[論文レビュー] A Cloud-Based Energy Management Strategy for Hybrid Electric City Bus Considering Real-Time Passenger Load Prediction

Junzhe Shi, Bin Xu+2 more|arXiv (Cornell University)|Oct 28, 2020

Electric Vehicles and Infrastructure参考文献 30被引用数 6

ひとこと要約

本稿では、リアルタイムの乗客数予測を統合することでバッテリ使用状態を最適化し、劣化を低減するクラウドベースのエネルギー管理戦略を、ハイブリッド電気バスに提案する。負荷予測に勾配ブースト決定木を、クラウド上での動的計画法を用い、最適な電力分配を導出し、実用的制御のためのルールを抽出する。真の負荷データを用いた理想の動的計画法と比較して、ピーク時・非ピーク時の両方で、それぞれ4%および11%の運行コスト低減を達成し、誤差は1%未満にとどまる。

ABSTRACT

Electric city bus gains popularity in recent years for its low greenhouse gas emission, low noise level, etc. Different from a passenger car, the weight of a city bus varies significantly with different amounts of onboard passengers. After analyzing the importance of battery aging and passenger load effects on an optimal energy management strategy, this study introduces the passenger load prediction into the hybrid-electric city buses energy management problem, which is not well studied in the existing literature. The average model, Decision Tree, Gradient Boost Decision Tree, and Neural Networks models are compared in the passenger load prediction. The Gradient Boost Decision Tree model is selected due to its best accuracy and high stability. Given the predicted passenger load, a dynamic programming algorithm determines the optimal power demand for supercapacitor and battery by optimizing the battery aging and energy usage leveraging cloud techniques. Then, rule extraction is conducted on dynamic programming results, and the rule is real-time loaded to the vehicle onboard controller to handle prediction errors and uncertainties. The proposed cloud-based Dynamic Programming and rule extraction framework with the passenger load prediction show 4% and 11% lower bus operating costs in off-peak and peak hours, respectively. The operating cost by the proposed framework is less than 1% of the dynamic programming with the true passenger load information.

研究の動機と目的

• 現行のハイブリッド電気バス向けエネルギー管理戦略が、変動する乗客負荷を考慮していないというギャップを解消すること。
• リアルタイムの乗客負荷予測をエネルギー管理フレームワークに統合することで、バッテリの耐久性向上とエネルギー効率の向上を図ること。
• 動的計画法を用いて、バッテリとスーパーキャパシタ間の最適な電力分配を実現するスケーラブルなクラウドベースのソリューションを開発すること。
• オフライン最適化結果から得たルールを抽出・実装することで、予測誤差や不確実性に対応するリアルタイムの耐障害性を向上させること。
• 真の乗客負荷データを用いた動的計画法との比較を通じて、理論上の最適に近いコスト効率を達成することを目的とする。

提案手法

• 勾配ブースト決定木が、平均モデル、決定木、ニューラルネットワークと比較された結果、精度と安定性に優れるため、乗客負荷予測に選定された。
• クラウドベースのシステムは、エネルギー消費とバッテリ劣化の両方を最小化するように、動的計画法を用いてバッテリとスーパーキャパシタ間の最適な電力分配を計算する。
• バッテリ劣化は、サイクル劣化とカレンダーリング劣化の両効果を統合したコスト関数として、動的計画法最適化内にモデル化される。
• 動的計画法により得られた最適制御方針を分析し、解釈可能なルールを抽出技術を用いて抽出する。
• 抽出されたルールは、車両搭載コントローラーにデプロイされ、負荷予測誤差やシステムの不確実性に柔軟に対応するリアルタイム適応を可能にする。
• 本フレームワークは、実世界の条件下で評価され、非ピーク時およびピーク時の運行コストをベースライン戦略と比較した。

実験結果

リサーチクエスチョン

• RQ1 リアルタイムの乗客負荷予測は、ハイブリッド電気バスのエネルギー管理性能にどのように影響を与えるか？
• RQ2 エネルギー管理に用いる乗客負荷予測において、どの機械学習モデルが最も正確かつ安定した予測を提供するか？
• RQ3 クラウドベースの動的計画法アプローチは、バッテリ劣化を考慮しながら、運行コストをどの程度低減できるか？
• RQ4 オフライン最適化から抽出したルールは、予測誤差に起因する不確実性に対し、どの程度の効果的にリアルタイム制御を強化できるか？
• RQ5 本提案フレームワークの性能は、完全な乗客負荷情報が得られた理論上の最適解にどの程度近いか？

主な発見

• 勾配ブースト決定木は、他のモデルと比較して乗客負荷予測において最も高い精度と安定性を示した。
• 提案されたクラウドベースのフレームワークは、ベースライン戦略と比較して、非ピーク時における運行コストを4%低減した。
• ピーク時における運行コストは11%低減され、高負荷変動下でも優れた性能を示した。
• フレームワークの運行コストは、真の乗客負荷データを用いた理論上の最適解と比較して1%未満の差にとどまった。
• 動的計画法の結果から抽出したルールは、予測誤差に対する耐障害性を著しく向上させる有効なリアルタイム制御を実現した。
• クラウドベースの最適化と搭載型ルールベース制御の統合により、実世界への展開に適したスケーラブルで近似的に最適なエネルギー管理が可能になった。