Estimativa de consumo de energia no roteamento de veículos elétricos de última milha com modelagem multifatorial.

• Ano de defesa: 2025
• Autor(a) principal: Duarte, Alexandre
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado computacional; Electric vehicles; Logística; Logistics; Machine learning; Mathematical optimization; Otimização matemática; Roteamento de veículos; Vehicle routing; Veículos elétricos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-21072025-074322/

Esta pesquisa busca avaliar o impacto dos componentes e da dinâmica do veículo, das condições de condução e do ambiente no cálculo da energia consumida nos arcos da rota nas soluções obtidas para um problema de roteamento de veículos elétricos capacitados (EVRPC) para entregas last-mile. Para isso, um modelo matemático foi proposto para o problema, e a soluções foram obtidas por meio do solver Gurobi. A energia consumida pode ser estimada simplificadamente de forma linear, sendo constante em função da distância percorrida. Por outro lado, uma abordagem intermediária pode estimar a energia em função da distância percorrida em múltiplos trechos de rota, sendo uma função linear por partes. Finalmente, um método mais completo considera o impacto de diversas variáveis no consumo, tornando o cálculo da energia consumida não linear. O modelo de estimação de gasto energético proposto considera aspectos de comportamento do motorista (perfis de velocidade, aceleração e frenagem), topografia (greide das vias), peso transportado pelo veículo, utilização de sistemas de consumo auxiliares e funcionamento do sistema de frenagem regenerativo. O cálculo da energia consumida foi ajustado por um modelo de machine learning que foi treinado utilizando dados reais de consumo, tornando as previsões ainda mais precisas. A proposta visa contribuir para reduzir a escassez de metodologias integradas de estimação de consumo energético com modelos de roteamento de BEVs para entregas last-mile. Os resultados mostram que o modelo matemático proposto otimiza significativamente a utilização média dos BEV sem comparação como cenário base, reduzindo o tamanho da frota necessária para atendimento total da demanda. As rotas planejadas foram otimizadas, reduzindo tanto a distância total percorrida quanto o consumo total de energia. Ao comparar os cenários propostos, os resultados indicam soluções semelhantes, sugerindo que parâmetros macroscópicos calibrados podem ser uma boa aproximação para prever o consumo energético dos BEVs. No entanto, o modelo híbrido de ML, apesar de mais complexo e com maior custo computacional, apresenta melhor capacidade de extrapolação para outros cenários. Além disso, as rotas planejadas mostraram menor variabilidade no consumo, sugerindo que metodologias mais sofisticadas podem aumentar a confiabilidade das previsões e melhorar as operações de entrega. A consideração de parâmetros de dinâmica veicular e uma estimativa não linear do consumo energético impactam significativamente os resultados do problema de roteamento. Substituir um único parâmetro linear por um consumo variável -- considerando velocidade, aceleração, frenagem, topografia, carga transportada, uso de sistemas auxiliares e temperatura -- permite estratégias de entrega mais eficientes, maior conservação da bateria e redução do desgaste. A pesquisa também explora o equilíbrio entre complexidade computacional e precisão na previsão do consumo de energia. O modelo híbrido de ML mostrou melhor desempenho ao integrar aspectos físicos e variáveis operacionais específicas. Contudo, o cenário baseado em parâmetros macroscópicos, quando calibrado para contextos específicos, também oferece boas previsões com menor custo computacional.