Propuesta del trabajo de tesis previo a la obtención del título de

Magíster en Sistemas de Propulsión Eléctrica

Título:

“Comparación entre el rendimiento energético real y simulado de un taxi eléctrico

en la ciudad de Loja”

Maestrante: Jairo Darío Castillo Calderón

Director de Tesis: Daniel Cordero

Moreno

Marzo 2022
 DEPARTAMENTO DE POSGRADOS

MAESTRÍA EN SISTEMAS DE PROPULSIÓN ELÉCTRICA

DATOS GENERALES

Nombre del estudiante: Castillo Calderón Jairo Darío

Código: 7591 Fecha de presentación: 02/03/2022

Teléfono convencional: 072545359 Teléfono celular: 0997218596

Correo electrónico: jcastilloc@[Link]

Director sugerido:

Daniel Cordero Moreno PhD.

Teléfono celular: 0998624267

Correo electrónico: dacorderom@[Link]

Título propuesto

COMPARACIÓN ENTRE EL RENDIMIENTO ENERGÉTICO REAL Y

SIMULADO DE UN TAXI ELÉCTRICO EN LA CIUDAD DE LOJA

Estado de la investigación nueva [x] continuación [ ]

(Puede cumplir con más de interdisciplinaria [ multidisciplinaria [x]

una ]

Duración (hasta 12 meses): 3 meses

Costo: (USD$): 1030

Quién financiará el proyecto/investigación: Financiación propia

1
 1. Resumen

La presente propuesta de investigación tiene como objetivo comparar el rendimiento

energético real y simulado de un taxi eléctrico en la ciudad de Loja. Así, en primera
instancia, la adquisición de datos se realizará a través del puerto OBDII del KIA SOUL
EV, utilizando el dispositivo electrónico OBDLink Mx+ con una frecuencia de
muestreo de 1 Hz. La lectura y almacenamiento de variables se efectúa con un código de
programa desarrollado en Labview. Se monitoriza el vehículo eléctrico (EV) durante 24
días, esto es, 4 semanas de lunes a sábado. Luego, basándose en la teoría fundamental
de la dinámica del vehículo, se obtiene el rendimiento energético real del EV a partir de
los datos medidos; el ciclo típico de conducción (TDC) se define al aplicar la mínima
diferencia de promedios ponderados, cuyos parámetros característicos son las energías
de las diversas fuerzas que se oponen al movimiento del vehículo. Se simula el
rendimiento energético al desarrollar su modelo en Simulink de Matlab; la curva de
torque y mapa de eficiencia del motor se obtienen en un dinamómetro de chasis. Los
resultados esperados consisten en comparar el rendimiento energético del taxi eléctrico
en un escenario real de conducción respecto al simulado, mostrando medidas
estadísticas y gráficos exploratorios. Se espera que los hallazgos de esta investigación
ayuden a comprender el comportamiento del consumo y rendimiento energético real del
taxi eléctrico, como medio de transporte público, en la ciudad de Loja, dadas sus
características particulares de urbe andina.

2. Problemática

Según el Instituto Nacional de Estadística y Censo (INEC, 2021), en el año 2020 se

registraron 637 EV matriculados en la nación, equivalente al 0,027% del parque
automotor nacional, conformado por más de 2.3 millones de vehículos motorizados.
Precisamente, en el 2017, la ciudad sureña de Loja fue pionera, al introducir 51 EV al
transporte público bajo la modalidad de taxis (Clairand & González, 2022),
conformándose la compañía ELECTRI LOJA ECOLOSUR. Para ello, se propusieron a
los actuales propietarios de los vehículos algunos incentivos económicos del gobierno y
el municipio local para adquirir 15 unidades KIA Soul EV y 35 unidades BYD e5 EV.
El 26 de junio de 2017, a través de Resolución Municipal Nro. 001 – CPO – UMTTTSV
– 2017, la compañía de taxis eléctricos obtuvo el correspondiente permiso de
operación.
2
Sin embargo, desde entonces existe incertidumbre e inconformidades de los propietarios
de las unidades por su bajo desempeño en la ciudad de Loja que afectan directamente
sus ingresos. Las prestaciones iniciales (según NEDC), en cuanto a autonomía y
consumo energético, comunicadas por los concesionarios al momento de la venta distan
de las reales (Jaramillo, 2019), tal como se exhibe en los datos de la Tabla 1. Se constata
que la autonomía al primer año de operación desciende considerablemente para los dos
modelos. Incluso, el consumo energético real de las unidades al circular en la urbe se
desconoce. Bajo este contexto, la presente investigación pretende obtener información
sobre el consumo y rendimiento energético real del taxi eléctrico en Loja. En específico,
dar contestación a la siguiente interrogante: ¿Cuál es el rendimiento energético real del
taxi eléctrico en la ciudad de Loja?

Tabla 1 Acercamiento a las prestaciones de EVs en la ciudad de Loja (Jaramillo, 2019).

