Factores influyentes en el consumo de energía de los buses eléctricos: El caso de Bogotá

Tesis de maestría en ingeniería civil con énfasis en transporte

Laura Lizzette Arroyo Cruzco

Asesor: Juan Pablo Bocarejo Suescún

Universidad de Los Andes

Bogotá, Colombia
2023
Resumen
La electrificación del transporte público es una realidad extendida a nivel mundial. Por tanto, entender el
comportamiento de este tipo de tecnología se hace cada vez más importante. Este estudio utiliza los datos
de operación de 296 buses eléctricos en la ciudad de Bogotá para estimar su rendimiento energético. Para
esto, se utiliza un modelo de consumo de energía de buses eléctricos a batería teórico y un modelo a
partir de datos de operación. Adicionalmente, se presenta un modelo de potenciación de gradiente que
permite calcular la importancia de cada una de las variables de interés en el modelo. El rendimiento
energético promedio de los buses eléctricos de Bogotá obtenido en este estudio es de 1.20 kW/Km con
una desviación estándar de 0.45kW/Km. Asimismo, se identifican que los factores que más influyen en el
rendimiento energético de este tipo de buses son la velocidad, la distancia de la ruta, la carga de pasajeros
y el estado de carga de la batería. Estos descubrimientos sientan las bases adecuadas para futuras
investigaciones acerca de la sustitución de la flota de buses, la implementación de la infraestructura de
carga y la priorización de rutas con buses eléctricos a batería.

Introducción
La preocupación por el calentamiento global y el cambio climático ha impulsado la transición energética
del transporte a nivel mundial. La electromovilidad del transporte público ha sido la gran estrategia de los
países para reducir de forma contundente las emisiones de gases de efecto invernadero que afectan la
salud de la población y deterioran la calidad del aire de las ciudades. Esta rápida transición en algunos
países ha permitido que para finales del 2020 en China operarán 400.000 buses eléctricos, lo que
representa el 60% de todos sus autobuses urbanos (Liu et. al, 2022). Por su parte, Bogotá es la ciudad líder
en electromovilidad del transporte público de América Latina y el Caribe con un total de 1485 buses
eléctricos que operan por sus carriles mixtos.

La electromovilidad, sin embargo, tiene diversas aristas que influyen en su papel como mitigadora de las
externalidades negativas del transporte. Según Liu, Wang, Zeng y Bie (2022) en la mayoría de los estudios,
la tasa de consumo energético de los buses durante su operación se asume como una constante y se
determina a partir de modelos tradicionales de consumo eléctrico. No obstante, estos resultados difieren
significativamente de los datos reales de operación. Los datos analizados por diversos estudios, según la
telemetría de este tipo de buses, observan que existe una descarga no lineal del estado de carga (SOC) de
la batería. Lo anterior, indica que existe un aumento no lineal de la tasa de consumo de energía. La
experiencia en operación de esta tipología de buses ha demostrado que el consumo energético varía
según las rutas asignadas. Incluso, se han presentado casos donde el nivel de estado de carga no es
suficiente para cumplir la programación determinada.

Aunque Bogotá ha avanzado en electrificar su transporte público, el siguiente paso de una estrategia de
implementación buses eléctricos es evaluar su resultado e identificar posibles formas de mejora. En este
siguiente paso, es relevante incluir en la valoración de la estrategia la variación de la tasa de consumo de
energía de los buses eléctricos. En este sentido, la hipótesis de investigación es que existe un aumento no
lineal de la tasa de consumo de energía de estos buses. En consecuencia, se evaluarán los factores que
afectan el consumo energético de los buses eléctricos de Bogotá, con el objetivo de identificar las
condiciones que propician la meta de optimizar la eficiencia energética de este tipo de buses.
El camino a la electromovilidad en Colombia

Reducir las emisiones de gases de efecto invernadero en el sector del transporte es una estrategia crucial
para combatir el cambio climático, disminuir los efectos negativos en la salud provocados por los agentes
contaminantes presentes en el aire y los impactos ambientales de los combustibles fósiles. Durante el año
2021, se registró una emisión récord de dióxido de carbono de 36,3 gigatoneladas a nivel mundial, lo que
tiene un efecto perjudicial significativo en la calidad del aire, el cambio climático y los ecosistemas
(International Energy Agency, 2021). De acuerdo con diversas investigaciones, se ha demostrado que los
vehículos eléctricos tienen la capacidad de reducir hasta en un 50% las emisiones de gases de efecto
invernadero generadas en el ciclo de vida del transporte, incluyendo aquellas relacionadas con la
fabricación de los automóviles, la salida del tubo de escape y el ciclo de combustible, en comparación con
los vehículos convencionales (D. Hall & N. Lutsey, 2018; Vicente et al., 2015).

En los últimos años, uno de los sectores del transporte que ha avanzado significativamente en la
electrificación ha sido el transporte público. La aparición de buses eléctricos en el mercado ha permitido
la expansión de redes completas de flotas de buses de esta tipología, lo que ha permitido demostrar las
ventajas que ofrece esta tecnología. En primer lugar, los buses eléctricos presentan una mayor eficiencia
energética en comparación con los buses convencionales, ya que no generan emisiones de gases
contaminantes durante su uso y tienen un consumo de energía mucho más bajo.

