Advancement in the management of public transit electrification

The objective of the dissertation is to improve the planning and operational management of electric bus fleets by explicitly modeling the interdependencies between passenger mobility behavior, vehicle energy consumption, charging infrastructure, and electricity markets, with a focus on urban and suburban local public transport. Rather than treating demand, vehicles, and energy as separate modules, the work adopts a socio-technical perspective that prioritizes robustness, feasibility, and cost predictability over purely nominal optimality, and targets decision support for public transport operators and energy stakeholders. Methodologically, Chapter 2 introduces a production-oriented Transport Mode Recognition (TMR) framework based on smartphone sensing, operating-system Human Activity Recognition APIs, GPS, and systematic enrichment with OpenStreetMap/GIS features, implemented as a bidirectional GRU network deployed in a cloud pipeline. Two experimental campaigns (20 users, 107,720 labeled points for training; 17 users, 48,503 points in production) show a categorical accuracy of 91.8%, with macro-average F1-score of 0.78 and high precision for common modes such as foot (97.7%) and car (93.4%), while metro remains challenging due to underground GPS scarcity and urban canyon effects. Building on this, a deterministic post-processing method is proposed to discriminate bus from car trajectories by matching smartphone GPS traces to static GTFS routes and stop times under configurable anticipation and delay margins; an adversarial field test in Bergamo, where a car mimics bus operations on shared congested corridors, yields recall up to 99.7% for true bus trips at the cost of higher false positives, and an F1-score around 68.7%, highlighting the trade-off between coverage and precision when only static schedules are available. At a higher level, a multimodal passenger-demand simulator is formulated as a nonlinear network equilibrium with logit route choice and congestion-sensitive link costs, and applied to the Boston Logan Airport access system to quantify how infrastructure changes (e.g., remote terminals or access reconfigurations) shift passenger flows and congestion spatial patterns. Chapter 3 first surveys and benchmarks seven widely used EV energy consumption models, ranging from physics-based tractive effort formulations to regressions and hybrid machine learning approaches, on 70 real BMW i3 trips split into summer and winter regimes. The analysis shows that a mechanical model with speed-dependent rolling resistance and acceleration dependent regenerative efficiency is the most robust physics-based option. But all literature models exhibit systematic degradation in winter due to insufficient representation of HVAC and auxiliary loads. Motivated by these gaps, the thesis develops a modular EV consumption framework that explicitly couples mechanical, auxiliary (HVAC and thermal management), and electric sub-models, parameterized with detailed BMW i3 data, and validated against measured power profiles with tightly centered residual distributions and global Sobol sensitivity analysis quantifying the dominant influence of rolling resistance, aerodynamic drag, and auxiliary power. Finally, a Well-to-Wheel case study for a 12 m diesel versus battery-electric bus on a real Italian route shows an approximate four fold reduction in total CO2 emissions per trip (67.44 kg to 15.69 kg), alongside shifts of some pollutants (e.g., SO2, fine particulates) from tailpipe to upstream generation and non-exhaust sources, emphasizing the dependence of environmental benefits on grid carbon intensity and residual tire/brake wear. Chapter 4 formulates Mixed-Integer Linear Programming models for depot-level charging optimization under unidirectional smart charging (V1G) and bidirectional Vehicle-to-Grid (V2G), explicitly encoding bus timetables, state-of-charge dynamics, charger capacities, depot grid connection limits, Time-of-Use or day-ahead price profiles, and Battery Management System–inspired constraints. For a stylized “School Service” configuration, day-ahead V1G optimization achieves up to about 40% energy cost reduction relative to naive ASAP charging by deferring and reshaping charging within existing layovers, while a real-world case with 11 electric buses and measured connection data in the Italian market yields around 9% savings without compromising service availability, and sensitivity analyses highlight strong dependence on contracted depot power and temperature-driven daily energy demand. The V2G extension introduces degradation-cost models as a function of depth-of-discharge and battery price, and explores scenario spaces characterized by day-ahead price volatility and battery wear cost; results indicate that, while V2G can outperform optimized V1G in gross revenue terms, net profitability is highly sensitive to volatility levels and assumed degradation costs, and a detailed April 2024 Italian case study suggests that economically attractive V2G is limited to specific high-volatility, low-wear niches rather than generic fleet-wide deployment. It also introduces several technical and operational complexities. Across chapters, the thesis’ main contribution is to bridge micro-scale mobility sensing and macro-scale planning models with physically grounded EV consumption and market-aware optimization, thereby closing part of the gap between mathematically optimal strategies and risk-averse, operable solutions for public transport electrification. It shows that auxiliary thermal loads and seasonal stress must become first-order design inputs, that the high predictability of bus duty cycles and depot returns is a latent asset for providing flexible demand to the power system, and that open, standardized data (e.g., GTFS and AVM) and integrated planning between transport and energy actors are prerequisites for unlocking the full operational, economic, and environmental benefits of electric bus fleets.