Real (al primer Requerimiento de

año de operación carga para laborar
Vehículo Especificaciones Valor obtenido a través un aproximado de
de encuestas a los 12 horas y
propietarios) recorrer 250 km

KIA Autonomía 212 km 120 km Diariamente 2

modelo (Según NEDC) recargas
SOUL EV Consumo 0.127 kWh/km Desconocido. domiciliarias de 5 h.
(Según NEDC)
Se cita 0.24
kWh/km*
Peso en vacío 1492 kg
Energía/Capacidad 27 kWh – 75 Ah
de la batería
BYD Autonomía 305 Km 180 km Carga domiciliaria
modelo E5 (Según NEDC) de 5 h durante la
Consumo 0.153 kWh/km Desconocido.
noche y 25 min. en
(Según NEDC)
Se cita 0.24 la electrolinera
kWh/km*
Peso en vacío 1845 kg

Capacidad de la 47.5 kWh – 75 Ah

batería
* Valor estándar según SENPLADES, 2019

3
 3. Marco teórico

En el presente apartado se presentan los fundamentos teóricos principales que sustentan

la investigación experimental planteada.

3.1 Dinámica longitudinal del vehículo

Según la ley de movimiento de Newton, la aceleración del vehículo satisface la Ec. 1

(Gillespie, 1992), (Maamria et al., 2018), (Nault et al., 2019).

𝑑𝑣(𝑡)
𝑚∙ = 𝐹 (𝑡) − 𝐹 (𝑡)
(1)
𝑡 𝑟
𝑑𝑡

Donde 𝐹𝑡 es la fuerza de tracción que debe proporcionar el motor a las ruedas para que
el vehículo se desplace (Perrotta et al., 2012). 𝐹𝑟 es la suma de las fuerzas de
resistencia y
𝑚 es la masa total del vehículo, incluidas las masas giratorias; 𝐹𝑟 comprende la fuerza
de resistencia a la rodadura (𝐹𝑓 ), la fuerza de arrastre (𝐹𝑑) y la fuerza gravitacional
relacionada con la pendiente de la vía (𝐹𝑐). Bajo este contexto, y al despejar 𝐹𝑡, la Ec. 1,
que representa la ecuación del movimiento longitudinal del vehículo, puede ser reescrita
𝑑𝑣
como indica la Ec. 2 (Dridi et al., 2016); es de notar que se ha sustituido 𝑚 ∙ por la
𝑑𝑡

fuerza de inercia (𝐹𝑎).

𝐹𝑡 = 𝐹𝑓 + 𝐹𝑐 + 𝐹𝑑 + 𝐹𝑎 (2)

A continuación, a través de las Ec. 3, 4 y 5 se muestran las equivalencias de las distintas

fuerzas de resistencia (Zhang & Yao, 2015) .

𝐹𝑓 = 𝑓𝑟 𝑚𝑔𝑐𝑜𝑠𝛼
(3)
𝐹𝑐 = 𝑚𝑔𝑠𝑒𝑛𝛼
(4)

𝐹 = 1 𝐶 𝐴𝜌 (𝑉 )2 (5)
𝑑 𝑎 𝑥
2 𝑑

La terminología utilizada en las ecuaciones previas se detalla en la Tabla 2.

4
 Tabla 2 Variables que actúan en la dinámica longitudinal del vehículo

Variable Descripción Unidad

𝒇𝒓 Coeficiente de resistencia a la [-]

rodadura
𝒈 Gravedad [𝑚⁄ 2]
𝑠
𝑪𝒅 Coeficiente de arrastre [-]

𝑨 Área frontal del vehículo [𝑚2]

𝝆𝒂 Densidad del aire 𝑘𝑔

[ ⁄ 3]
𝑚
𝑽𝒙 Velocidad longitudinal del vehículo [𝑚⁄𝑠]

Asimismo, la Fig. 1 representa un diagrama longitudinal simple del vehículo donde

constan las fuerzas requeridas y fuerza generada en rueda.

𝑪𝑮

𝑚∙𝑔
𝛼

Fig. 1 Diagrama de fuerzas para la dinámica longitudinal del vehículo (Adaptada de Valladolid et al.,
2021).

3.2 Potencia y demanda de energía en rueda

La potencia requerida para un vehículo que viaja a una velocidad determinada se puede
estimar usando la Ec. 6 (Wu et al., 2015).

𝑝=𝐹∙𝑉 = (𝑚 𝑑𝑣 1 2
(6)
𝑥 𝑡 𝑥 + + 𝑚𝑔𝑠𝑒𝑛𝛼 + 𝑚𝑔𝑓𝑟 𝑐𝑜𝑠𝛼)𝑉𝑥
𝐶𝑑𝐴𝜌𝑎2
𝑑𝑡 𝑉��

5
Por otro lado, el consumo total de energía (el uso total de electricidad) para un viaje se
calcula integrando la potencia durante el tiempo de viaje (T) como se describe en la Ec.
7.

