Artículo Académico / Academic Paper
Recibido: 11-04-2024, Aprobado tras revisión: 17-06-2024
Forma sugerida de citación: Orbe, D.; Salazar, L.; Vásquez, P. (2024). “Estimación y análisis de sensibilidad del consumo
energético de buses eléctricos mediante simulaciones microscópicas en líneas de transporte público”. Revista Técnica “energía”.
No. 21, Issue I, Pp. 105- 113
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v21.n1.2024.633
© 2024 Operador Nacional de Electricidad, CENACE
Esta publicación está bajo una licencia internacional Creative Commons Reconocimiento –
No Comercial 4.0
Estimation and Sensitivity Analysis of Electric Buses Energy Consumption
through Microscopic Simulations on Public Transport Lines
Estimación y Análisis de Sensibilidad del Consumo Energético de Buses
Eléctricos mediante Simulaciones Microscópicas en líneas de Transporte
Público
D.G. Orbe1
0009-0006-1295-6642
L.F. Salazar1
0009-0006-7771-6543
P.F. Vásquez1 0000-0001-9225-8057
1Escuela Politécnica Nacional, Quito, Ecuador
E-mail: daniel.orbej@epn.edu.ec ; luis.salazar@epn.edu.ec ; paul.vasquez@epn.edu.ec
Abstract
The integration of electric mobility is real nowadays.
Government policies increasingly focus on encouraging
the use of electric vehicles (EVs); particularly, replacing
conventional public mobility with electric buses. An
adequate energy management of electric bus systems
must optimize resource usage, and extend the lifespan
of transport units and charging stations, while providing
quality service to users. The performance of the EV
transport system depends on various deterministic and
stochastic variables that need to be accurately simulated
to analyze its behavior as closely as possible to real
conditions. In this study, a model for the energy analysis
of EVs has been implemented, by using the software
SUMO (Simulation of Urban Mobility) and applying it
to public transport routes in Quito, Ecuador. Through
the executed simulations, energy consumption has been
estimated and, a sensitivity analysis of the energy
consumption of electric bus units to the variations in
relevant parameters in the energy management of public
transport systems, has been carried out. The impact of
certain parameters on energy consumption has been
verified, by indicating a significant decrease in the
autonomy of EVs on the simulated route under very
similar to reality operating conditions. For study case,
autonomy reduction of electric bus is around 27% in
comparison with manufacturer's specifications. The
analysis of energy performance under various traffic
scenarios will allow future optimizations of the electric
public transport system operation, since traffic levels,
variable traffic flow, and pronounced changes in terrain
elevation, are considered.
Resumen
La integración de la movilidad eléctrica es una realidad
en el mundo actual, las políticas gubernamentales se
enfocan cada vez más en incentivar el uso de vehículos
eléctricos (VE) particulares, pero, principalmente en
reemplazar la movilidad pública convencional por el
uso de buses eléctricos. Una adecuada gestión
energética de los sistemas de buses eléctricos debe
optimizar el uso de recursos, prolongando la vida útil de
las unidades de transporte, estaciones de carga y
brindando siempre un servicio de calidad a sus usuarios.
El desempeño del sistema de transporte mediante VE
depende de diversas variables determinísticas y
estocásticas que necesitan ser debidamente simuladas a
fin de analizar su comportamiento, lo más cercano a las
condiciones reales. En el presente trabajo, mediante la
aplicación del software SUMO (Simulation of Urban
Mobility), se ha implementado un modelo para el
análisis energético de VE y se lo ha aplicado en rutas de
transporte público en Quito-Ecuador. A partir de las
simulaciones realizadas se ha estimado el consumo
energético y se ha efectuado un análisis de sensibilidad
del consumo energético de las unidades de buses
eléctricos ante variaciones de parámetros relevantes en
la gestión energética de sistemas de transporte público.
Para el caso de estudio se comprueba la reducción de la
autonomía del bus eléctrico en 27% de acuerdo con la
información del fabricante. El análisis del desempeño
energético realizado bajo diversos escenarios de tráfico
permitirá en futuros trabajos optimizar la operación de
los sistemas de transporte público eléctrico,
considerando niveles de tráfico, flujo vehicular variable
y pronunciados desniveles en su relieve.
Index terms— electricity distribution, electric mobility,
electric vehicles, energy efficiency.
Palabras clave— distribución de electricidad,
movilidad eléctrica, eficiencia energética, SUMO,
vehículos eléctricos.
105
Edición No. 21, Issue I, Julio 2024
1. INTRODUCCIÓN
La movilidad eléctrica constituye uno de los
principales pilares de la transición energética a nivel
mundial hacia un modelo más sostenible y responsable
con el medio ambiente. La ciudad de Quito desde el año
1995 es pionera en Ecuador en la utilización de transporte
público eléctrico con el sistema Trolebus.
