Математические модели расхода электроэнергии электробусом: формулы и расчёты

Электробусы стремительно вытесняют дизельные аналоги в городском транспорте, но их эффективность напрямую зависит от точного прогнозирования расхода электроэнергии. Без грамотных математических моделей операторы рискуют столкнуться с простоями из-за разряженных батарей или, наоборот, переплачивать за избыточную ёмкость аккумуляторов. В этой статье мы разберём ключевые подходы к моделированию энергопотребления — от классических физических формул до машинного обучения, а также покажем, как применять их для оптимизации маршрутов и зарядной инфраструктуры.

Особенность электробусов в том, что их расход энергии зависит от десятков переменных: рельефа местности, стиля вождения, погодных условий, загруженности салона и даже типа дорожного покрытия. Например, Solaris Urbino 12 electric в зимних условиях может расходовать на 25–30% больше энергии, чем летом, а подъём на 5%-й уклон увеличивает потребление на 10–15 кВт·ч/100 км. Как учесть все эти факторы в единой модели? Об этом — далее.

1. Основные физические модели расхода энергии

Базой для любых расчётов служат законы физики. Энергия в электробусе тратится на:

🔋 Преодоление сил сопротивления движению (качения, воздуха, подъёма)
🔄 Рекуперацию энергии при торможении
💡 Питающие вспомогательные системы (отопление, кондиционирование, освещение)

Классическая формула для расчёта энергии на преодоление сопротивлений выглядит так:

E = (F_кач + F_возд + F_под) × S / η, где:

F_кач — сила сопротивления качению (зависит от массы, коэффициента сопротивления шин и дорожного покрытия)
F_возд — сила сопротивления воздуха (квадратично зависит от скорости)
F_под — сила сопротивления подъёму (масса × ускорение свободного падения × sin угла наклона)
S — пройденное расстояние
η — КПД трансмиссии (обычно 0.85–0.95 для электробусов)

Например, для BYD K9 массой 18 тонн при движении по ровной дороге со скоростью 50 км/ч и коэффициенте сопротивления качению 0.006, расход на преодоление сил сопротивления составит ~0.8 кВт·ч/км. Но это теоретический минимум без учёта рекуперации и вспомогательных систем.

📊 Какой фактор, по вашему мнению, сильнее всего влияет на расход энергии электробусом?

Рельеф местности
Стиль вождения
Температура окружающей среды
Загруженность салона

2. Влияние рекуперативного торможения на модели

Рекуперация позволяет вернуть до 30% энергии обратно в батарею, но её эффективность зависит от:

🚦 Частоты остановок (в городском цикле рекуперация даёт больше выгоды, чем на магистрали)
📉 Профиля скорости (плавное торможение эффективнее резкого)
🔋 Типа батареи (литий-ионные аккумуляторы лучше принимают рекуперативную энергию, чем LFP)

Модифицированная формула с учётом рекуперации:

E_нетто = E_брутто × (1 – k_рек), где k_рек — коэффициент рекуперации (0.1–0.3 для городских маршрутов). Например, при E_брутто = 1.2 кВт·ч/км и k_рек = 0.25, реальный расход составит 0.9 кВт·ч/км.

⚠️ Внимание: Рекуперация практически не работает при температурах ниже –10°C из-за увеличения вязкости трансмиссионного масла и снижения КПД инверторов. В таких условиях расход энергии может вырасти на 15–20%.

Тип маршрута Коэффициент рекуперации (k_рек) Реальный расход (кВт·ч/км)

Городской (частые остановки) 0.25–0.30 0.8–1.0

Пригородный (средняя частота остановок) 0.15–0.20 1.0–1.2

Магистральный (редкие остановки) 0.05–0.10 1.1–1.3

3. Учёт вспомогательных систем: отопление, кондиционирование, освещение

Вспомогательные системы могут "съедать" до 40% общей энергии, особенно зимой. Например:

❄️ Обогрев салона при –20°C: 3–5 кВт (эквивалентно 10–15% заряда батареи за час)

☀️ Кондиционирование при +30°C: 2–3 кВт

💡 Освещение и бортовой компьютер: 0.5–1 кВт

Формула для корректировки расхода с учётом вспомогательных систем:

E_общ = E_движ + (P_всп × t) / S, где:

E_движ — энергия на движение (из предыдущих разделов)

P_всп — мощность вспомогательных систем

t — время поездки

S — пройденное расстояние

Для Volvo 7900 Electric на городском маршруте длиной 20 км зимой:

Энергия на движение: 20 км × 0.9 кВт·ч/км = 18 кВт·ч

Энергия на отопление: 4 кВт × 1 час = 4 кВт·ч

Итого: 22 кВт·ч (на 22% больше, чем без учёта отопления!)