𝑒𝑥 = ∫ 𝑝(𝑡)𝑑𝑡
(7)
0

Para calcular la demanda o consumo energético, únicamente se considera la energía

positiva 𝑒𝑥(+), puesto que es la que se precisa para dar tracción y mover al vehículo
(Cordero-Moreno et al., 2017), (Zhang & Yao, 2015). La energía negativa se canaliza a
través del sistema de regeneración del EV. La energía positiva de las diferentes fuerzas
que se oponen al movimiento del vehículo sería igual a la demanda o consumo
energético.

3.3 Ciclos de conducción

Desde principios de los años 60, los vehículos han sido probados para cumplir con los
estándares de emisión utilizando pruebas estandarizadas; estos se conocen como ciclos
de prueba o ciclos de conducción. Un ciclo de conducción se define como una secuencia
de puntos de prueba, cada uno con una velocidad del vehículo definida para ser seguido
por el vehículo en estudio; estos puntos de prueba se dividen en pasos de tiempo,
generalmente segundos, durante los cuales la aceleración y la desaceleración se suponen
constantes (Giakoumis, 2017). Es decir, los ciclos de conducción suelen definirse en
términos de velocidad del vehículo y selección de marchas como una función del
tiempo (Barlow et al., 2009).

Dependiendo del carácter de los cambios de velocidad y carga del motor, los ciclos se
pueden dividir en términos generales en ciclos de estado estable (modales o
estacionarios) y ciclos transitorios. Un ciclo de estado estacionario presenta tramos con
una secuencia de velocidad del motor y modos de carga constantes. Por otro lado, en los
ciclos de conducción transitorios, la velocidad del vehículo y la carga del motor
cambian continuamente. En la Fig. 2 se aprecia los patrones de velocidad respecto al
tiempo del ciclo modal NEDC (New European Driving Cycle) y el ciclo transitorio
UDDS (Urban Dynamometer Driving Schedule).

6
 140
120
100
80
60
40
Velocidad

20
0

0 200 400 600 800 1000 1200 1400

Tiempo [s]

NEDC (Modal) UDDS (Transitorio)

Fig. 2 Ejemplo de un ciclo de conducción modal y transitorio.

Concomitante a esto, en la Fig. 3 se compara los ciclos de conducción en referencia, en

términos de su distribución de velocidad y aceleración. Así, es fácil establecer si un
ciclo está sesgado hacia velocidades específicas y si abarca una combinación adecuada
de condiciones reales de conducción. En ambas figuras es evidente que el ciclo
transitorio incorpora una gama más amplia de aceleraciones, y más pronunciadas,
siendo así considerablemente más compatible con el comportamiento de la conducción
diaria. No obstante, esto demanda mayor consumo energético al ciclo. Por el contrario,
los ciclos modales, al caracterizarse por una mayor velocidad de crucero, muestran una
representación más pobre de las posibles condiciones de funcionamiento del vehículo en
ruta (Giakoumis, 2017).

7
 2
1.6
1.2
0.8
0.4
0
Aceleración

-0.4
-0.8
-1.2
-1.6
-2

0 20 40 60 80 100 120
Velocidad [km/h]

NEDC (Modal) UDDS (Transitorio)

Fig. 3 Comparación de la distribución de la velocidad y aceleración entre un ciclo modal y un transitorio:

las partes densas indican una alta frecuencia en la velocidad y aceleración específicas.

Ciclos de conducción del mundo real

La cualidad más importante de un ciclo de conducción es el grado en que refleja el

comportamiento real de la conducción, es decir, su representatividad del patrón de
conducción real. Bajo este contexto, nace la definición del Ciclo Típico de Conducción
(TDC) o patrón de conducción local, entendido como una serie temporal de velocidades
que representa el patrón de conducción promedio de los conductores sobre las
condiciones reales del tráfico en una ciudad o región determinada (Huertas et al., 2017),
(Zhao et al., 2020). Las características de los ciclos de conducción en áreas específicas
son diversas porque tienen grandes diferencias en la estructura vial, los tipos de
carreteras y vehículos, las condiciones del tráfico, la cultura de conducción, las
características geográficas, el nivel económico y la escala de la ciudad (Knez et al.,
2014). Por lo tanto, es fundamental que cada región tenga un TDC (Wager et al., 2016).

Los TDC se utilizan para el diseño del tren motriz del vehículo, para evaluar el consumo
de combustible y el cumplimiento de las emisiones de los vehículos antes que ingresen
al mercado automotriz de un país (Giraldo et al., 2021). Además, tienen intensa
aplicabilidad para comparar el rendimiento de los vehículos, calcular el consumo de
energía, para desarrollar inventarios de emisiones y evaluar el impacto del tráfico
(Achour & Olabi, 2016). En los últimos años, debido al despliegue de vehículos
8
híbridos y

9
eléctricos puros, se han desarrollado nuevos TDC para evaluar la gestión energética, las
baterías, la capacidad de almacenamiento de energía y el rango (Berzi et al., 2016).

