EV Planner Compared

Explication

Pourquoi deux planificateurs donnent des réponses

Même voiture, même itinéraire, même jour. L'un dit trois arrêts et six heures, l'autre dit deux arrêts et cinq. Aucun ne ment — ils ne s'accordent pas sur des choses qui sont réellement incertaines.

Updated 3 min read 40 citations Evidence strength 3/5

Vue le long d'une autoroute depuis un pont surplombant vers une bretelle de sortie
Dietmar Rabich · CC BY-SA 4.0 · Wikimedia Commons

Ils supposent des vitesses différentes

La traînée aérodynamique augmente avec le carré de la vitesse, et la puissance nécessaire pour la surmonter avec le cube. L'écart entre 110 km/h et 130 km/h n'est donc pas une différence de vingt pour cent en consommation ; il est beaucoup plus grand. Un planificateur supposant que vous resterez à la limite et un autre supposant que vous serez en dessous modélisent deux voyages différents.

La plupart des outils vous permettent de définir cela et la plupart des gens ne le font jamais. Si deux planificateurs ne s'accordent pas et que vous ne pouvez vérifier qu'une chose, vérifiez la vitesse supposée.

Ils modélisent la courbe de charge différemment, ou pas du tout

Un pack lithium-ion accepte une puissance élevée à faible état de charge et diminue fortement à mesure qu'il se remplit [3]. La conséquence pratique est que les derniers vingt pour cent d'une charge peuvent prendre autant de temps que les cinquante premiers, donc la stratégie optimale est généralement plus d'arrêts, chacun plus court, plutôt que moins d'arrêts plus longs.

Un planificateur qui modélise cela correctement produira un itinéraire qui semble inefficace — quatre arrêts au lieu de deux — et vous y amènera néanmoins plus rapidement. Un planificateur qui traite la charge comme un tarif fixe produit un plan plus ordonné qui est incorrect.

Ils ne s'accordent pas sur la météo

Le froid réduit l'autonomie utilisable et ralentit simultanément le taux auquel le pack acceptera la charge [4]. Les deux effets vont dans le même sens, et un plan basé sur une consommation par temps doux peut échouer d'une manière qu'une petite marge d'erreur ne couvre pas.

C'est la ligne où la différence entre les planificateurs est la plus conséquente, et c'est pourquoi le tableau des capacités considère la modélisation météorologique comme une fonctionnalité de premier ordre plutôt qu'un luxe.

Ils ne s'accordent pas sur la peur que vous devriez avoir

La marge d'arrivée — combien de charge un planificateur insiste pour que vous ayez restante lorsque vous atteignez un arrêt — n'est pas une quantité physique. C'est une politique. Un outil réglé pour arriver à 10 % et un autre réglé pour arriver à 20 % produiront des itinéraires matériellement différents à partir d'entrées identiques, et aucun n'est incorrect.

L'anxiété d'autonomie est une influence bien documentée sur le comportement réel des conducteurs, distinct de ce que la voiture peut faire [5]. Un planificateur qui vous permet de définir cela vous permet de tarifer vos propres nerfs, ce qui est l'endroit approprié pour que cette décision se situe.

Autoroute britannique à trois voies avec circulation dans les deux sens sous un ciel gris
Klaus with K · CC BY-SA 3.0 · Wikimedia Commons

Que faire à ce sujet

  • Réglez l'hypothèse de vitesse sur ce que vous conduisez réellement, pas sur ce que vous avez l'intention de faire.
  • Par une journée froide, planifiez avec l'outil pessimiste et considérez l'optimiste comme un meilleur cas.
  • Faites confiance à un planificateur qui vous donne plus d'arrêts, plus courts, plutôt qu'à un qui vous en donne moins, plus longs.
  • Replanifiez en cours de route plutôt qu'au début. Chaque entrée a dérivé d'ici là.
Les preuves derrière cette page Un graphique à barres empilées montrant la composition des 40 publications citées sur cette page par type d'étude. 40other (40)
40 publications, 2012–2026. C'est une base largement observationnelle. Elle peut établir que des choses se produisent ensemble ; elle ne peut pas trancher sur laquelle cause l'autre. Source : la liste de citations de cette page, ci-dessous.