💡
Используйте тепловые насосы вместо традиционных электрообогревателей — они сокращают энергопотребление на отопление на 30–50%.

4. Машинное обучение для прогнозирования расхода

Классические физические модели дают погрешность до 15–20% из-за упрощений. Для точного прогнозирования операторы всё чаще применяют машинное обучение, обучая модели на исторических данных с учётом:

📊 Телеметрии с бортового компьютера (скорость, ускорение, торможение)

🌡️ Погодных условий (температура, влажность, осадки)

🚗 Характеристик маршрута (уклоны, пробки, светофоры)

👥 Пассажиропотока (масса салона влияет на инерцию)

Пример архитектуры модели:

Сбор данных с датчиков электробуса (CAN-шина, GPS, метеостанции).

Обработка данных: фильтрация шумов, заполнение пропусков.

Обучение модели (например, Gradient Boosting или LSTM-сети) на исторических поездках.

Валидация на тестовом наборе данных (цель — погрешность < 5%).

Компания Proterra использует подобные модели для динамического планирования зарядки. Их система предсказывает расход с точностью 92%, учитывая даже такие факторы, как износ шин (увеличивает сопротивление качению на 3–5% за 50 тыс. км пробега).

Пример кода для обучения простой модели на Python

from sklearn.ensemble import GradientBoostingRegressor from sklearn.model_selection import train_test_split # Признаки: скорость, ускорение, температура, уклон, масса X = data[['speed', 'acceleration', 'temp', 'slope', 'mass']] y = data['energy_consumption'] # Разделение на обучающую и тестовую выборки X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) # Обучение модели model = GradientBoostingRegressor(n_estimators=100) model.fit(X_train, y_train) # Оценка точности score = model.score(X_test, y_test)
print(f"Точность модели: {score:.2f}")

5. Практическое применение моделей: оптимизация маршрутов и зарядки

Точные модели расхода позволяют:

🔄 Оптимизировать графики движения (например, сократить простои на зарядке на 20%).

🔌 Правильно размещать зарядные станции (учитывая "энергоёмкие" участки маршрута).

💰 Снизить капитальные затраты на батареи (за счёт точного расчёта необходимой ёмкости).

Пример из практики Мострансавто:

До внедрения модели: электробусы ЛиАЗ-6274 имели запас хода 250 км, но на линии № 40 (с крутыми подъёмами) разряжались через 180 км.

После анализа: маршрут был разбивает на два коротких с промежуточной зарядкой, что сократило простои на 35%.

Получить данные телеметрии за 3 месяца|Проанализировать "энергоёмкие" участки (уклоны, пробки)|Смоделировать альтернативные маршруты|Провести тестовые заезды с замером расхода|Скорректировать график зарядки-->

⚠️ Внимание: При планировании зарядной инфраструктуры учитывайте пиковые нагрузки — например, утренний выезд парка электробусов может потребовать мощности до 1 МВт. Без резервирования это приведёт к простоям или перегрузке сети.

6. Сравнение моделей: физические vs. машинное обучение

Критерий Физические модели Машинное обучение

Точность ±15–20% ±3–5%

Скорость расчёта Мгновенно Требует обучения (часы/дни)

Гибкость Жёсткие формулы Адаптируется к новым данным

Требования к данным Минимальные Большой исторический массив

Гибридный подход (физическая модель + ML-корректировка) даёт лучшие результаты. Например, Siemens использует физическую модель для базового расчёта, а затем корректирует её с помощью нейросети, обученной на данных с 500 электробусов по всему миру.

💡
Для новых маршрутов без исторических данных начинайте с физической модели, а затем уточняйте её по мере накопления телеметрии.