3.4 Diferencias mínimas ponderadas de los parámetros característicos (MWD-CP)

Es una metodología desarrollada por (Huertas et al., 2017) para obtener el TDC,
basándose únicamente en datos GPS. La metodología consta de tres fases: selección de
rutas, muestreo de ciclos de conducción y selección del ciclo representativo. En lo que
respecta a la última fase, el objetivo es elegir entre todos los ciclos muestreados el que
los representa, expresando cada ciclo en términos de parámetros característicos o
valores de rendimiento. Esto es necesario para reducir sustancialmente la gran cantidad
de datos de velocidad a un conjunto que: describa de forma única el ciclo, tenga una
interpretación física, pueda utilizarse para comparar ciclos e influya en el consumo de
combustible o energía.
Se define a 𝑃𝑖𝑗 como el valor del parámetro i obtenido para el ciclo j. En primer lugar,

se calcula la media aritmética de cada parámetro (𝑃̅𝑖 ) de todos los ciclos muestreados.
El segundo paso consiste en comparar cada parámetro característico con respecto al
valor medio del mismo parámetro para todos los ciclos muestreados, |𝑃𝑖𝑗 − 𝑃̅𝑖 |, y luego
sumar las diferencias obtenidas para cada parámetro. No obstante, algunos parámetros
son más relevantes que otros. Por lo tanto, la suma de las diferencias debe ponderarse en
función de la relevancia de cada parámetro en la determinación de, por ejemplo, la
demanda
energética, tal como ocurre en (Cordero-Moreno et al., 2017), donde los parámetros de
caracterización propuestos son las energías demandadas por los tipos de cargas, y su
peso será el porcentaje de su contribución a la demanda total de energía. Finalmente,
como se describe en la Ec. 8, el ciclo (C) con la menor suma de diferencias ponderadas
se selecciona como representativo de todos los ciclos de la muestra y, por lo tanto, como
el TDC.

𝐶 = 𝐴𝑟𝑔 {min(∑ 𝑤𝑖 |𝑃𝑖𝑗 − (8)

𝑃̅𝑖 |)}
𝑗

4. Estado del Arte

Se han desarrollado una serie de estudios en el mundo destinados a la evaluación del

10
consumo energético de EV. Por ejemplo, (Sun et al., 2021) proponen un enfoque de
aproximación del consumo de energía de EVs comerciales basado en simulación