Además, otra de las ventajas de los buses eléctricos es que su costo de mantenimiento es
significativamente más bajo en comparación con los buses convencionales. Esto se debe a que los motores
eléctricos tienen menos piezas móviles y, por lo tanto, requieren menos mantenimiento. Además, los
sistemas de frenado regenerativo de los buses eléctricos pueden prolongar la vida útil de los frenos,
reduciendo así los costos de mantenimiento asociados con su reemplazo (Le Quyen Luu et al., 2022).

El proceso de transición energética en Colombia es guía para los países latinoamericanos. Colombia ha
avanzado en la creación de elementos regulatorios que han permitido fomentar la electromovilidad en el
país. En 2019, el Estado Colombiano presentó la Estrategia Nacional de Movilidad Eléctrica en la que se
prioriza incentivar y facilitar la transición hacia tecnologías de cero y bajas emisiones, fortalecer el marco
regulatorio, político e institucional y desarrollar infraestructura de recarga que permita anticiparse a la
transformación de la movilidad (PNUMA, 2022). Esta estrategia va en concordancia con los resultados de
varios análisis del ciclo de vida de diferentes tipos de vehículos que demuestran que se pueden ahorrar
grandes cantidades de emisiones de CO2 mediante la electrificación del transporte (Ercan & Tatari, 2015,
Girardi et al., 2015, Hawkins et al., 2013, Helmers et al., 2017, Lajunen & Lipman, 2016). En este sentido,
la Estrategia Nacional de Movilidad Eléctrica puntualizó la hoja de ruta hacia vehículos de cero y baja
emisiones en concordancia con los decretos, documentos CONPES y leyes promulgados en años anteriores
desde la aprobación del acuerdo de París en 2017.

En particular, una de las acciones de la Estrategia Nacional de Movilidad Eléctrica ha sido la

implementación de proyectos de electrificación del transporte público, la cual previene efectos negativos
en la salud de los habitantes de una ciudad. Lo anterior, porque la salud pública se ve afectada por el
sector transporte al ser responsable de gran parte de las emisiones de gases de efecto invernadero que
contribuyen a la contaminación atmosférica (International Energy Agency, 2016, Umweltbundesamt,
2018). Esta contaminación, constituye uno de los principales factores de muertes prematuras en la
población (Horton et al., 2021). En 2017, ocasionó 3,5 millones de fallecimientos prematuros debido a
diversas enfermedades, como accidentes cerebrovasculares, cardiopatías isquémicas, enfermedades
pulmonares obstructivas crónicas, cáncer de pulmón e infecciones respiratorias (Ritchie & Roser, 2017).
Sin embargo, la electrificación del transporte público ha permitido disminuir estas consecuencias, por
ejemplo, para 2020, en América Latina había un total de 1229 buses eléctricos que evitaron cerca de
129.07 kt de emisiones de CO2 por año (Portaluppi, 2020). Ahora bien, aunque se reduzcan las emisiones,
esto no implica que la contaminación producida por el trasporte público se elimine. Por esto, es necesario
profundizar en el estudio de la eficiencia operacional de los buses eléctricos.

En resumen, Colombia ha avanzado en la transición energética a partir de proyectos de electrificación del

transporte público, contribuyendo a la disminución de la contaminación atmosférica, permitiendo una
mayor calidad de vida en las ciudades. Sin embargo, es necesario aumentar la eficiencia energética de
este tipo de buses teniendo en cuenta que existen factores que afectan de forma diferente esta tipología
de buses con respecto a los buses tradicionales. Por lo tanto, esta investigación busca evaluar y cuantificar
el impacto de diversos factores en el consumo energético de los buses eléctricos en Bogotá que influyen
en el aumento no lineal de la tasa de este consumo.

El consumo energético

El consumo energético de un bus eléctrico representa la cantidad de energía que requiere el vehículo para
alimentar el motor y los otros sistemas a bordo que le permiten cumplir una determinada asignación. Es
relevante identificar el consumo energético de los buses eléctricos debido a su influencia en la
determinación de la capacidad energética de la batería, el despliegue de las estaciones de carga, la
determinación del número de cargadores en cada estación de carga y la predicción de la autonomía que
puede alcanzar el vehículo (Pengshun Li, 2021). Una estimación precisa del consumo energético esperado
de los buses eléctricos es de gran beneficio para la planificación, implementación y control de operaciones
de este tipo de tecnologías.

El consumo energético de los buses eléctricos es afectado por tres tipos de factores: Los factores del
vehículo, factores cinemáticos y factores externos. Los factores del vehículo incluyen características como
el coeficiente de resistencia aerodinámica, el estado de salud de las baterías, la potencia auxiliar y la masa
del bus, estos factores generalmente están determinados por parámetros nominales del vehículo. Los
factores cinemáticos incluyen características como el promedio, la varianza, máximo y mínimo de la
velocidad y aceleración en la ruta. Por otra parte, los factores externos hacen referencia a las condiciones
de la carretera, como la pendiente; condiciones ambientales, como la temperatura y condiciones del
conductor, como su estilo de conducción (Junyu Jiang, et al., 2023).