Recientemente, ha iniciado una nueva etapa de desarrollo
del transporte público sostenible con la aprobación en
2024 de la Ley de Competitividad Energética, la cual
determina que, a partir del año 2030 todos los vehículos
que se incorporen al servicio de transporte público
urbano en el Ecuador continental, deberán ser
únicamente de medio motriz 100 % eléctrico o de cero
emisiones.
En la actualidad, el sector del transporte es uno de los
principales responsables de los problemas
medioambientales. En efecto, la emisión de gases de
efecto invernadero y la contaminación atmosférica
podrían disminuir drásticamente con la masificación de
la movilidad eléctrica. Según datos de la Organización
Latinoamericana de Energía, el transporte en Ecuador
constituye el 48.4% del consumo total de energía [1]. Si
se sustituye la fuente de esa energía proveniente de
combustibles fósiles por fuentes renovables, el impacto
ambiental sería muy significativo.
A pesar de los incentivos gubernamentales, se espera
que la penetración de los buses eléctricos se desarrolle de
manera gradual a partir del año 2025. Esto debido a que
el costo de un bus eléctrico es considerablemente mayor
al de un bus convencional a diésel, inclusive sin
considerar el costo de la infraestructura de carga
adicional requerida. Se generará entonces un escenario de
oferta de transporte mixto (diésel - eléctrico), al menos
en los primeros años. Esto plantea diversos retos para la
planificación de la infraestructura de red eléctrica de
distribución necesaria para la incorporación de esta
nueva tecnología. Se debe garantizar que dicha red tenga
la suficiente capacidad para alimentar las estaciones de
carga y, que los módulos de carga resulten suficientes
para abastecer de energía eléctrica a las unidades de
transporte público.
En la práctica, para diseñar de forma robusta un
sistema completo de buses eléctricos, baterías y
estaciones de carga, es necesario conocer, con alta
precisión, el requerimiento de energía durante su
operación. Esta energía se encuentra fuertemente
correlacionada con factores complejos como son:
características del vehículo, la ruta, influencia
meteorológica, número de pasajeros, influencia del
conductor y requerimientos específicos de la compañía
de transporte o la autoridad de control de tránsito. A estos
factores se debe añadir el nivel de congestión vehicular
que constituye por sí solo una variable bastante compleja
de predecir, por exhibir una naturaleza multicausal.
La estimación del consumo de los VE mediante
valores provenientes de catálogos de fabricantes aporta
grandes incertidumbres al problema de diseño y
optimización de rutas de transporte, ya que no considera
ninguna variable dinámica de su comportamiento. Por
otro lado, estas especificaciones de consumo y/o
autonomía normalmente consideran condiciones ideales
que no pueden replicarse en la práctica. La modelación
del transporte, lo más ajustada posible a la realidad,
constituye una herramienta robusta, no solamente para
estimar las citadas variables, sino también para responder
a complejas preguntas de planificación, como son: la
definición de estrategias de gestión del tráfico y sus
repercusiones.
De lo expuesto, emerge la necesidad de modelar rutas
reales de transporte, considerando además de las
especificaciones del vehículo, variables como las
características geográficas de la ruta, comportamiento
dinámico del vehículo dependiente del nivel de
congestión vehicular y porcentaje de ocupación de
pasajeros.
Se han realizado investigaciones recientes donde se
analiza el impacto de ciertas variables en el desempeño
de vehículos eléctricos mediante simulaciones. Se ha
demostrado mediante la utilización de software de código
abierto que, ciertos parámetros como la masa del
vehículo resultan fundamentales para analizar su
comportamiento en rutas urbanas [2]. Así mismo se han
propuesto distintos modelos para evaluar el consumo
energético de vehículos eléctricos validándolos con datos
de fabricantes y mediciones de bancos de pruebas. Se han
aplicado estos modelos en casos de estudio de flotas de
vehículos en ciudades europeas [3].
La confiabilidad del modelo de estimación energética
ha sido estudiada en diversas oportunidades. Se han
evaluado los diversos modelos matemáticos disponibles
en la literatura y se ha propuesto los requisitos de un
modelo energético realista, preciso y escalable [4].
Análogamente se ha realizado análisis comparativos a
partir de pruebas en ruta, en donde se establecen ciertas
discrepancias entre los modelos propuestos y los
resultados obtenidos en el mundo real [5].
En el país no se ha encontrado investigaciones en
donde se simule microscópicamente rutas de transporte
eléctrico y en donde también se pueda evaluar
dinámicamente parámetros externos al vehículo
eléctrico. La utilización del software SUMO en el país
aún es marginal, por lo que este trabajo también busca
incentivar su utilización en la amplia gama de
aplicaciones que pone a disposición del usuario.
