Ruttplanering

Stora energibesparingar när eldrivna fordon tar rätt väg

​​Konsekvenserna av att bli stående med ett tomt batteri kan vara stora för eldrivna distributionsbilar. Nu har forskare på Chalmers utvecklat verktyg som låter fordonen lära sig hur de ska navigera för att göra av med så lite energi som möjligt. Resultatet är energibesparingar på upp till 20 procent. Hemligheten? Att utgå från hur mycket energi fordonet gör av med, inte hur lång sträcka det behöver köra.
-Vi har utvecklat systematiska verktyg som beräknar och rekommenderar den optimala energianvändningen.Balazs_Kulcsar_0006,1B.jpg
Dessutom kan vi garantera att elfordonen aldrig blir stående eller lägger onödig tid på att ladda, säger Balázs Kulcsár, biträdande professor vid institutionen för elektroteknik, Chalmers. 

Resultaten är de senaste i ett gemensamt forskningsprojekt mellan Chalmers och Volvo Group, som undersöker hur elfordon kan användas för distributionsuppdrag. Den nya algoritmen som beräknar de eldrivna fordonens optimala rutt är så effektivt att den redan används i praktiken av Volvo Trucks.

Kort sträcka inte alltid den bästa vägen
I studien har forskarna undersökt hur en flotta med flera eldrivna lastbilar på effektivast sätt kan leverera varor i ett komplext trafiknät. Utmaningen ligger i hur en distributionsbil, som exempelvis kör ut matkassar eller möbler till flera olika adresser, bäst ska planera sin rutt. Tidigare har ruttplaneringen för eldrivna fordon utgått från att den kortaste körsträckan också är den mest effektiva. Men Balázs Kulcsár och hans kollegor utgick istället från hur mycket energi lastbilarnas batterier innehöll, för att hitta de färdvägar som innebar minsta möjliga energikonsumtion. 

- I verklig trafik kan en längre sträcka vara bättre än en kortare, beroende på alla andra parametrar som påverkar energiförbrukningen, säger Balázs Kulcsár.

Minskad energiförbrukning
T2021_74571.jpg
Bildtext: Ruttplanering

Forskarna beräknade ellastbilarnas energikonsumtion i en stad genom att ta hänsyn till flera faktorer; hastighet, last, trafikinformation, hur backig vägen var och möjligheter till snabbladdning.
 
Modellen för energiförbrukning matades sedan in i en matematisk formel, och resultatet blev en algoritm som beräknar vilken rutt fordonen bör ta för att genomföra leveranserna med så liten energikonsumtion som möjligt. Och om laddning behövs under färden sparar fordonen tid genom att ta den effektivaste vägen till närmsta snabbladdningsstation. I studien såg forskarna att fordonen tack vare den nya algoritmen kunde minska sin energiförbrukning med mellan 5 och 20 procent.

Eftersom de eldrivna distributionsfordonen verkar i en komplex verklighet uppstår situationer som kan vara svåra att förutsäga även för en träffsäker algoritm. Energiprognoserna optimeras därför genom maskininlärning, där fordonen samlar in data som går tillbaka till verktyget. 

- På det sättet kan vi anpassa ruttplaneringen till osäkra och förändrade förhållanden, minimera energianvändningen och garantera framgångsrik stadsdistribution. säger Balázs Kulcsár.

Text: Sandra Tavakoli och Karin Wik

Mer om forskningen 
  • Den vetenskapliga artikeln Dynamic Stochastic Electric Vehicle Routing with Safe Reinforcement Learning har publicerats i Transportation Research Part E: Logistics and Transportation Review 
  • Artikeln är skriven av forskarna Balázs Kulcsár, Ivan Sanchez och Xiaobo Qu vid Chalmers tekniska högskola i samarbete med Rafael Basso, senior forskare, Volvo Group. 
  • ​Forskningen har i huvudsak finansierats av Vinnovaprojektet ELFORT I-II med stöd från Chalmers Transport area of advance.
Läs mer: 
Electric Vehicle Routing Problem with Machine Learning for Energy Prediction, Transportation Research Part B: Methodological, 2021.

Energy consumption prediction and routing for electric commercial vehicles, doktorsavhandling, 2021
 Kontaktinformation
Balázs Kulcsár, biträdande professor vid institutionen för elektroteknik, Chalmers
kulcsar@chalmers.se ​

Sidansvarig Publicerad: ti 21 dec 2021.