Teniendo en cuenta lo anterior, algunas investigaciones demuestran que es necesario contemplar las
características de la ruta para optimizar la eficiencia energética de este tipo de buses (He et al., 2018;
Vepsäläinen et al., 2018). Así, se estipula que el gasto de energía se incrementa de manera significativa
cuando se registra un aumento en el número de paradas de la ruta (Su et al., 2023). Adicionalmente, hay
una relación negativa entre el consumo de energía y la distancia entre las paradas de autobús. Por
ejemplo, si la distancia promedio entre paradas es inferior a aproximadamente 0,9 km, se evidencia un
gasto de energía elevado. No obstante, el consumo de energía disminuye cuando la distancia está entre
0,9 km y 1,3 km, y luego permanece estable en ese nivel. Por otra parte, la relación entre el consumo de
energía de un bus eléctrico en movimiento y el grado de la carretera es directamente proporcional en
carreteras con pendiente ascendente, mientras que se mantiene constante en carreteras con pendiente
descendente. (Soylu, 2014; J. de Abreu e Silva et. al., 2015; K. Kivekäs, et al., 2018; Liu, et al., 2022).

Otro factor influyente en el consumo energía de los buses eléctricos es la eco conducción. El perfil de
conducción del operador del bus es un contribuyente dominante en el consumo de energía, ya que debido
al sistema de frenado regenerativo es posible transformar la energía cinética en energía eléctrica durante
el frenado, lo que los hace más eficientes energéticamente que los autobuses diésel (Kontou & Miles,
2015; Gao et al., 2017). Asimismo, el tiempo de espera en las paradas no tiene un papel tan relevante en
el consumo de energía de los buses eléctricos como en el de los buses a diésel, debido al proceso de ralentí
de los motores diésel, que sigue consumiendo combustible incluso cuando el autobús está detenido para
recoger o dejar pasajeros (Liu, et al., 2022).

Existen tres enfoques utilizados comúnmente para estimar el consumo energético de los buses eléctricos
a batería: La regla general, los modelos basados en física y los modelos basados en datos. La regla general
asume una relación lineal entre el consumo de energía del bus y la distancia del viaje. Los modelos basados
en la física a diferencia del primer método tienen en cuenta los factores cinemáticos que afectan el
consumo energético del bus. Algunos investigadores intentaron utilizar un perfil de velocidad real de las
rutas evaluadas en sus estudios, sin embargo, estos métodos requieren datos de perfil de velocidad de
alta resolución que, generalmente, no se pueden obtener fácilmente debido a la falta de datos operativos
y los altos costos de recopilación de estos datos. Por lo tanto, la mayoría de los investigadores que utilizan
este tipo de método para medir el consumo energético del bus generan un perfil de velocidad mediante
uso de datos de baja resolución, pero no consideran la probabilidad de detenerse en un semáforo ni los
límites de velocidad en las vías. Por otra parte, los métodos basados en datos demuestran una gran
predicción del consumo energético del bus, ya que considera factores cinemáticos y externos, no
obstante, este tipo de métodos requieren datos de alta resolución y tienen un alto costo computacional
(Junyu Jiang, et al., 2023). Los tres enfoques mencionados anteriormente presentan diferentes ventajas y
desventajas entre sí, sus usos dependen de las condiciones de cada estudio.

Características y procesamiento de datos

En esta investigación participaron 2 empresas operadoras de buses eléctricos de la ciudad de Bogotá. Por
temas de confidencialidad, en adelante se mencionarán como: Empresa 1 y empresa 2. Se analizó la
operación de un día hábil de estas empresas con diferentes tamaños de bus, busetones (50 pasajeros) y
padrones (80 pasajeros), todos de la misma marca de proveedor. En el estudio se obtuvo un total de 2090
viajes, 26 rutas y 296 buses, lo que representa aproximadamente el 20% de toda la flota de buses
eléctricos de la ciudad. A continuación, se detalla la información suministrada:
Tabla 1 Descripción de los datos

Empresa 1 Empresa 2 Total

Número de viajes 1940 150 2090

Número de rutas 15 11 26

Número de vehículos 8 Busetones 183 Busetones 296

/106 Padrones

Todos los vehículos están equipados con un sistema de telemetría que, a partir de diversos sensores,
permiten obtener información precisa de diferentes características de operación del bus. La información
clave de los datos de telemetría para esta investigación incluye el nombre de la ruta, identificación del
vehículo, hora de salida del viaje, hora de llegada del viaje, identificación del viaje, velocidad, estado de
carga de la batería (SOC) inicial y final. Adicionalmente, los buses cuentan con un sistema de infrarrojo
que permite identificar el número de pasajeros que suben y bajan del bus durante el recorrido del viaje.

