faktiske energiforbrug og normtal?

(1)

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

(2)

Disclaimer

Ting jeg ved meget om Tal

Statistik

Cykelsport i 00’erne

Ting jeg ved meget lidt om Elektricitet

Biler

Hækkeklippere

(3)

1 Introduktion

2 Metode

3 Data

4 Resultater

5 Diskussion & konklusion

(4)

Introduktion Relevans Problemafgræsning

Oversigt

1 Introduktion Relevans

Problemafgræsning

2 Metode

3 Data

4 Resultater

5 Diskussion & konklusion

(5)

Elbiler: Vil de redde verden?

(6)

(Konventionelle) Bilers driftsøkonomi

(7)

Elbilers driftsøkonomi

G˚aet under radaren:

Billig optankning.

Fokus p˚a rækkevidde.

(8)

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.

(9)

Oversigt

1 Introduktion

2 Metode

Energiforbrug Map matching Analyse

3 Data

4 Resultater

5 Diskussion & konklusion

(10)

Metode Energiforbrug Map matching Analyse

Overordnet framework

(11)

Beregning af energiforbrug

f = ^s

b

−s

^a

100 · 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.

(12)

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 -

(13)

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

(14)

Data Bilerne Turene Vejret

Oversigt

1 Introduktion

2 Metode

3 Data Bilerne Turene Vejret

4 Resultater

5 Diskussion & konklusion

(15)

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.

(16)

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.

(17)

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.

(18)

Problemer med ladestatus

(19)

Involverede kommuner

Albertslund

Ishøj

Fredensborg

København Antal biler fordelt p˚a kommune

(20)

Antal ture

(21)

Svag datarepræsentavitet – del 1: Vinter

Stort frafald af ikke-vinterture.

(22)

Svag datarepræsentavitet – del 2: Motorveje

Meget f˚a ture p˚a motorveje (1.26%).

Motorvejsandelen

p˚a disse er ikke

nødvendigvis stor.

(23)

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

(24)

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

(25)

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).

(26)

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

(27)

Oversigt

1 Introduktion

2 Metode

3 Data

4 Resultater

Normtalsopfyldelse

Grupperet deskriptiv statistik Statistiske modeller

5 Diskussion & konklusion

(28)

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.

(29)

Lever elbiler op til deres normtal?

NB Tager ikke højde for systematisk bias ift. baggrundsvariable:

Sæson

Temperaturer

Turlængde

etc.

(30)

Per kommune

NB Tager ikke højde for systematisk bias ift. baggrundsvariable:

Sæson

Temperaturer

Turlængde

etc.

(31)

Hvad er normtal?

Normtal er udtryk for præstation under ideelle betingelser.

Nødvendigt at korrigere for

“uideelle” p˚avirkninger.

(32)

Hvad er normtal?

Normtal er udtryk for præstation under ideelle betingelser.

Nødvendigt at korrigere for

“uideelle” p˚avirkninger.

Ses tydeligt for vinterture

(33)

Motorvej og vinter

(34)

Vinter

(35)

Vinter

(36)

Udetemperaturer

(37)

Udetemperaturer

(38)

Statistisk Model

(39)

Statistisk Model

(40)

Statistisk Model

(41)

Statistisk Model

(42)

Statistisk Model

(43)

Kontinuerte effekter – del 1

(44)

Kontinuerte effekter – del 2

(45)

Korrektion for bilmodel og kommune

Albertslund Kommune og Mitsubishi i-MiEV er basis.

Ingen af de andre variable skifter fortegn.

(46)

Korrektion for bilmodel og kommune

Albertslund Kommune og Mitsubishi i-MiEV er basis.

Ingen af de andre variable skifter fortegn.

(47)

Oversigt

1 Introduktion

2 Metode

3 Data

4 Resultater

5 Diskussion & konklusion

Sammenligning med tidligere studier Svagheder

Konklusion

(48)

Diskussion & konklusion Sammenligning med tidligere studier Svagheder

Konklusion

Sammenligning med Test1Elbil

(49)

Sammenligning med Test1Elbil

(50)

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.

(51)

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.

(52)

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.

(53)

Konklusion

Spørgsm˚ alet til 1 million kroner

Hvad er forskellen mellem elbilers faktiske energiforbug og normtal?

(54)

Konklusion

Spørgsm˚ alet til 1 million kroner

Hvad er forskellen mellem elbilers faktiske energiforbug og normtal?

I altovervejende grad afhængig af vejr og turkarakteristika.

(55)

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

(56)

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.

(57)

(58)

faktiske energiforbrug og normtal?