En el presente trabajo, sobre la base de
micromodelaciones de buses eléctricos, así como la
simulación detallada de variables relacionadas con las
condiciones reales de las rutas de transporte, se obtiene
una estimación del consumo energético de los buses
eléctricos y, a través de un análisis de sensibilidad, se
determina el impacto en dicho consumo, ante el cambio
106
Orbe et al. / Estimación y análisis de sensibilidad del consumo energético de buses eléctricos
de comportamiento de dichas variables críticas. Estos
resultados permitirán, en el futuro, determinar soluciones
relativas a la gestión logística y energética de estos
sistemas de transporte modernos.
Las secciones 2 y 3 definen la metodología utilizada
para modelar el comportamiento energético de buses
eléctricos y su ruta de transporte. La sección 4 describe
el caso de estudio real donde se aplicó la metodología y
la sección 5 incluye la estimación del consumo
energético y el análisis de sensibilidad obtenidos como
resultado de las simulaciones.
Finalmente, como aporte el presente trabajo se
establecen conclusiones importantes relacionadas con la
autonomía real de los buses eléctricos y con la
importancia de la definición de las variables relevantes a
ser incorporadas en los modelos de simulación de los
sistemas de transporte público.
2. MODELO DE BUSES ELÉCTRICOS
2.1 Modelamiento dinámico de consumo de un
vehículo eléctrico
El modelamiento de las unidades de buses eléctricos
y del conjunto de rutas de transporte fueron realizadas en
el programa denominado SUMO por sus siglas en inglés
(Simulation of Urban Mobility). SUMO es un software
simulador de tráfico de código abierto desarrollado por el
Centro Aeroespacial Alemán (DLR) con la colaboración
de organizaciones externas y el aporte de desarrolladores
independientes. Los softwares de simulación de tráfico se
clasifican de acuerdo con su entorno de trabajo:
1. Simulación Macroscópica: Considerando la
dinámica promedio de un flujo de vehículos.
2. Simulación Microscópica: Considerando un
modelo dinámico individual por vehículo.
3. Simulación Mesoscópica: Resulta de la
mezcla de las dos anteriores [6].
El presente trabajo hará uso de SUMO en
simulaciones microscópicas considerando diversos
escenarios de flujos de tráfico aleatoriamente generados
y buses eléctricos individuales que conformarán la ruta
de transporte bajo análisis.
Para realizar simulaciones de tráfico, un modelo
realista del consumo energético de un vehículo debe
considerar diversos factores internos y externos, los
mismos que se pueden apreciar en la Fig. 1. Para la
estimación del consumo del bus eléctrico se estudiaron
modelos que han sido previamente desarrollados en
diversa literatura especializada. Los modelos de consumo
energético abarcan dos partes principales: la parte del
consumo energético y la de recuperación de energía. La
parte de consumo de energía permite analizar la tracción
que se entrega a las ruedas que permite el movimiento del
bus eléctrico y se compone de dos subsistemas mecánico
y eléctrico.
El subsistema eléctrico se modela considerando las
pérdidas eléctricas y la energía consumida por los
servicios auxiliares del vehículo tales como: aire
acondicionado, iluminación, comunicaciones,
indicadores, radio, etc [4]. La recuperación de energía
depende del sistema de freno regenerativo que permite
convertir la energía cinética en energía eléctrica que será
almacenada en la batería del VE.
Figura 1: Factores de influencia en el comportamiento
energético de un VE [7].
El modelo escogido para estudiar el comportamiento
energético del VE se basa en analizar la variación y el
balance entre energías cinética, potencial, rotacional y las
diferentes pérdidas del sistema. Este análisis se lo realiza
de forma discreta en intervalos definidos de tiempo.
La energía del vehículo 󰇟󰇠 en el tiempo discreto
k se calcula con la Ec. 1, siendo m la masa del VE
incluyendo los pasajeros, v[k] la velocidad del VE en el
tiempo k, g la aceleración de la gravedad, h[k] la altura
del VE y Jint el momento de inercia de los elementos
rotativos internos [2].
󰇟󰇠 󰇟󰇠 󰇟󰇠 󰇟󰇠
󰇟󰇠  󰇟󰇠
󰇟󰇠 (1)
Las pérdidas de energía se analizan en cada intervalo
discreto de tiempo de acuerdo con la ganancia o pérdida
de energía del sistema mediante la Ec. 2.
󰇟󰇠 󰇟 󰇠 󰇟󰇠󰇟󰇠
(2)
Las pérdidas de energía se calculan a partir de la
resistencia del aire , fuerza centrípeta ,
rozamiento de las ruedas con la calzada  y el
consumo promedio de cargas constantes , según las
ecuaciones Ec. 3 y Ec. 4.