Para comparar los resultados de consumo de energía teóricos y reales se utilizó un modelo de consumo
de energía de buses eléctricos a batería y un modelo a partir de datos de operación respectivamente.
Seguidamente, se usó un modelo de potenciación del gradiente para evaluar la influencia de las variables
de interés en el consumo de energía de este tipo de buses. A continuación, se detallarán cada uno de los
modelos utilizados.

Modelo de consumo de energía BEB

Este modelo se fundamenta en un enfoque dinámico longitudinal, fue inicialmente desarrollado por Wu
et al. en el 2015 y posteriormente mejorado por Fiori et al. y Shekhar et al. en 2016, la última actualización
de este modelo fue en 2021 por Ma et. al. En este modelo, se realiza una estimación inicial del consumo
de energía instantáneo del BEB basándose en la fuerza de tracción, para luego integrarla y obtener el
consumo total de energía del BEB.

El consumo de energía del BEB se puede desglosar en dos componentes. La mayor parte de la energía se
destina a proporcionar la fuerza de tracción necesaria para los desplazamientos del vehículo, mientras
que la energía restante se utiliza en funciones auxiliares, como los enchufes, iluminación, interruptores
automáticos de puertas y el aire acondicionado.

𝑃𝑒 (𝑡) = 𝑃𝑡𝑟 (𝑡) + 𝑃𝑎𝑢𝑥 (𝑡)

En este estudio, se adoptó el tratamiento sugerido por Gallet et al y Ma et al., asumiendo una potencia
auxiliar constante y enfocándose en el cálculo de la fuerza por tracción. Esta última, puede dividirse en
cuatro componentes:
 𝑭𝒕𝒓 (𝒕) = 𝐹𝑑 (𝑡) + 𝐹𝑟 (𝑡) + 𝐹𝑔 (𝑡) + 𝐹𝑖 (𝑡)

Estas, representan las diferentes fuerzas para superar la resistencia aerodinámica, la resistencia a la
rodadura, la resistencia de pendiente y la fuerza de inercia. A continuación, se muestran las ecuaciones
propuestas por el modelo para calcular cada una de estas fuerzas:

𝑭𝒅 (𝒕) = 𝐴𝜌𝐶𝑑 𝐶ℎ 𝑣(𝑡)2 ⁄25.92

𝑭𝒓 (𝒕) = 𝑀(𝑡)𝑔𝐶𝑟 (𝑐1 𝑣(𝑡) + 𝑐2 )⁄1000
𝑭𝒈 (𝒕) = 𝑀(𝑡)𝑔 𝑠𝑖𝑛𝛼(𝑡)

𝑭𝒊 (𝒕) = 𝛿𝑀(𝑡)𝑎(𝑡)
Donde, 𝐴 es la zona de barlovento del bus, 𝜌 es la densidad de la masa del aire, 𝐶𝑑 es el coeficiente de
arrastre, 𝐶ℎ es un factor de corrección por altitud que se calcula de 1 a 0.085 𝐻 siendo 𝐻 la altitud, 𝑔 es
la aceleración de la gravedad, 𝐶𝑟 , 𝑐1 , 𝑐2 son parámetros de resistencia a la rodadura, 𝛿 es el factor de
pérdidas en el sistema de transmisión 𝑎(𝑡) es la tasa de aceleración en el tiempo t, 𝛼(𝑡) es la inclinación
de la carretera en el tiempo t y 𝑀(𝑡) es la masa del vehículo en el tiempo t. Para calcular 𝑀(𝑡) se utiliza
la siguiente ecuación:

𝑀(𝑡) = 𝑛(𝑡) ∗ 𝑀𝑝 + 𝑀0

Donde, 𝑛(𝑡) es el número de pasajeros en el vehículo en el instante t, 𝑀𝑝 hace referencia al peso

promedio de un pasajero y 𝑀0 es la masa del vehículo sin carga. Este último dato, fue suministrado por el
ente gestor de la ciudad.

Así, la potencia por tracción es:

𝑷𝒕𝒓 (𝒕) = 𝜂𝐹𝑡𝑟 (𝑡)𝑣(𝑡)

Donde 𝑣(𝑡) es la velocidad del vehículo en el instante t y 𝜂 es el coeficiente de pérdida de energía que se
genera cuando el sistema de frenado regenerativo convierte la energía cinética parcial en energía
eléctrica. Cuando el vehículo experimenta una fuerza de tracción negativa, como al frenar o descender
por una pendiente empinada, parte de la energía se almacena en la batería. Por lo tanto, el factor del
coeficiente de pérdida de energía varía dependiendo de si la fuerza de tracción es positiva o negativa,
como se muestra a continuación (Ma, et al ,2021):
1
𝐶𝑢𝑎𝑛𝑑𝑜 𝐹𝑡𝑟 (𝑡) ≥ 0
𝜂 = {𝑒𝑎𝑙𝑙
𝑟𝑟𝑒𝑔 𝑒𝑎𝑙𝑙 𝐶𝑢𝑎𝑛𝑑𝑜 𝐹𝑡𝑟 (𝑡) < 0

Donde 𝑒𝑎𝑙𝑙 representa el factor de eficiencia y 𝑟𝑟𝑒𝑔 es el coeficiente de regeneración, que mide la pérdida
de energía cinética durante el frenado regenerativo, cuando la energía cinética del vehículo se convierte
en energía eléctrica.