References

Every citation below links to the original peer-reviewed record on PubMed or via DOI. Nothing here is a substitute for medical advice.

  1. Effect of Ambient Temperature on Electric Vehicles’ Energy Consumption and Range: Model Definition and Sensitivity Analysis Based on Nissan Leaf Data Iora P, Tribioli L · World Electric Vehicle Journal · 2019 · Journal article DOI
  2. Electric Vehicle Energy Consumption Modelling and Prediction Based on Road Information Wang J, Besselink I, Nijmeijer H · World Electric Vehicle Journal · 2015 · Journal article DOI
  3. Machine learning-based uncertainty quantification for energy consumption and driving range estimation in electric cargo vehicles Gandhi M, Chaudhari A · Energy Informatics · 2026 · Journal article DOI
  4. Estimation of Energy Consumption in Battery-electric Motorcycles Using a Virtual Vehicle Model and the Development of a Customized Measurement System Göntér Á, Sipos T · Periodica Polytechnica Transportation Engineering · 2026 · Journal article DOI
  5. Dynamic Electric Vehicle Route Planning via Traffic Flow Prediction and Charging Service Integration Zhang Y, Shen X, Wang Y · Processes · 2026 · Journal article DOI
  6. Optimizing Electric Delivery Vehicle Route Planning: A Hybrid Approach Integrating Clustering and Ant Colony Algorithm for Sustainable Transportation Heng S, Sharma A, Xiao J · Sustainability · 2026 · Journal article DOI
  7. Modeling Electric Vehicle Adoption in Thailand: The Impact of Ecosystem and Policy Support via Perceived Value and Charging Anxiety Suvittawat A, Suvittawat N · World Electric Vehicle Journal · 2026 · Journal article DOI
  8. Revisiting Electric Mobility: How Individual Perceived Value Shapes Battery Electric Vehicle Adoption—Insights into Technophilia, Range Anxiety, and Battery Cost in China Jia H, Zhao H, Uchiyama Y · World Electric Vehicle Journal · 2026 · Journal article DOI
  9. MACHINE LEARNING-DRIVEN OPTIMIZATION OF ELECTRIC VEHICLE CHARGING WITH DRIVER SATISFACTION MODELING CHERUVU AYESHA, Mrs.B.JYOTHSHA, Mr.P. VISWANATHA REDDY · ETDT · 2026 · Journal article DOI
  10. Electric Vehicle Charging Station Location Planning Based on Range Anxiety in Last Mile Logistics in Yogyakarta Haryanto Z, Afraah S · Jurnal Teknologi · 2025 · Journal article DOI
  11. Systematic Planning of Electric Vehicle Battery Swapping and Charging Station Location and Driver Routing with Bi-Level Optimization Chen B, Chen J, Feng H · World Electric Vehicle Journal · 2025 · Journal article DOI
  12. Influencer-Mediated Range Anxiety Mitigation: Examining Social Media Marketing Pathways to Electric Vehicle Adoption in Vietnam's Digital Economy NGUYEN T · Journal of Economics, Finance And Management Studies · 2025 · Journal article DOI
  13. An Electric Vehicle Optimal Charging Path Planning based on an Improved A* Algorithm Chen X · Frontiers in Computing and Intelligent Systems · 2025 · Journal article DOI
  14. Optimisation of Electric Vehicle Charging Stations Planning Based on Macro and Micro Perspectives WANG Q, DENG K, YAN J, et al. · Promet - Traffic&Transportation · 2025 · Journal article DOI
  15. Personalised electric vehicle charging stop planning through online estimators Shafipour E, Stein S, Ahipasaoglu S · Autonomous Agents and Multi-Agent Systems · 2024 · Journal article DOI
  16. Integrated model construction for state of charge estimation in electric vehicle lithium batteries Liu Y, Dun W · Energy Informatics · 2024 · Journal article DOI