11
utilizando datos del ciclo de conducción del mundo real en áreas urbanas. Los
parámetros de configuración del vehículo se eligieron para la simulación en el software
ADVISOR. Además, se estableció el ahorro de electricidad a través de la optimización
de parámetros. Aunque los resultados son prometedores, la simulación del consumo de
energía no contempla la pendiente de la carretera, lo que limita la condición operativa
real del vehículo. (Xie et al., 2020) analizan los efectos de diferentes parámetros
ambientales y de control sobre el consumo energético y la autonomía de EVs. Para ello,
establecen un modelo de simulación de gemelos digitales en el software GT-Suite. El
modelo se calibra mediante datos experimentales basados en ciclos de conducción
estandarizados, concluyendo que los principales factores que influyen en el consumo de
energía y la autonomía son la velocidad media del vehículo, el tiempo de
funcionamiento y la distribución de frecuencias durante el proceso de frenado. Sin
embargo, una de las limitaciones del estudio es que no consideran ciclos de conducción
reales, donde la pendiente de la vía y el hábito de conducción juegan un papel
preponderante. El estudio de (Jonas et al., 2022) proporciona un enfoque para analizar el
impacto del tráfico en el consumo de energía de los EVs. 30 conductores diferentes
conducen un Volkswagen eGolf 2017 dos veces al día en una ruta predeterminada; de
esta manera, consideran el elemento humano de los comportamientos de conducción
individuales. La metodología implica diferenciar dos escenarios por su intensidad de
tráfico en función del momento del día. Los resultados demuestran que al conducir en
un escenario de tráfico más intenso el consumo de energía promedio por milla del
vehículo es significativamente mayor. Es de enfatizar que la metodología no define el
ciclo de conducción típico de la ruta seleccionada, donde se podría denotar sus
parámetros característicos. La investigación de (Wager et al., 2016) trata sobre el
impacto de la combinación de carga rápida de CC, mayores cargas aerodinámicas,
cargas auxiliares, capacidad reducida de la batería y conducción a alta velocidad sobre
el consumo de energía y rango de conducción de dos EVs., un Nissan Leaf y un
Mitsubishi iMiEV. Los experimentos de conducción fueron llevados a cabo en una
sección plana de la autopista en Perth, Australia Occidental, a distintas velocidades. Los
hallazgos muestran que conducir a velocidades más altas, con vientos en contra, o una
mayor área de sección transversal del vehículo, y grandes cargas auxiliares, reducen
significativamente la eficiencia de un EV y, por lo tanto, reducen su rango de
conducción. Es de observar que el estudio no considera los efectos del perfil de
12
pendiente de la autopista y que no se define un ciclo de conducción típico para la ruta
seleccionada. (Miri et al., 2020) realizan la modelización del consumo de energía de un
BMW i3 mediante el software MATLAB/Simulink. El modelo del EV demuestra un
nivel satisfactorio de precisión con menos del 6 % de error entre los resultados de la
simulación y los experimentales para los ciclos estandarizados EPA y NEDC. Es decir,
el estudio no considera ciclos de conducción reales. (Fiori et al., 2016) calculan el
consumo instantáneo de energía de EVs utilizando la potencia instantánea ejercida,
donde el perfil de velocidad del vehículo y el nivel de aceleración segundo a segundo se
utilizan como variables de entrada. Además, estiman la regeneración instantánea de
energía de frenado como función del nivel de desaceleración. Para la validación del
modelo se utiliza el vehículo Nissan Leaf EV y se aplican diversos ciclos de conducción
estandarizados. El modelo propuesto estima con precisión el consumo de energía,
produciendo un error promedio de 5.9% con respecto a los datos empíricos. Como
trabajos futuros los autores planean recopilar datos de consumo de energía del mundo
real en EVs. En esta misma dirección, (Gołȩbiewski & Lisowski, 2018) presentan un
análisis teórico del consumo de energía de un Nissan Leaf según los ciclos de
conducción NEDC y WLTC. La metodología de investigación implicó la creación de un
modelo matemático basado en los parámetros técnicos y operativos del vehículo. Los
resultados expresan que para el NEDC se obtuvo un consumo energético máximo de
0,156 kWh/km, 4 % superior a lo declarado por el fabricante, y 0,1053 kWh/ km para el
WLTC. Con un enfoque diferente, (Jimenez et al., 2015) estiman el consumo energético
de un Mitsubishi i-MIEV en dos trayectos urbanos predeterminados. Para ello, utilizan
una red neuronal que toma como datos de entrada variables de estilo de conducción y
características de la ruta, obviando el conocimiento determinista de las características
del vehículo o ciclos de conducción. En el estudio de (Wu et al., 2015), miden y estiman
el consumo de energía de los EVs. En detalle, el EV utilizado es una conversión de una
camioneta Nissan D21 construida por el equipo investigador, al cual se instala un
registrador de datos de bus CAN y un GPS. Además, proponen un modelo analítico que
puede estimar la potencia instantánea y el consumo de energía del EV, basándose en la
teoría fundamental de la dinámica del vehículo y las relaciones básicas entre potencia,
fuerza, par, voltaje y corriente. Los resultados indican que este modelo puede estimar
con éxito el consumo de energía de viaje, puesto que presenta un error absoluto medio
de todos los viajes de 15.6%, respecto a los viajes
13
medidos. Sin embargo, el conjunto de datos de esta investigación es limitado, ya que
contiene datos de un solo conductor, un vehículo que no es producido comercialmente
en la actualidad, e incluye la conducción limitada a rutas preseleccionadas, cuyos ciclos
típicos de conducción no han sido definidos. Por su parte, (Zhang & Yao, 2015)
desarrollan un enfoque sistemático de estimación del consumo de energía de EVs para
condiciones de conducción real aplicando estadística. En primer lugar, se monitorean
segundo a segundo, en cuatro tipos de carreteras en el área urbana de Beijing, la
velocidad, aceleración y el estado de carga de la batería. Luego, se establece un
conjunto de modelos estadísticos que utiliza el método de análisis de regresión para
estimar la tasa de consumo de energía basados en estos 3 parámetros, bajo diferentes
modos de operación del vehículo, tales como aceleración, deceleración y crucero.
Aunque los resultados son atractivos, el estudio carece de metodologías para definir
ciclos de conducción típicos de las rutas predefinidas. En la misma dirección, (Yuan et
al., 2017) derivan una función analítica simplificada para estimar el consumo de energía
de un EV. Mediante el análisis de regresión, se desacoplan los efectos de las
condiciones de conducción y se obtienen las características de consumo de energía
independientes. Los ciclos de conducción del mundo real utilizados se recopilan de los
sistemas de seguimiento a bordo de vehículos convencionales e incluyen diferentes
condiciones de conducción en ciudad y en carretera. Los resultados muestran que el
método propuesto es capaz de representar las características clave de consumo de
energía de los EV. (Diaz et al., 2018) evalúan el rendimiento y consumo de energía de
un EV en la ciudad de Quito con base en la medición del SOC, distancia total recorrida
y velocidad del vehículo. Para tal propósito utilizan un BYD e6 que circula seis veces
por una ruta combinada, ciudad y carretera, con un total de 55.8 km; consideran la
variación de pendiente de la vía. Los autores declaran un consumo medio de energía de
15,26 kWh y un rendimiento teórico de 0,2728 kWh/km. No obstante, se detectan
ciertas insuficiencias que podrían hacer de los resultados inexactos, a saber: el escaso
número de pruebas realizadas, la no definición de un TDC de la ruta seleccionada, la
medición del SOC efectuada desde el tablero de instrumentos cada 2 minutos y la
velocidad del vehículo obtenida a través de GPS. Finalmente, (Merchán et al., 2018)
analizan el comportamiento de la eficiencia energética de un EV en Cuenca,
considerando factores como la orografía y las condiciones del tráfico en tres rutas
predefinidas; no se definen sus TDC. Además, se llevan a cabo tres pruebas de ciclo
14
de conducción en laboratorio: FTP-75, NEDC y WLTP. Los datos de cada muestra
contienen 154 variables de interés, obtenidas a través de OBD2, que luego se analizan
por correlación para obtener aquellas que afectan el desempeño energético del EV en
los seis escenarios de operación. Los resultados indican que el consumo de energía del
EV se ve afectado por la distancia, el tiempo de viaje, la orografía, la velocidad y la
aceleración.