En este sentido, se presenta la ecuación general del modelo que permite obtener el consumo de energía
del viaje que tiene una duración T:
𝑇 𝑇
𝑬𝒕𝒐𝒕𝒂𝒍 = ∫ 𝑃𝑒 (𝑡)𝑑𝑡 = ∫ (𝜂𝐹𝑡𝑟 (𝑡)𝑣(𝑡) + 𝑃𝑎𝑢𝑥 (𝑡))𝑑𝑡
0 0
Los valores de los parámetros utilizados en el modelo se muestran a continuación:
Tabla 2 Parámetros del modelo de consumo de energía BEB

Parámetro Unidades Valor Fuente

𝑷𝒂𝒖𝒙 𝑘𝑊 10 Gallet, et al., 2018
𝑨 𝑚2 6 Ma, et al., 2021
𝝆 𝑘𝑔⁄𝑚3 0,85 IDEAM, 2015
𝑪𝒅 / 0,8 Wang et al, 2016
𝑪𝐡 / / Wang et al, 2016
𝒈 𝑚 ⁄𝑠 2 9,8 /
𝑪𝒓 / 1,25 Wang et al, 2017
𝒄𝟏 / 0,0328 Wang et al, 2016
𝒄𝟐 / 4,575 Wang et al, 2016
𝜹 / 1,1 Gallet, et al., 2018
𝝀 / 0,1 Gallet, et al., 2018
𝜶 / / Datos de operación
𝒂𝟎 / 1,20715 𝑥 e−3 Wang et al, 2016
𝒂𝟏 / 9,30175 𝑥 e−5 Wang et al, 2016
𝒂𝟐 / −2,6595 𝑥 e−7 Wang et al, 2016
𝜼𝒅 / 0,95 Gallet, et al., 2018
𝒆𝒂𝒍𝒍 / 0,838565 Gallet, et al., 2018
𝒓𝒓𝒆𝒈 / 0,6 Gallet, et al., 2018
𝒂 m⁄ / Datos de operación
s2
𝒗 m⁄ / Datos de operación
s
𝑴 Kg / Datos de operación

Modelo de consumo de energía a partir de datos de operación

Es posible calcular el consumo de energía a partir de los datos de operación a partir del siguiente
procedimiento. En primer lugar, se calcula la diferencia de SOC:

𝐷𝑖𝑓𝑆𝑂𝐶 [%] = 𝑆𝑂𝐶𝐼𝑛𝑖𝑐𝑖𝑎𝑙 − 𝑆𝑂𝐶𝐹𝑖𝑛𝑎𝑙

Luego de calcula el consumo de energía:

𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑒𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜[𝑘𝑊] = 𝐶𝑎𝑝𝑎𝑐𝑖𝑑𝑎𝑑 𝐵𝑎𝑡𝑒𝑟í𝑎 ∗ 𝐷𝑖𝑓𝑆𝑂𝐶

Ahora bien, es posible calcular el rendimiento energético a partir del consumo energético para mayor
facilidad en el momento de realizar comparaciones, con la siguiente ecuación:
𝑘𝑊 𝐶𝑜𝑛𝑠𝑢𝑚𝑜 𝑒𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜
𝑅𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑒𝑛𝑒𝑟𝑔é𝑡𝑖𝑐𝑜 [ ]=
𝐾𝑚 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑟𝑒𝑐𝑜𝑟𝑟𝑖𝑑𝑎

A continuación, se presenta un esquema general de este modelo:

 Figura 1 Metodología del modelo de consumo de energía a partir de datos de operación

Modelo de potenciación del gradiente

El modelo de potenciación del gradiente es esencialmente un modelo de aprendizaje automático que

genera árboles de decisión de forma gradual optimizando una función de pérdida, buscando su dirección
de gradiente negativa. Para esto, utiliza un conjunto de datos de entrenamiento que permiten ajustar los
parámetros del modelo y un conjunto de datos de prueba para hacer la estimación. Para esta
investigación, se utilizó un 80% de los datos para el entrenamiento y un 20% para la estimación de la
variable objetivo.

En comparación con los métodos estadísticos, regresiones lineales multivariables y métodos de

inteligencia artificial prevalecientes este modelo es más ventajoso para este estudio porque es capaz de
manejar múltiples tipos de variables (p. ej., continuas, discretas y de fecha) que afectan el consumo de
energía del bus, es resistente a valores atípicos y datos faltantes, no requiere que las variables sigan una
función específica y no requiere independencia entre las variables (Ma et al., 2021).