La tesi sviluppa un quadro integrato, guidato dai dati e consapevole degli aspetti energetici per la pianificazione e la gestione del trasporto pubblico locale elettrificato, che copre il sensing della domanda degli utenti, la modellazione del consumo energetico dei veicoli elettrici e l'ottimizzazione della ricarica in deposito sotto vincoli realistici di rete e di mercato. L'obiettivo della dissertazione è migliorare la pianificazione e la gestione operativa delle flotte di autobus elettrici modellando in modo esplicito le interdipendenze tra il comportamento di mobilità dei passeggeri, il consumo energetico dei veicoli, l'infrastruttura di ricarica e i mercati elettrici, con un focus sul trasporto pubblico locale urbano e suburbano. Invece di trattare domanda, veicoli ed energia come moduli separati, il lavoro adotta una prospettiva socio-tecnica che privilegia robustezza, fattibilità e prevedibilità dei costi rispetto alla sola ottimalità nominale, e si pone come strumento di supporto alle decisioni per operatori di trasporto pubblico e stakeholder del sistema elettrico. Dal punto di vista metodologico, il Capitolo 2 introduce un framework di Transport Mode Recognition (TMR) orientato alla produzione, basato su sensori da smartphone, API di Human Activity Recognition del sistema operativo, GPS e arricchimento sistematico con features presenti in OpenStreetMap/GIS, implementato come rete GRU bidirezionale in produzione in cloud. Due campagne sperimentali (20 utenti, 107,720 punti etichettati per il training; 17 utenti, 48,503 punti in produzione) mostrano un'accuratezza categoriale del 91.8%, con macro-F1 pari a 0.78 e alta precisione per le modalità più comuni come a piedi (97.7%) e auto (93.4%), mentre la classe metro rimane critica a causa della scarsità di GPS in sotterranea e degli effetti di urban canyon. Su questa base viene proposto un metodo deterministico di post-processing per discriminare le traiettorie bus da quelle auto, confrontando le tracce GPS dello smartphone con percorsi e orari GTFS statici sotto margini configurabili di anticipo e ritardo; un test sul campo “avversariale” a Bergamo, in cui un'auto imita l'esercizio bus su corridoi condivisi congestionati, evidenzia il trade-off tra copertura e precisione quando sono disponibili solo orari statici. A un livello più aggregato, viene poi formulato un simulatore di domanda passeggeri multimodale come equilibrio di rete non lineare con scelta di percorso logit e costi d'arco sensibili alla congestione, applicato al sistema di accesso dell'aeroporto di Boston Logan per quantificare come modifiche infrastrutturali (ad esempio terminal remoti o riconfigurazioni degli accessi) spostino i flussi di passeggeri e i pattern di congestione. Il Capitolo 3 innanzitutto rivede e confronta sette modelli ampiamente utilizzati per il consumo energetico dei veicoli elettrici, che spaziano da formulazioni fisiche a regressioni o machine learning, con approcci ibridi, su 70 viaggi reali di BMW i3 suddivisi in regimi estivi e invernali. Tutti i modelli di letteratura degradano sistematicamente in inverno per la rappresentazione insufficiente dei carichi HVAC e ausiliari. Motivata da questi gap, la tesi sviluppa un framework modulare di consumo EV che accoppia esplicitamente sottomodelli meccanico, ausiliario (HVAC e gestione termica) ed elettrico, parametrizzato con dati di dettaglio su BMW i3, e validato rispetto ai profili di potenza misurati con distribuzioni dei residui ben centrate e un'analisi di sensitività di tipo Sobol che quantifica il ruolo dominante di resistenza al rotolamento, resistenza aerodinamica e potenza ausiliaria. Un caso studio sul comportamento