󰇟󰇠󰇟󰇠󰇟󰇠󰇟󰇠
 (3)
󰇟󰇠
  󰇟󰇠󰇟󰇠 (4)
󰇟󰇠 󰇟󰇠 (5)
107
Edición No. 21, Issue I, Julio 2024
󰇟󰇠 󰇟󰇠
󰇟󰇠 󰇟󰇠 (6)
󰇟󰇠
 (7)
Siendo  la densidad del aire,  el área frontal del
vehículo, el coeficiente de resistencia del aire, 󰇟󰇠
la distancia recorrida en el intervalo de tiempo,  el
coeficiente de rozamiento de las ruedas con la calzada,
 el coeficiente de resistencia en curvas,  el radio de
la trayectoria circular y
 la potencia de las cargas
constantes del VE. El término 󰇟󰇠 puede ser positivo o
negativo dependiendo si el VE ha ganado o perdido
energía fruto de su movimiento en la ruta. A partir de las
ecuaciones Ec. 8 y Ec. 9 se puede calcular la energía
restante en las baterías del VE para cualquier estado
discreto del tiempo, considerando los factores de
eficiencia de recuperación (󰇜 y de eficiencia de
propulsión (󰇜 [2].
󰇟 󰇠  󰇟󰇠 󰇟󰇠  (8)
󰇟 󰇠  󰇟󰇠 󰇟󰇠  (9)
Las eficiencias en propulsión y recuperación dependen
del desempeño del conjunto motor eléctrico – transmisión
( 󰇜 de acuerdo con las ecuaciones Ec 10. y Ec 11 [2].
 (10)

(11)
2.2 Parámetros de buses eléctricos
Las especificaciones técnicas de los buses eléctricos
utilizados en el presente trabajo se obtuvieron de
catálogos del fabricante, resumidos en la Tabla 1. El
fabricante de buses escogido dispone de unidades
operando en varias ciudades de Latinoamérica incluyendo
Ecuador, y de acuerdo con la plataforma e-bus radar sus
vehículos constituye el 45% de buses operando en la
región.
Tabla 1: Especificaciones técnicas de buses eléctricos de
transporte urbano
Valor
BYD
C9
360 kW
438 kWh
300 km
3.55 m
12.9 m
2.55 m
18000 kg
53 p
3. SIMULACIÓN DE RUTAS DE TRANSPORTE
La simulación dinámica de las rutas de buses de
transporte público en la ciudad de Quito se ha desarrollado
en el software SUMO. Para simular el tráfico es necesario
enlazar los diferentes elementos que componen el
escenario de la red vial, dentro de los más importantes
están: 1. Datos de la red: avenidas, carreteras, cruces,
redondeles, aceras y senderos.
2. Demanda de tráfico: Rutas de transporte
público y particular, viajes individuales o
flujos de tráfico de vehículos pesados,
livianos, peatones.
3. Infraestructura de tráfico: semáforos, paradas,
prioridad de cruces, etc.
4. Polígonos: Elementos topológicos
adicionales como manzanas, lugares de
interés.
Estos elementos conforman un escenario de simulación
que permite determinar el comportamiento estocástico de
un sistema vial. La representación de un sistema vial en
SUMO se realiza a través de la teoría de grafos. En donde
los nodos y aristas representan elementos reales como
intersecciones y autopistas respectivamente, los cuales
tiene sus propios atributos. Para el análisis de resultados
por tanto es necesario simular un escenario varias veces
para poder extraer conclusiones estadísticas [6].
Dentro de las rutas urbanas que actualmente prestan el
servicio de transporte público en la ciudad de Quito, se ha
escogido la ruta Marín - Ciudadela Tarqui que tiene una
extensión total de 10.67 km. Esta ruta resulta idónea para
el análisis de sensibilidad ya que a pesar de su corta
longitud contiene grandes desniveles en altura y atraviesa
zonas de tráfico moderado e intenso también con una alta
variabilidad de acuerdo con la hora y el día. Se puede
observar el recorrido bidireccional de la ruta escogida
para el análisis en la Fig. 2.
Figura 2: Ruta de transporte escogida para el estudio (ida y
vuelta) [7]
La información de la red fue importada desde la base
de datos de OpenStreetMap cuya plataforma de mapas es
de libre acceso y edición. Las redes de carreteras digitales
disponibles son originalmente utilizadas con fines de
navegación, por tanto, carecen del grado de detalle
necesario para las simulaciones microscópicas de tráfico
108
Orbe et al. / Estimación y análisis de sensibilidad del consumo energético de buses eléctricos
por carretera. Además, presentan problemas como
errores en el número de carriles, sentido de circulación,
paradas de transporte público, posición y lógica de los
semáforos y, preferencias en las intersecciones, etc. En
consecuencia, además de las técnicas heurísticas que se
utiliza en SUMO para solventar parcialmente estos
errores, se torna esencial la revisión y acondicionamiento
manual de la red por parte del usuario de acuerdo con su
necesidad. En la Fig. 3 se muestra una comparación entre
la red vial real en una fotografía satelital y su
modelamiento en la aplicación gráfica SUMO-GUI.
