre
bilmodeller – og nærmest alle ture i sommerhalv˚aret.
Kun f˚a ture i vores data lever op til normtallene – dog ok for de f˚a ture med gunstige forhold.
I store træk bekræftes effekten af baggrundsvariable
fra Fetene et al., 2017.
Diskussion & konklusion Sammenligning med tidligere studier Svagheder
Konklusion
Spørgsm˚ alet til 1 million kroner
Hvad er forskellen mellem elbilers faktiske energiforbug og normtal?
Diskussion & konklusion Sammenligning med tidligere studier Svagheder
Konklusion
Spørgsm˚ alet til 1 million kroner
Hvad er forskellen mellem elbilers faktiske energiforbug og normtal?
I altovervejende grad afhængig af vejr og turkarakteristika.
Hvad er forskellen mellem elbilers faktiske energiforbrug og normtal?
Trafikdage p˚a Aalborg Universitet 2018
Mads Paulsen Anders Fjendbo Jensen Transportmodelleringsgruppen, DTU Management Engineering, Danmarks Tekniske Universitet
madsp@dtu.dk
Bibliography
Referencer
Fetene, Gebeyehu M, Kaplan, Sigal, Mabit, Stefan L, Jensen, Anders F, and Prato, Carlo G (2017).“Harnessing big data for estimating the energy consumption and driving range of electric vehicles”. In:Transportation Research Part D: Transport and Environment54, pp. 1–11.
Nielsen, Otto Anker, W¨urtz, Christian, and Jørgensen, Ren´e Munk (2007).“Improved Map-Matching Algorithms for GPS-Data - Methodology and test on data from The AKTA roadpricing experiment in Copenhagen”.
Schuessler, Nadine and Axhausen, Kay W. (2009).“Processing Raw Data from Global Positioning Systems Without Additional Information”. In:Transportation Research Record: Journal of the Transportation Research Board2105, pp. 28–36. arXiv:arXiv:1011.1669v3.