Este modelo además de estimar el valor de la variable objetivo, en este caso el rendimiento energético
del bus, puede calcular la importancia relativa de cada una de las variables que hacen parte del modelo.
Las variables de interés a analizar se dividen en cuatro categorías, las características de la ruta que
representan las medidas estáticas a nivel de ruta, las condiciones operacionales que indican las
características que varían a nivel de viaje, los atributos temporales donde se tiene en cuenta la hora de
inicio del viaje y las condiciones de carga que indican los estados de carga de la batería del bus al iniciar y
finalizar el viaje, como se muestra a continuación:
 Tabla 3 Variables del modelo de potenciación del gradiente

Resultados
Comparación del rendimiento energético: Modelo de consumo de energía BEB y modelo a
partir de datos de operación
Luego de calcular el rendimiento energético a través del modelo de consumo de energía para buses
eléctricos a batería y a través de los datos de operación, se puede identificar que existen diferencias
significativas entre los resultados, como se muestra en la siguiente gráfica:

Figura 2 Comparación de consumo de energía a través del modelo teórico y el modelo a partir de
datos de operación

Al comparar uno a uno los resultados obtenidos por los dos modelos, se obtiene un coeficiente de
correlación de 0.1131, como se evidencia a continuación:
Figura 3 Relación entre modelo teórico y de datos de operación

Asimismo, al realizar una prueba de diferencia de media a los dos conjuntos de resultados obtenidos por
los modelos, con una confianza del 95% no es posible rechazar la hipótesis nula que indica que la
diferencia de las medias de los dos conjuntos de datos es igual a cero.

Por tanto, se puede afirmar que el modelo teórico de consumo de energía de buses eléctricos a batería
puede ser mejorado para representar mejor el comportamiento del rendimiento energético de los buses
eléctricos de Bogotá.

Comportamiento general del rendimiento energético

Luego de analizar estadísticamente los resultados del modelo de consumo de energía a partir de datos de
operación, se evidencia el siguiente comportamiento en el rendimiento energético de los buses eléctricos
analizados en un día de operación:

Figura 4 Histograma del rendimiento energético de los buses eléctricos

Se evidencia que, en promedio, el rendimiento energético de los buses eléctricos analizados es de 1.20
kW/Km con una desviación estándar de 0.45 kW/Km que representa un coeficiente de variación del
37.51%.

En la siguiente gráfica se hace una comparación de los resultados encontrados con los rendimientos
energéticos promedios reportados por la literatura en otros lugares del mundo:

Figura 5 Comparación del rendimiento energético en varios lugares de operación

Importancia relativa de las variables

El modelo escogido para analizar la importancia relativa de las variables de interés en la estimación del
rendimiento energéticos fue el modelo de potenciación del gradiente. En primer lugar, se realizó un
modelo base, donde sólo se tuvieron en cuenta las características de la ruta; distancia de la ruta, distancia
media entre paradas, número de paradas, pendiente promedio, máxima y mínima, con esto se obtuvo
que la importancia relativa es de 51.05%, 20.48%, 15.78%, 10.56%, 1.52% y 0.6% respectivamente:
 Figura 6 Modelo base

Este modelo base tuvo un error cuadrático medio de estimación de 48.53%. Seguidamente, se utilizó el
modelo de potenciación del gradiente en un segundo modelo donde se tuvieron en cuenta todas las
variables de interés presentadas en la tabla 3. A continuación, se observan las importancias relativas
obtenidas por el modelo:

Figura 7 Resultados del modelo de potenciación del gradiente

El error cuadrático medio de estimación asociado a este modelo es de 14.15%.

Análisis de sensibilidad de las variables

Para poder interpretar mejor los resultados, se realizó un análisis de sensibilidad de las variables de
interés. Para esto, se tomó como escenario base un viaje de la base datos con las características que se
muestran a continuación:
Tabla 4 Datos de viaje de referencia

Seguidamente, se realizaron dos escenarios, uno aumentando en un 50% la variable de interés mientras
las demás se mantenían constantes y el otro disminuyendo en un 50% la misma variable mientras las
demás variables del modelo permanecían constantes. Los resultados de este proceso se muestran en la
siguiente tabla:
Tabla 5 Análisis de sensibilidad de variables

Rendimiento energético [kW/Km]

Variable (-50%) (+50%)
Número de paradas 0,98 1,13
Distancia entre paradas 1,12 0,8
Distancia ruta 1,27 0,98
Pendiente promedio 0,81 1,46
Pendiente máxima 1,08 1,09
Pendiente mínima 1,08 0,98
Tiempo prom de viaje 1,09 1,46
Pax promedio a bordo 0,98 1,12

Adicionalmente, se evidenció un comportamiento con rangos específicos para las variables velocidad, SOC
inicial, SOC Final y hora inicio de viaje. Se encontró que, para velocidades inferiores a 12 Km/h el
rendimiento energético disminuye significativamente, mientras que para velocidades superiores a 30
Km/h el rendimiento energético del bus mejora de forma contundente. De igual forma, se observa que
cuando el bus opera con un SOC Inicial o SOC Final inferior al 27% el rendimiento energético del bus se ve
afectado negativamente de forma significativa. Asimismo, se evidencia que a medida que aumenta la hora
de inicio de viaje el rendimiento energético del bus disminuye.