Figura 3: Comparación entre imagen satelital y red vial
modelada en SUMO
La demanda de tráfico es generada aleatoriamente en
base a escenarios representativos de los niveles de
servicio del flujo vehicular descritos en el Manual de
capacidad de carreteras del Consejo de investigación del
transporte de Estados Unidos. En donde se establece 6
niveles de calidad de servicio de transporte relacionados
con la velocidad y tiempos de desplazamiento, libertad de
maniobra, interrupciones y comodidad de los trayectos
[8].
Los niveles de servicio (NS) denominados: A, B, C, D,
E, y F se definen en orden de mejor a peor, es decir el
nivel A corresponde a un tráfico fluido con velocidades
altas, mientras el nivel F corresponde a circulación muy
forzada, velocidades bajas y en general una absoluta
congestión en las vías condición muy normal en vías
importantes a hora pico de grandes ciudades. En virtud de
estos niveles se han planteado los escenarios descritos en
las Tablas 2 y 3.
Tabla 2. Escenarios de servicio vehicular en análisis de
sensibilidad de altura
Esc
Ocupación (%)
1
20
2
100
Tabla 3. Escenarios para servicio vehicular en análisis de
sensibilidad de tráfico
Esc
NS
Tráfico
Conteo
Factor
de paso
Ocupación
(%)
3
A
Ligero
1
2
20
4
C
Moderado
6
3
60
5
F
Intenso
12
5
100
El parámetro conteo representa el número de vehículos
que se generan aleatoriamente por hora, carril y kilómetro.
El factor el paso de tráfico representa el nivel de
intercambio de vehículos entre la zona de estudio y el
exterior.
SUMO es un software de simulación de tráfico
puramente microscópica. Cada vehículo está definido
explícitamente por un identificador único, su hora de
salida, llegada y la ruta a través de la red. Las rutas de
transporte público bajo análisis se modelaron
considerando su trayecto real, velocidad máxima de
circulación, localización de las paradas y tiempo de espera
en las mismas. Los buses se modelaron considerando su
nivel de ocupación en cada escenario de las Tablas 2 y 3.
4. DESCRIPCIÓN DEL CASO DE ESTUDIO
El propósito práctico del presente estudio es modelar
una ruta típica de transporte público en la ciudad de Quito
para el análisis dinámico del consumo de energía bajo
condiciones reales. Se ha modelado la ruta Marín -
Ciudadela Tarqui cuyo perfil topográfico se muestra en la
Fig. 4.
La información topográfica se obtuvo del Servicio
Geológico de Estados Unidos (USGS) [9], que provee los
archivos SRTM necesarios para conocer la elevación de
cualquier punto sobre la tierra con una resolución de 30m.
El archivo SRTM es un modelo digital de elevación que
maneja un sistema de coordenadas geográficas WGS84 y
EGM96.
Figura 4: Perfil topográfico de la ruta modelada en SUMO
Los modelos digitales de elevación representan visual
y matemáticamente los valores de altura con respecto al
nivel del mar, y permite caracterizar el relieve de una
zona. Intersecando los datos tipo ráster de la elevación y
el trazado de las rutas de transporte bajo estudio se obtuvo
la composición topográfica necesaria para el análisis de
energías en vehículos eléctricos.
109
Edición No. 21, Issue I, Julio 2024
5. ESTIMACIÓN DEL CONSUMO Y ANÁLISIS
DE SENSIBILIDAD
Uno de los parámetros más importantes al adquirir un
vehículo eléctrico es su autonomía, cuyo valor teórico es
declarado en las especificaciones del fabricante. En teoría,
un VE ideal puede recorrer entre 150 y 200 kilómetros con
una sola carga, sin embargo, en la práctica la autonomía
real de un bus eléctrico de transporte público depende de
muchos factores energéticos internos y externos. El
desempeño de las baterías depende además de variables
ambientales como la temperatura, constructivas como
tolerancias en la construcción y variables mucho más
difíciles de especificar con precisión, como el tiempo y el
tipo de uso (o mal uso) que se haya hecho de la batería en
el pasado [10]. En tal sentido la autonomía real de los
buses que se incorporarán al servicio de transporte público
en la ciudad de Quito debe estimarse considerando al
menos las principales variables en cuestión.
Figura 5: Velocidad del bus eléctrico en la ruta bajo análisis
sin considerar desniveles de altura
Figura 6: Velocidad del bus eléctrico en la ruta bajo análisis
considerando desniveles de altura
En el presente trabajo se analiza la sensibilidad del
balance de energía (consumo-regeneración) de buses
eléctricos pertenecientes a una ruta real de la ciudad de
Quito. En la Fig. 5 se muestra la velocidad del recorrido
del bus en una simulación sin considerar diferencias de
altura en la ruta, mientras en la Fig. 6 se puede observar
el comportamiento del bus con la inclusión de los datos de
relieve en la ruta.