di guida dimostra che, sullo stesso percorso, un conducente aggressivo consuma circa 2.175 kWh rispetto a 1.879 kWh per uno prudente (circa +14%), e che tali differenze si riflettono in cluster distinti di punti operativi sulla mappa di efficienza del motore, a sottolineare la rilevanza operativa dell'eco-guida per autonomia e margini di programmazione. Infine, un caso Well-to-Wheel per un autobus diesel da 12 m e un autobus elettrico a batteria da 12 m sullo stesso percorso reale italiano (Cecina, linea 11) mostra una riduzione di circa quattro volte delle emissioni totali di CO2 per viaggio (da 67.44 kg a 15.69 kg), insieme a uno spostamento di alcuni inquinanti (ad esempio SO2, particolato fine) dallo scarico alle fasi a monte di generazione e alle sorgenti non di scarico, evidenziando come i benefici ambientali dipendano dall'intensità carbonica della rete e dalle emissioni residue da pneumatici e freni. Il Capitolo 4 formula modelli di Programmazione Mista Intera Lineare per l'ottimizzazione della ricarica in deposito in regime di ricarica intelligente unidirezionale (V1G) e bidirezionale Vehicle-to-Grid (V2G), codificando in modo esplicito orari degli autobus, dinamica dello stato di carica, capacità dei caricabatterie, limiti di connessione del deposito alla rete, profili di prezzo a fasce orarie o indici basati sul mercato del giorno prima e vincoli ispirati al Battery Management System. Per una configurazione stilizzata “School Service”, l'ottimizzazione day-ahead V1G consente fino a circa il 40% di riduzione del costo energetico rispetto alla ricarica ASAP, spostando e rimodellando la ricarica all'interno dei layover esistenti, mentre un caso reale con 11 autobus elettrici e dati di connessione misurati nel mercato italiano produce risparmi intorno al 9% senza compromettere la disponibilità del servizio, e le analisi di sensitività evidenziano una forte dipendenza dalla potenza contrattuale del deposito e dalla domanda giornaliera di energia guidata dalla temperatura. L'estensione V2G introduce modelli di costo di degradazione come funzione della profondità di scarica e del prezzo batteria, ed esplora spazi di scenario caratterizzati da volatilità dei prezzi day-ahead e costo di usura; i risultati indicano che, sebbene il V2G possa superare il V1G ottimizzato in termini di ricavi lordi, la redditività netta è altamente sensibile al livello di volatilità e alle ipotesi sui costi di degradazione, e un caso studio dettagliato su aprile 2024 nel contesto italiano suggerisce che un V2G economicamente attraente è limitato a nicchie specifiche ad alta volatilità e bassa usura, piuttosto che a un dispiegamento generalizzato su tutta la flotta. Nel complesso, il contributo principale della tesi è quello di mettere in relazione sensing di mobilità a scala micro e modelli di pianificazione a scala macro con una modellazione fisicamente fondata del consumo EV e un'ottimizzazione consapevole dei mercati energetici, colmando così parte del divario tra strategie matematicamente ottime e soluzioni effettivamente operabili e avverse al rischio per l'elettrificazione del trasporto pubblico. Il lavoro mostra che i carichi termici ausiliari e lo stress stagionale devono diventare ingressi di progetto di primo ordine, che l'elevata prevedibilità dei cicli di lavoro degli autobus e dei rientri in deposito rappresenta un asset latente per fornire flessibilità di domanda al sistema elettrico, e che dati aperti e standardizzati (ad esempio GTFS e AVM) e una pianificazione integrata tra attori del trasporto e dell'energia sono prerequisiti per sbloccare appieno i benefici operativi, economici e ambientali delle flotte di autobus elettrici.