Por otra parte, en la base de datos utilizada para esta investigación se encontraron 121 viajes con un
rendimiento energético menor a 2 kW/Km, 48 viajes que finalizan su planeación con un SOC inferior al
20% y 16 viajes que inician una ruta con un SOC inferior al 20%. Las operaciones con estas características
presentan un rendimiento energético significativamente menor al promedio. Lo anterior, coincide con la
literatura y los resultados de la investigación, ya que según Liu et al (2022) se recomienda mantener un
SOC de batería a bordo mínimo entre el 20 -30% para evitar una descarga excesiva a fin de prolongar la
vida útil de la batería y según el modelo de potenciación del gradiente las operaciones con SOC inferiores
al 27% disminuyen significativamente el rendimiento del bus.

Conclusiones

La electrificación del transporte público ha permitido reducir la dependencia de combustibles fósiles y la

contaminación causada por este sector. Sin embargo, su masificación a nivel mundial requiere de un
entendimiento profundo de este tipo de tecnologías. En este sentido, comprender los factores que
afectan el consumo energético de los buses eléctricos permite identificar las características claves que
conllevan a una optimización de su operación.

En este estudio, se pudo analizar el comportamiento del rendimiento energético de un día de operación
de 296 buses eléctricos de la ciudad de Bogotá. Para esto, se utilizó un modelo teórico de consumo de
energía y un modelo basado en datos de operación. El modelo de consumo de energía de buses eléctricos
a batería teórico utilizado puede ser mejorado para describir el comportamiento del consumo energético
de los buses eléctricos en Bogotá ya que sólo está explicando en un 11% la variabilidad de los datos.
Asimismo, es posible concluir que los resultados teóricos derivados de este tipo de modelos que son
utilizados para planificar la operación de los buses eléctricos en ciudades como Bogotá son inexactos. Por
lo tanto, algunos parámetros deben ser actualizados a los contextos donde serán utilizados para mejorar
la planificación de esta tecnología. En contraste, con el modelo a partir de datos de operación fue posible
encontrar que, el rendimiento energético de los buses eléctricos de Bogotá en promedio es de 1,20
kW/Km con una desviación estándar de 0,45kW/Km.

Por otro lado, fue posible desarrollar un modelo de potenciación del gradiente que permite estimar el
rendimiento energético de los buses eléctricos en la ciudad de Bogotá con un error inferior al 15%.
Adicionalmente, calcula la importancia relativa de las variables de interés en el modelo, obteniendo como
resultado que, los factores que más influyen en el rendimiento energético de los buses eléctricos en
Bogotá son la velocidad, la distancia de la ruta y la carga de pasajeros a bordo del bus.

Para obtener mejores eficiencias energéticas en los buses eléctricos en Bogotá los esfuerzos deben
enfocarse en diseñar rutas con una mayor velocidad de operación que permita reducir los tiempos de
viaje, aumentar la distancia entre paradas y disminuir el número de paradas. Asimismo, se debe prestar
especial atención a las rutas con velocidades menores a 12Km/h y SOC Inicial o SOC Final menor a 27%
porque estas características afectan negativamente el rendimiento energético del bus.
Se recomienda a las empresas operadoras analizar periódicamente el comportamiento de sus
rendimientos energéticos y mejorar las condiciones para los viajes que presenten un rendimiento
energético menor a 2kW/Km. Lo anterior, permitirá actualizar y verificar las autonomías que pueden
obtener los buses eléctricos en su operación teniendo en cuenta la variación en este factor.
Adicionalmente, se recomienda analizar alternativas de carga de oportunidad para evitar operaciones con
bajos SOC y aumentar la eficiencia energética del bus.

Para futuras investigaciones sobre este tema se recomienda incluir en los modelos de consumo de energía
factores como el uso del desempañador, aire acondicionado, temperatura externa del bus, tráfico real y
otros factores que permitan entender la variable “Hora Inicial” en la influencia en el rendimiento
energético. Asimismo, incluir un mayor número de empresas con diversas marcas de proveedor para tener
una mayor precisión sobre el comportamiento del rendimiento energético de los buses eléctricos en
Bogotá.
 Referencias

Transmilenio S.A. (11 de 10 de 2021). Datos Abiertos Bogotá. Obtenido de

[Link]
operacion

PNUMA (2022). Sistemas de transporte público de autobuses eléctricos en la región de América Latina y
el Caribe. Reporte de estado del arte y conceptos básicos.