Los ciclos de conducción simulados y mostrados en las
Fig. 5 y 6 son similares a los patrones de conducción
NEDC (New European Driving Cycle) y ETC (European
Transient Cycle). Los mismos son utilizados para la
homologación de emisiones en vehículos de combustión
y autonomía de modelos de vehículos eléctricos en la
Unión Europea. En la Fig. 7 se puede observar dichos
ciclos estándares de manejo de buses de transporte urbano
y que guarda semejanza con los ciclos simulados en este
trabajo. Un ciclo de conducción adecuado para simular
debe contar con periodos de aceleración, desaceleración y
velocidad constantes, guardando relación con las pautas
reales de conducción dentro de una ciudad.
Figura 7: Ciclo de manejo estándar para buses urbanos [11]
El desempeño de los buses eléctricos simulados se
muestra en las figuras siguientes, considerando el desnivel
y el nivel de tráfico de la ruta, así como la ocupación de
los buses. En la Fig. 8 se muestra bajo el escenario 1, es
decir con un 20% de ocupación, el comportamiento de la
carga de la batería del bus eléctrico con y sin desniveles
en la ruta. La Fig. 9 contiene los resultados del escenario
2 según las mismas consideraciones de la figura anterior.
Figura 8: Energía acumulada por el bus eléctrico en la ruta de
prueba con un 20% de ocupación, considerando desniveles
La incidencia del nivel de tráfico en el consumo de
energía se detalla mediante la Fig. 10. Se han simulado los
escenarios 3,4 y 5 especificados en la Tabla III,
pudiéndose notar a diferencia de lo ocurrido con el
desnivel, la poca dependencia entre el nivel de tráfico y la
magnitud del consumo energético.
Finalmente se modela la ruta considerando los
desniveles de altura y tráfico, con esto se espera conseguir
un desempeño energético muy cercano a la realidad. En la
Fig. 11 se muestra el comportamiento del bus eléctrico, a
partir del cual podemos analizar su autonomía real que
bajo las condiciones simuladas se reduce un 27% con
respecto a la autonomía declarada por el fabricante.
110
Orbe et al. / Estimación y análisis de sensibilidad del consumo energético de buses eléctricos
Figura 9: Energía acumulada por el bus eléctrico en la ruta de
prueba con 100% de ocupación, considerando desniveles
Figura 10: Energía acumulada por el bus eléctrico en la ruta de
prueba considerando niveles de tráfico
Figura 11: Energía acumulada por el bus eléctrico en la ruta de
prueba considerando desniveles y nivel de tráfico medio
Con el fin de validar los resultados obtenidos se realiza
un análisis comparativo entre el desempeño energético de
la ruta simulada en SUMO con las investigaciones
detalladas en [12] y [13]. Ambos trabajos realizan una
evaluación del consumo energético para vehículos
eléctricos en función de variables propias del vehículo y
las condiciones de la ruta.
En [12] se encuentra un modelo para estimar el impacto
del grado de inclinación de la ruta en el consumo de
energía de un vehículo eléctrico. Aplicando el modelo
logarítmico al caso de estudio se puede obtener resultados
coherentes con los de la Fig. 12. En [13] se establece una
relación entre diversos factores que afecta el consumo de
energía en un VE. Considerando los factores: inclinación
y longitud de la ruta, ocupación y velocidad se presentan
resultados coherentes con la bibliografía, estimándose un
error del consumo de energía del 8,78%. Por otro lado, a
pesar de que, de acuerdo con la bibliografía, las
condiciones de tráfico afectan sensiblemente el consumo
del VE, las simulaciones realizadas no reflejan tal hecho.
Experimentalmente cuando la proporción de tiempo de
parada del vehículo durante un viaje pasa del 12% - 18%
al 24% - 30%, el consumo energético del vehículo
aumenta un 20% [13,14].
Figura 12: Efectos estimados de la pendiente en la eficiencia
energética de un vehículo eléctrico [14].
En base al análisis comparativo de resultados se puede
comprobar que el modelo propuesto en [2,15] y aplicado
en las simulaciones de SUMO del presente trabajo, no
permite evaluar adecuadamente la incidencia del tráfico
en el comportamiento energético del VE. Esto concuerda
con lo expuesto en [5], donde se menciona que, bajo
condiciones de congestión vehicular, la estimación de
consumo resultante en SUMO es inferior a la energía real
consumida en carretera, esto debido a que no se toma en
cuenta de forma precisa el efecto de la aceleración en el
consumo de batería. Por tanto, las simulaciones realizadas
desestiman el consumo de energía bajo condiciones de
tráfico, lo cual se puede constatar en la Fig. 10.