A diferencia de las investigaciones mencionadas, es de denotar las contribuciones del

presente trabajo, al ampliar el campo del conocimiento sobre el consumo y rendimiento
de energía de un EV en condiciones de conducción real en una ciudad andina,
definiendo un TDC. Concomitante a ello, la aplicación de la metodología de Diferencias
Mínimas Ponderadas para estimar el TDC, cuyos parámetros característicos sean las
energías de las diversas fuerzas que se oponen al movimiento del vehículo, resulta algo
novedoso. Y, finalmente, que el EV utilizado preste sus servicios como medio
transporte público en la modalidad de taxi, es algo no estudiado.

5. Pregunta de investigación

¿Cuál es el rendimiento energético real y simulado del taxi eléctrico en la ciudad de Loja?

6. Objetivo General

Comparar el rendimiento energético en condiciones reales de operación y simulado de

un taxi eléctrico en la ciudad de Loja.

7. Objetivos Específicos

- Adquirir las variables del vehículo eléctrico en tiempo real.

- Establecer el ciclo de conducción típico del taxi eléctrico mediante la
metodología de diferencias mínimas ponderadas.
- Calcular el rendimiento energético del vehículo a través de simulación.

8. Alcance

- El proyecto se limita a la utilización de un taxi eléctrico

- La toma de datos experimentales se realiza durante 24 días (lunes a sábado), esto
es, 4 semanas.

15
 9. Metodología

9.1 Equipos e instrumentos esenciales

La unidad utilizada es el KIA SOUL EV, cuyas especificaciones técnicas se exhiben en

la Tabla 3.

Tabla 3 Especificaciones de la unidad experimental

KIA SOUL EV Especificaciones

Par máximo: 285 Nm @2730 rpm

Potencia máxima: 81.4 kW @8000 rpm

Tipo de batería: Polímero de iones de litio

Capacidad de la batería: 27 kWh/ 75 Ah

Voltaje de la batería: 360 V

Rango: 212 km (NEDC) / 150 km (EPA)

Largo total: 4.140 m

Ancho total: 1.80 m

Altura total: 1.593 m

Batalla: 2.57 m

Peso bruto vehicular: 1960 kg

Además, el registro de señales en tiempo real se obtiene a través del “data logger”
OBDLink Mx+, cuyas especificaciones técnicas se exhiben en la Tabla 4.

Tabla 4 Especificaciones técnicas del data logger

KIA SOUL EV Especificaciones

Conectividad: Bluetooth

Voltaje de funcionamiento: 12 V

Corriente: 62 mA

Peso: 85.1 g

Protocolos: ISO 15765-4 (CAN 250/500 kbps,

11/29 bit); ISO 14230-4 (Keyword Protocol
2000); ISO 9141-2 (Asian, European,
Chrysler); SAE J1850 VPW (GM); SAE
J1850
PWM (Ford) Altura total: 1.593 m

Frecuencia de lectura: 1 s

16
 9.2 Flujograma del proceso

La Fig. 4 sintetiza el proceso para la obtención del rendimiento energético real y

simulado del taxi eléctrico. Los datos se obtienen de la ECU del vehículo a través del
puerto OBD II y el OBDLink Mx+ con una frecuencia de muestreo de 1 s. La lectura y
almacenamiento de variables se efectúa con un código de programa desarrollado en
Labview. Se monitoriza el EV durante 24 días, obteniendo una base de datos por día
que posteriormente son tratadas y utilizadas para los cálculos respectivos y simulación
en el Simulink de Matlab.

Fig. 4 Diagrama de flujo general para la obtención del rendimiento energético real y simulado

17
 10. Plan de trabajo

A continuación, en la Tabla 5 se detalla el plan de trabajo.

Tabla 5 Plan de trabajo

Objetivo Objetivos Medio de Nivel de

Actividades Indicador
General específicos verificación cumplimiento

1.1 24 Base de datos Porcentaje de

Adquisición en archivos digitales cumplimiento
tiempo real de digitales ordenadas de (20%)
la velocidad (1 archivo cada
lineal y digital por carrera/viaje
variables día)
relacionadas
con el
1) Adquirir
posicionamient
las variables
o del vehículo
del vehículo
en tiempo
1.2 Definición 24 Base de datos Porcentaje de
real
del perfil de archivos digitales con cumplimiento
altitud y digitales el perfil de (15%)
pendiente (1 archivo altitud
digital por suavizado y
día) perfil de
pendiente
para cada
carrera/viaje