Ercan, & Tatari, O. (2015). hybrid life cycle assessment of public transportation buses with alternative fuel
options. The International Journal of Life Cycle Assessment, 20(9), 1213–1231.
[Link]

Girardi, Gargiulo, A., & Brambilla, P. C. (2015). comparative LCA of an electric vehicle and an internal
combustion engine vehicle using the appropriate power mix: the Italian case study. The International
Journal of Life Cycle Assessment, 20(8), 1127–1142. [Link]

Hawkins, Singh, B., Majeau-Bettez, G., & Strømman, A. H. (2013). Comparative Environmental Life Cycle
Assessment of Conventional and Electric Vehicles. Journal of Industrial Ecology, 17(1), 53–64.
[Link]

Helmers, Dietz, J., & Hartard, S. (2017). Electric car life cycle assessment based on real-world mileage and
the electric conversion scenario. The International Journal of Life Cycle Assessment, 22(1), 15–30.
[Link]

Lajunen, & Lipman, T. (2016). Lifecycle cost assessment and carbon dioxide emissions of diesel, natural
gas, hybrid electric, fuel cell hybrid and electric transit buses. Energy (Oxford), 106, 329–342.
[Link]

International Energy Agency, 2016. CO2 Emissions from Fuel Combustion 2016, 533 pp.

Umweltbundesamt, 2018. Annual greenhouse gas emissions in Germany

[Link]
deutschland/treibhausgas-emissionen/emissionsquellen#textpart-1
Horton, Schnell, J. L., Peters, D. R., Wong, D. C., Lu, X., Gao, H., Zhang, H., & Kinney, P. L. (2021). Effect of
adoption of electric vehicles on public health and air pollution in China: a modelling study. The Lancet.
Planetary Health, 5, S8–S8. [Link]

Hannah Ritchie and Max Roser (2017) - "Air Pollution". Published online at [Link]. Retrieved
from: '[Link] [Online Resource]

Ayelén Portaluppi (2020). Crecen los buses eléctricos en Latinoamérica: nuevas cifras en detalle, país por
país- [Link]
pais-por-pais/

He, Zhang, S., Ke, W., Zheng, Y., Zhou, B., Liang, X., & Wu, Y. (2018). Energy consumption and well-to-
wheels air pollutant emissions of battery electric buses under complex operating conditions and
implications on fleet electrification. Journal of Cleaner Production, 171, 714–722.
[Link]

Vepsäläinen, Kivekäs, K., Otto, K., Lajunen, A., & Tammi, K. (2018). Development and validation of energy
demand uncertainty model for electric city buses. Transportation Research. Part D, Transport and
Environment, 63, 347–361. [Link]

Su, Jiang, L., & Huang, Y. (2023). Design of Electric Bus Transit Routes with Charging Stations under
Demand Uncertainty. Energies (Basel), 16(4), 1848–. [Link]

Soylu. (2014). The effects of urban driving conditions on the operating characteristics of conventional and
hybrid electric city buses. Applied Energy, 135, 472–482. [Link]

De Abreu e Silva, Moura, F., Garcia, B., & Vargas, R. (2015). Influential vectors in fuel consumption by an
urban bus operator: Bus route, driver behavior or vehicle type? Transportation Research. Part D, Transport
and Environment, 38, 94–104. [Link]

Kivekäs, Lajunen, A., Vepsäläinen, J., & Tammi, K. (2018). City bus powertrain comparison: Driving cycle
variation and passenger load sensitivity analysis. Energies (Basel), 11(7), 1755–.
[Link]
Liu, Wang, L., Zeng, Z., & Bie, Y. (2022). Optimal charging plan for electric bus considering time-of-day
electricity tariff. Journal of Intelligent and Connected Vehicles, 5(2), 123–137.
[Link]

Kontou, & Miles, J. (2015). Electric Buses: Lessons to be Learnt from the Milton Keynes Demonstration
Project. Procedia Engineering, 118, 1137–1144. [Link]

Gao, Lin, Z., LaClair, T. J., Liu, C., Li, J.-M., Birky, A. K., & Ward, J. (2017). Battery capacity and recharging
needs for electric buses in city transit service. Energy (Oxford), 122(C), 588–600.
[Link]

International Energy Agency (2021). Global energy review: CO2 emissions in 2021. [Link]

D. Hall, N. Lutsey (2018). Effects of battery manufacturing on electric vehicle life-cycle greenhouse gas
emissions. The International Council of Clean Transportation

F. Vicente, O. Delgado, R. Muncrief (2015). Heavy-duty vehicle fuel-efficiency simulation: a comparison

of US and EU tools The International Council of Clean Transportation

G.M.A. Burnham (2019). Life-cycle emissions and costs of medium- and heavy-duty vehicles in Colorado

Le Quyen Luu, Eleonora Riva Sanseverino, Maurizio Cellura, Hoai-Nam Nguyen, Thanh Mai Nguyen, Hong
Anh Nguyen (2022). Comparative life cycle impact assessment of electric and conventional bus in Vietnam.
[Link]

Pengshun Li, Yuhang Zhang, Yi Zhang, Yi Zhang, Kai Zhang (2021). Prediction of electric bus energy
consumption with stochastic speed profile generation modelling and data driven method based on real-
world big data. [Link]

Junyu Jiang, Yuanbin Yu, Haitao Min, Qiming Cao, Weiyi Sun, Zhaopu Zhang, Chunqi Luo (2023). Trip-level
energy consumption prediction model for electric bus combining Markov-based speed profile generation
and Gaussian processing regression. [Link]