6. CONCLUSIONES Y RECOMENDACIONES
A partir de la programación del modelo en SUMO, la
creación de los modelos de ruta, bus eléctrico, tráfico, y
topografía, se ha logrado modelar y simular exitosamente
el comportamiento de un bus eléctrico en una ruta de
transporte público real, comprobando el nivel de
sensibilidad entre la energía consumida en función de la
longitud y desnivel de la ruta, el peso bruto y la velocidad
de desplazamiento del vehículo. Al analizar la incidencia
de la combinación de estos parámetros, se ha estimado un
nivel de error del 8,78% con respecto a las
experimentaciones descritas en la bibliografía. Por tanto,
con base al modelo y simulaciones propuestas, se puede
estimar la autonomía de un bus eléctrico en cualquier ruta
de transporte público con una adecuada exactitud.
La metodología propuesta resulta muy útil para futuros
trabajos de análisis energético como: dimensionamiento y
optimización de la capacidad de estaciones de carga,
estimación de la demanda eléctrica de estaciones de carga
y su impacto en la red de distribución de energía,
planificación de rutas de transporte, análisis operativo de
111
Edición No. 21, Issue I, Julio 2024
tecnologías de carga, autonomía de unidades de transporte
y degradación temporal de baterías, entre otros.
Existe una gran diversidad de factores que influyen en
el consumo energético de un vehículo eléctrico, en el
presente trabajo se estima la magnitud de incidencia de
varios de ellos simulando una ruta real de transporte
público. Sin embargo, la evaluación de ciertos factores
como el nivel de tráfico requiere de modelos más
complejos que aún siguen siendo investigados.
Si bien el software SUMO es una valiosa herramienta
para la realización de simulaciones de tráfico, al usar un
modelo cuasi estacionario, presenta una significativa
limitación para análisis energético de vehículos eléctricos.
No obstante, por tratarse de un software de código abierto,
es posible mejorar el modelo tomando como referencia los
hallazgos presentados en este trabajo. En base a otras
investigaciones se podría mejorar el modelo para analizar
la incidencia más ajustada del tráfico, la temperatura
ambiental, el estado de carga de la batería, el estilo de
conducción, etc.
Para evaluar el comportamiento dinámico del consumo
energético del bus eléctrico, considerando la incidencia
del tráfico vehicular, es necesario considerar la
aceleración instantánea además de trabajar con un modelo
dinámico de freno regenerativo. La aceleración
instantánea tiene directa influencia en el consumo de
corriente del motor eléctrico especialmente en
condiciones de arranque. Y es precisamente en los
escenarios de alto tráfico donde el motor eléctrico se
encuentra en un ciclo intenso de aceleraciones y
desaceleraciones.
Considerando las limitaciones del modelo
implementado en SUMO, se pudo comprobar que la
autonomía de un bus eléctrico tiende a ser inferior a la
declarada por el fabricante en rutas con altos desniveles y
niveles de ocupación, como se comprobó en el caso de
estudio de la ciudad de Quito, en donde la autonomía
resultante de la simulación se redujo en un 27%. Por ello,
es indispensable incluir en los análisis, pruebas de ruta
bajo distintas condiciones o considerar un margen de
seguridad de al menos el 27% al diseñar un sistema de
transporte público eléctrico en esta ruta.
Se debería encaminar esfuerzos para futuros trabajos
que permitan ajustar el modelo de bus eléctrico utilizado,
mediante pruebas en ruta y/o en bancos de prueba. Se ha
mantenido reuniones con la ARCERNNR y el Centro de
Transferencia Tecnológica para la Capacitación e
Investigación en Control de Emisiones Vehiculares
(CCICEV) que posibilite la aplicación práctica y exitosa
de esta metodología en el vigente proceso de integración
de la movilidad eléctrica en el transporte público del país.
7. REFERENCIAS BIBLIOGRÁFICAS
[1] G. Lucero, F. González, y K. Castillo, “Panorama
Energético de América Latina y el Caribe”, Quito,
Ecuador, OLADE, 2022.
[2] J. A. Sanguesa, P. Garrido, F. J. Martinez, y J. M.
Marquez-Barja, “Analyzing the impact of roadmap
and vehicle features on electric vehicles energy
consumption”, IEEE Access, vol. 9, pp. 61475–
61488, 2021.
[3] L. Koch et al., “Accurate physics-based modeling
of electric vehicle energy consumption in the
SUMO traffic microsimulator”, 2021 IEEE
International Intelligent Transportation Systems
Conference (ITSC), 2021.
[4] I. Sagaama, A. Kchiche, W. Trojet, y F. Kamoun,
“Evaluation of the energy consumption model
performance for electric vehicles in SUMO”, 2019
IEEE/ACM 23rd International Symposium on
Distributed Simulation and Real Time Applications
(DS-RT), 2019.