Comparar el 2.1 Cálculo de 24 Base de datos Porcentaje de

rendimiento 2) la demanda o archivos digitales con cumplimiento
energético en Establecer el consumo real digitales la demanda (20%)
condiciones ciclo de del taxi (1 archivo energética
reales de conducción eléctrico digital por para cada
operación y típico del (energía día) carrera/viaje
simulado de taxi eléctrico efectiva Ex+)
un taxi mediante la
eléctrico en metodología 2.2 Aplicación 1 archivo Matriz de Porcentaje de
la ciudad de de mínima de las digital resultados de cumplimiento
Loja diferencia de diferencias consumo de (10%)
promedios mínimas energías y
ponderados ponderadas gráfica del
ciclo de
conducción
típico

3) Calcular 3.1 Obtención 1 archivo Tabla de Porcentaje de

el de la curva de digital valores y cumplimiento
rendimiento torque del curva de (10%)
energético motor eléctrico torque vs

18
 del vehículo y mapa de rpm; matriz
a través de eficiencia del mapa de
simulación eficiencia

3.2 Desarrollo 1 archivo Modelado en Porcentaje de

del modelo digital Simulink de cumplimiento
para obtención Matlab (15%)
del rendimiento
energético
simulado

3.3 1 archivo Medidas Porcentaje de

Comparación digital estadísticas y cumplimiento
de resultados a gráficos (10%)
través de exploratorios
estadística
descriptiva

11. Cronograma de actividades

El cronograma de actividades se describe en la Tabla 6.

Tabla 6 Cronograma de actividades

Actividad Mes 1 Mes 2 Mes 3

Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem Sem
1 2 3 4 1 2 3 4 1 2 3 4

1.1 Adquisición
en tiempo real
de la velocidad
lineal y
variables X X X X
relacionadas
con el
posicionamiento
del vehículo

1.2 Definición
del perfil de
altitud y X X
pendiente

2.1 Cálculo de
la demanda o
consumo real
del taxi X X X
eléctrico
(energía
efectiva Ex+)

19
2.2 Aplicación
de la mínima
diferencia de X
promedios
ponderados

3.1 Obtención
de la curva de
torque del
X
motor eléctrico
y mapa de
eficiencia

3.2 Desarrollo
del modelo para
obtención del
X X
rendimiento
energético
simulado

3.3
Comparación de
resultados a
X
través de
estadística
descriptiva

12. Presupuesto y financiamiento

En la Tabla 7 se detalla una estimación del presupuesto requerido en sus distintos

rubros.
Tabla 7 Cronograma de actividades

Valor total
Concepto de gasto Cantidad Valor unitario [$]
[$]

Instrumentación para
1 150 150
monitoreo del vehículo

Alquiler del taxi eléctrico

4 (semanas) 100 400
en ciudad

Alquiler del taxi eléctrico

1 100 100
para viaje a Cuenca

Alquiler de grúa 1 280 280

Gastos varios 100

TOTAL 1030

20
 13. Referencias

Achour, H., & Olabi, A. G. (2016). Driving cycle developments and their impacts on energy
consumption of transportation. Journal of Cleaner Production, 112(2).
[Link]
Barlow, T. J., Latham, S., Mccrae, I. S., & Boulter, P. G. (2009). A reference book of driving cycles
for use in the measurement of road vehicle emissions. TRL Limited.
Berzi, L., Delogu, M., & Pierini, M. (2016). Development of driving cycles for electric vehicles in
the context of the city of Florence. Transportation Research Part D, 47, 299–322.
[Link]
Clairand, J., & González, M. (2022). What Is the Level of People’s Acceptance for Electric Taxis
and Buses ? Exploring Citizens ’ Perceptions of Transportation Electrification to Pay
Additional Fees. World Electric Vehicle Journal, 13(3), 1–16. [Link]
wevj13010003
Cordero-Moreno, D., Davalos, D., Coello, M., & Rockwood, R. (2017). Proposed criteria to
determine typical vehicular driving cycles using minimum weighted differences. In S. R.
C.A. Brebbia (Ed.), Urban Transport XXIII. WIT Transactions on The Built Environment (Vol.
176, pp. 329–337). WIT Press. [Link]
Diaz, J., Guillén, J., Arroyo, D., & Maks, M. (2018). Performance Evaluation of an Electric Vehicle
in Real Operating Conditions of Quito , Ecuador. 4th International Congress of Automotive
and Transport Engineering (AMMA 2018), 328–337. [Link]
94409-8_37
Dridi, S., Salem, I. Ben, & Amraoui, L. El. (2016). Dynamic modeling of nonlinear longitudinal
automotive system using graphically based. 7th International Conference on Sciences of
Electronics, Technologies of Information and Telecommunications (SETIT), 349–354.
Fiori, C., Ahn, K., & Rakha, H. A. (2016). Power-based electric vehicle energy consumption
model: Model development and validation. Applied Energy, 168, 257–268.
[Link]
Giakoumis, E. G. (2017). Driving and Engine Cycles (1st ed.). Springer, Cham.
[Link]
Gillespie, T. (1992). Fundamentals of Vehicle Dynamics (1st ed.). Society of Automotive
Engineers.
Giraldo, M., Quirama, L. F., Huertas, J. I., & Tibaquir, J. E. (2021). The Effect of Driving Cycle
Duration on Its Representativeness. World Electric Vehicule Journal, 12(4).
[Link]
Gołȩbiewski, W., & Lisowski, M. (2018). Theoretical analysis of electric vehicle energy
consumption according to different driving cycles. IOP Conference Series: Materials
Science and Engineering, 421, 1–10. [Link]
Huertas, J., Díaz, J., Cordero, D., & Cedillo, K. (2017). A new methodology to determine typical
driving cycles for the design of vehicles power trains. International Journal on Interactive
Design and Manufacturing (IJIDeM), 12(1), 319–326. [Link]
017- 0379-y

