Análisis y predicción del consumo de energía de autobuses eléctricos en intersecciones considerando el comportamiento...

Área de la Ciencia:

• Ingeniería de Transporte
• Movilidad Sostenible
• Tecnología de Vehículos Eléctricos

Sus antecedentes:

• Los patrones de consumo de energía de los autobuses eléctricos puros (E-Bus) en las intersecciones no se comprenden bien.
• El comportamiento de conducción influye significativamente en la eficiencia energética, especialmente en entornos urbanos complejos como las rutas de Bus Rapid Transit (BRT).
• La predicción precisa del consumo de energía de los E-Bus requiere un análisis detallado de las interacciones en las intersecciones.

Objetivo del estudio:

• Cuantificar y analizar la relación entre el comportamiento de conducción y el consumo de energía de los E-Bus al entrar en las intersecciones.
• Desarrollar un modelo de predicción de consumo de energía más preciso diferenciando entre intersecciones con y sin parada.
• Investigar la efectividad de los modelos de aprendizaje automático en la clasificación de tipos de intersección y la predicción del uso de energía.

Principales métodos:

• Se recopilaron datos de conducción natural de dos rutas BRT.
• Se empleó análisis estadístico para comparar el consumo de energía en intersecciones con y sin parada.
• Se utilizó análisis de correlación, regresión lineal y aprendizaje automático (XGBoost-KNN, KNN, XGBoost, GBDT, SVM) para la modelización de clasificación y predicción.

Principales resultados:

• El modelo XGBoost-KNN logró una precisión del 84,4% en la predicción de si una intersección es de parada o no parada.
• Distinguir los tipos de intersección mejora significativamente la precisión de los modelos de predicción de consumo de energía como XGBoost y SVM.
• Support Vector Machine (SVM) demostró un rendimiento superior a XGBoost en las métricas de predicción de consumo de energía (R², MAE, RMSE) después de tener en cuenta el comportamiento de parada.

Conclusiones:

• El comportamiento de conducción en las intersecciones, específicamente los patrones de parada, es un factor crítico en el consumo de energía de los E-Bus.
• Un enfoque de predicción segmentado, que diferencia entre intersecciones con y sin parada, mejora la precisión de la previsión del consumo de energía.
• Los hallazgos ofrecen información valiosa para optimizar las operaciones de los E-Bus y allanan el camino para la investigación en condiciones de tráfico más complejas.