7. Будущее: интеграция с умными сетями и V2G

Перспективное направление — Vehicle-to-Grid (V2G), когда электробусы не только потребляют, но и отдают энергию в сеть. Это требует новых моделей, учитывающих:

🔄 Двунаправленный поток энергии (зарядка/разрядка)

💰 Тарифы на электроэнергию (пиковые/ночные)

🔋 Деградацию батарей при частых циклах разрядки

Пилотный проект в Амстердаме показал, что электробусы могут стабилизировать сеть, отдавая до 10% своей ёмкости в часы пикового спроса. Однако для этого требуются модели, предсказывающие не только расход, но и остаточный ресурс батарей с учётом V2G-циклов.

Ещё одно направление — цифровые двойники электробусов, которые в реальном времени симулируют энергопотребление с учётом текущего состояния батареи, трафика и погоды. Такие системы уже тестирует Scania в Стокгольме.

Часто задаваемые вопросы

Какой минимальный набор данных нужен для построения физической модели?

Для базовой модели достаточно:

Массы электробуса (с пассажирами)

Коэффициента сопротивления качению (зависит от шин и дороги)

Профиля маршрута (уклоны, расстояния между остановками)

Средней скорости и времени в пути

Для учёта рекуперации добавьте данные о частоте торможений.

Можно ли использовать модели для дизельных автобусов?

Частично. Физические модели сопротивления движению универсальны, но:

В дизельных автобусах нет рекуперации.

Расход топлива зависит от КПД двигателя (25–40%), а не трансмиссии.

Вспомогательные системы (например, гидравлический усилитель руля) потребляют энергию от двигателя, а не от батареи.

Для дизельных автобусов чаще используют эмпирические формулы вида Расход = a + b×скорость + c×уклон, где коэффициенты определяются экспериментально.

Как учитывать износ батареи в долгосрочных моделях?

Износ батареи снижает её ёмкость на 1–2% в год. В моделях это учитывают:

Добавлением поправочного коэффициента к ёмкости: Е_эфф = Е_ном × (1 – k_износ × возраст).

Или обучением модели на данных с батарей разного возраста (например, CatL использует такой подход для своих LFP-батарей).

Критический износ (потеря >20% ёмкости) требует замены батареи или корректировки маршрутов.

Какие программы можно использовать для моделирования?

Популярные инструменты:

AVL CRUISE — для физического моделирования с учётом трансмиссии и аэродинамики.

MATLAB/Simulink — для создания кастомных моделей и интеграции с ML.

Python (Pandas, Scikit-learn, TensorFlow) — для анализа данных и обучения нейросетей.

SUMO + TraCI — для симуляции трафика и его влияния на расход.

Для быстрых расчётов подойдёт даже Excel с надстройкой Solver.

Как проверить точность своей модели?

Сравните предсказанный расход с реальными данными за 10–20 поездок. Метрики для оценки:

MAE (Mean Absolute Error) — средняя абсолютная ошибка (цель: < 0.1 кВт·ч/км).

RMSE (Root Mean Squared Error) — чувствительна к большим отклонениям.

R² (коэффициент детерминации) — доля объяснённой дисперсии (цель: > 0.9).

Если погрешность >10%, проверьте:

Качество входных данных (нет ли выбросов?).

Актуальность коэффициентов (например, сопротивление качению меняется со сменой шин).

Учёт всех вспомогательных систем (не забыли ли вы обогрев?).

Тип маршрута	Коэффициент рекуперации (`k_рек`)	Реальный расход (кВт·ч/км)
Городской (частые остановки)	0.25–0.30	0.8–1.0
Пригородный (средняя частота остановок)	0.15–0.20	1.0–1.2
Магистральный (редкие остановки)	0.05–0.10	1.1–1.3

Критерий	Физические модели	Машинное обучение
Точность	±15–20%	±3–5%
Скорость расчёта	Мгновенно	Требует обучения (часы/дни)
Гибкость	Жёсткие формулы	Адаптируется к новым данным
Требования к данным	Минимальные	Большой исторический массив

Математические модели расхода электроэнергии электробусом: от теории к практике

1. Основные физические модели расхода энергии

2. Влияние рекуперативного торможения на модели

3. Учёт вспомогательных систем: отопление, кондиционирование, освещение

4. Машинное обучение для прогнозирования расхода

5. Практическое применение моделей: оптимизация маршрутов и зарядки

6. Сравнение моделей: физические vs. машинное обучение

7. Будущее: интеграция с умными сетями и V2G

Часто задаваемые вопросы

📖 Читайте также