21
INEC. (2021). Anuario de Estadísticas de Transporte 2020.
[Link]
inec/Estadisticas_Economicas/Estadistica de Transporte/2020/2020_ANET_PPT.pdf
Jaramillo, W. (2019). Taxis eléctricos en la ciudad de Loja - Ecuador. Espacios, 40(18).
[Link]
Jimenez, F., Amarillo, J. C., Naranjo, J. E., Serradilla, F., & Diaz, A. (2015). Energy Consumption
Estimation in Electric Vehicles Considering Driving Style. IEEE 18th International
Conference on Intelligent Transportation Systems, 101–106.
[Link]
Jonas, T., Hunter, C., & Macht, G. (2022). Quantifying the impact of traffic on the energy
consumption of electric vehicles. World Electric Vehicule Journal, 13(15), 1–12.
[Link]
Knez, M., Muneer, T., Jereb, B., & Cullinane, K. (2014). The estimation of a driving cycle for
Celje and a comparison to other European cities. Sustainable Cities and Society, 11, 56–
60. [Link]
Maamria, D., Gillet, K., Colin, G., Chamaillard, Y., & Nouillant, C. (2018). Computation of eco-
driving cycles for Hybrid Electric Vehicles: Comparative analysis. Control Engineering
Practice, 71, 44–52. [Link]
Merchán, J., Gonzalez, L., & Espinoza, J. (2018). Energy Efficiency of an Electric Vehicle in a
Latin American Intermediate City. Smart Energy Systems and Technology (SEST 2018), 1–
6. [Link]
Miri, I., Fotouhi, A., & Ewin, N. (2020). Electric vehicle energy consumption modelling and
estimation—A case study. International Journal of Energy Research, 1–20.
[Link]
Nault, E., Colin, G., Gillet, K., Chamaillard, Y., Zerar, M., Dollinger, N., & Nouillant, C. (2019).
Towards an Analytical Eco-Driving Cycle Computation for Conventional Cars. IFAC
(International Federation of Automatic Control), 52(5), 550–555.
[Link]
Perrotta, D., Ribeiro, B., Rossetti, R. J. F., & Afonso, J. L. (2012). On the potential of regenerative
braking of electric buses as a function of their itinerary. Procedia Social and Behavioral
Sciences, 54, 1156–1167.
Sun, D. (Jian), Zheng, Y., & Duan, R. (2021). Energy consumption simulation and economic
benefit analysis for urban electric commercial-vehicles. Transportation Research Part D:
Transport and Environment, 101, 1–16. [Link]
Valladolid, J. D., Patino, D., Gruosso, G., Correa-Flórez, C. A., Vuelvas, J., & Espinoza, F. (2021).
A novel energy-efficiency optimization approach based on driving patterns styles and
experimental tests for electric vehicles. Electronics, 10(1199), 1–21.
[Link]
Wager, G., Whale, J., & Braunl, T. (2016). Driving electric vehicles at highway speeds : The
effect of higher driving speeds on energy consumption and driving range for electric
vehicles in Australia. Renewable and Sustainable Energy Reviews, 63, 158–165.
[Link]
Wu, X., Freese, D., Cabrera, A., & Kitch, W. A. (2015). Electric vehicles’ energy consumption
22
 measurement and estimation. Transportation Research Part D: Transport and
Environment, 34, 52–67. [Link]
Xie, Y., Li, Y., Zhao, Z., Dong, H., Wang, S., Liu, J., Guan, J., & Duan, X. (2020). Microsimulation of
electric vehicle energy consumption and driving range. Applied Energy, 267, 1–15.
[Link]
Yuan, X., Zhang, C., Hong, G., Huang, X., & Li, L. (2017). Method for evaluating the real-world
driving energy consumptions of electric vehicles. Energy, 141, 1955–1968.
[Link]
Zhang, R., & Yao, E. (2015). Electric vehicles’ energy consumption estimation with real driving
condition data. Transportation Research Part D: Transport and Environment, 41, 177–187.
[Link]
Zhao, X., Ye, Y., Ma, J., Shi, P., & Chen, H. (2020). Construction of electric vehicle driving cycle
for studying electric vehicle energy consumption and equivalent emissions.
Environmental Science and Pollution Research. [Link]
09094-4

Ing. Jairo Darío Castillo Calderón Daniel Cordero Moreno, PhD

PROPONENTE DIRECTOR
Email: jcastilloc@[Link] Email: dacorderom@[Link]
Telf: 0997218596 Telf: 0998624267

23