[5] A. Validi, W. Morales-Alvarez, y C. Olaverri-
Monreal, “Analysis of the battery energy estimation
model in SUMO compared with actual analysis of
battery energy consumption”, 2021 16th Iberian
Conference on Information Systems and
Technologies (CISTI), 2021.
[6] P. A. Lopez et al., "Microscopic Traffic Simulation
using SUMO," 2018 21st International Conference
on Intelligent Transportation Systems (ITSC),
Maui, HI, USA, 2018, pp. 2575-2582, doi:
10.1109/ITSC.2018.8569938.
[7] “Openstreetmap.” [Online]. Disponible:
https://www.openstreetmap.org/#map=14/-
0.2471/-78.5277. [Acceso: 21-Nov-2023].
[8] E. Soler Sánchez, S. Campos Movilla, y M. Silva
Cruz, “Evaluación de la incidencia de los ciclos
sobre el nivel de servicio de intersecciones no
semaforizadas en la ciudad de Holguín”, Rev.
Cient. FAREM-Estelí, pp. 248–270, 2022.
[9] USGS-U.S. Geological Survey, “EarthExplorer,”
USGS - U.S. Geological Survey. [Online].
Available: https://earthexplorer.usgs.gov/.
[Accessed: 30-Nov-2023].
[10] J. Larminie y J. Lowry, Electric vehicle technology
explained: Lowry/electric vehicle technology
explained, 2a ed. Nashville, TN, Estados Unidos de
América: John Wiley & Sons, 2012.
[11] T. Barlow, S. Latham, I. S. McCrae, and P. Boulter,
‘A reference book of driving cycles for use in the
measurement of road vehicle emissions’, TRL
Published Project Report, 2009.
[12] K. Liu, T. Yamamoto, y T. Morikawa, “Impact of
road gradient on energy consumption of electric
vehicles”, Transportation Research Part D:
Transport and Environment, vol. 54, pp. 74–81,
2017.
[13] A. Skuza and R. S. Jurecki, “Analysis of factors
affecting the energy consumption of an EV vehicle
112
Orbe et al. / Estimación y análisis de sensibilidad del consumo energético de buses eléctricos
- a literature study,” IOP Conf. Ser. Mater. Sci.
Eng., vol. 1247, no. 1, p. 012001, 2022.
[14] Y. Al-Wreikat, C. Serrano, y J. R. Sodré, “Driving
behaviour and trip condition effects on the energy
consumption of an electric vehicle under real-world
driving”, Appl. Energy, vol. 297, núm. 117096, p.
117096, 2021.
[15] Tamás Kurczveil, Pablo Álvarez López, and
Eckehard Schnieder. Implementation of an energy
model and a charging infrastructure in sumo. In
Simulation of Urban Mobility User Conference
2013, pages 33–43. Springer.
Daniel Orbe Játiva: Nació en
Ambato, Ecuador en 1987. Recibió
su título de Ingeniero Eléctrico en
2014 y Magíster en Ingeniería
Eléctrica en Distribución en 2022
de la Escuela Politécnica Nacional.
Se ha desempeñado como asesor de
la coordinación de electricidad de
OLADE y la Agencia Canadiense de Desarrollo en la
gestión técnica de proyectos energéticos en América
Latina y el Caribe. Actualmente se desempeña como
docente en la carrera de ingeniería en electricidad de la
EPN. Sus campos de investigación están relacionados
con Sistemas eléctricos de distribución, Energías
Alternativas, Alto Voltaje y Movilidad Eléctrica.
Luis Salazar Fonseca: Nació en
Quito, Ecuador en 1999. Recibió su
título de Ingeniero Eléctrico en
2022 en la Escuela Politécnica
Nacional. Actualmente se
desempeña como docente en la
carrera de Electricidad de la EPN.
Sus campos de investigación están
relacionados con Sistemas Eléctricos de Distribución,
Energías Alternativas, Sistemas Eléctricos de Potencia y
Generación de energía eléctrica.
Paúl Vásquez Miranda: Ingeniero
Eléctrico “Escuela Politécnica
Nacional,” Quito, 2001. Trabajó
para Movistar encargado del área de
planificación del sistema eléctrico
2003-2004. Se graduó de doctor en
ingeniería eléctrica en la
Universidad Nacional de San Juan,
Argentina-2009. Colaboró como investigador invitado
durante un año, 2008-2009, en el Instituto de Energía
Eléctrica (LENA) de la Universidad Otto-von-Guericke
en Magdeburg, Alemania. Actualmente, es profesor de
pregrado y posgrado en la Escuela Politécnica Nacional,
EPN. Sus áreas de interés son: planificación de SEP,
optimización, técnicas de análisis de datos, modelación
de incertidumbres y técnicas de manejo de riesgos.
113