  17. Optimization model of battery electric vehicle charging facility layout towards embedded system and data mining algorithm Zhang P, Liu J, Luo N, et al. · International Journal of Emerging Electric Power Systems · 2024 · Journal article DOI
  18. Electric Vehicle Distribution Route Optimisation and Charging Strategy Considering Dynamic Loads Wu Q, Tian M · Polish Journal of Environmental Studies · 2024 · Journal article DOI
  19. Multi-Objective Electric Vehicle Route and Charging Planning with Contraction Hierarchies Cuchý M, Vokřínek J, Jakob M · Proceedings of the International Conference on Automated Planning and Scheduling · 2024 · Journal article DOI
  20. Electric Vehicle Health Monitoring with Electric Vehicle Range Prediction and Route Planning Jayaram J, Chetan J, Nayak B · Journal of Informatics and Web Engineering · 2024 · Journal article DOI
  21. Electric Vehicle Charging Route Planning for Shortest Travel Time Based on Improved Ant Colony Optimization Tan A, Wang C, Wang Y, et al. · Sensors · 2024 · Journal article DOI
  22. Optimal number of charging station and pricing strategy for the electric vehicle with component commonality considering consumer range anxiety Yu W, Zhang L, Lu R, et al. · PLOS ONE · 2023 · Journal article DOI
  23. Electric Vehicle Charging Sessions Generator Based on Clustered Driver Behaviors Van Kriekinge G, De Cauwer C, Sapountzoglou N, et al. · World Electric Vehicle Journal · 2023 · Journal article DOI
  24. Charging after Lockdown: The Aftermath of COVID-19 Policies on Electric Vehicle Charging Behaviour in The Netherlands van der Koogh M, Wolbertus R, Heller R · World Electric Vehicle Journal · 2023 · Journal article DOI
  25. Evaluation of Electric Vehicle Charging Usage and Driver Activity Mahlberg J, Desai J, Bullock D · World Electric Vehicle Journal · 2023 · Journal article DOI
  26. Energy Cost Analysis and Operational Range Prediction Based on Medium- and Heavy-Duty Electric Vehicle Real-World Deployments across the United States Qiu Y, Dobbelaere C, Song S · World Electric Vehicle Journal · 2023 · Journal article DOI
  27. Research and Evaluation of Electric Vehicle Charging Station Layout Planning Based on Greedy Algorithm Yu C, Chen M, Lu H, et al. · Highlights in Science, Engineering and Technology · 2023 · Journal article DOI
  28. Simulation model for rendering and analyzing the prediction of electric vehicle energy consumption in Matlab/Simulink Janković F, Mujović S · ETF Journal of Electrical Engineering · 2023 · Journal article DOI
  29. Electric Vehicle Charging Station Location Model considering Charging Choice Behavior and Range Anxiety Liu H, Li Y, Zhang C, et al. · Sustainability · 2022 · Journal article DOI
  30. Electric Vehicle Range Estimation Using Regression Techniques Ahmed M, Mao Z, Zheng Y, et al. · World Electric Vehicle Journal · 2022 · Journal article DOI
  31. Rapid Evaluation Method for Accuracy of Range Estimation of Pure Electric Vehicle Range Estimation Based on CLTC-P Dai T, Zhou B, Zhang Y, et al. · E3S Web of Conferences · 2021 · Journal article DOI
  32. An Optimal Control Algorithm with Reduced DC-Bus Current Fluctuation for Multiple Charging Modes of Electric Vehicle Charging Station Chen T, Fu P, Chen X, et al. · World Electric Vehicle Journal · 2021 · Journal article DOI
  33. Research on Establishment of Vehicle Energy Distribution Model and Energy Consumption Optimization Based on Electric Hybrid System Liang P, He H, Cui H, et al. · World Electric Vehicle Journal · 2021 · Journal article DOI
  34. Optimization Approach for Long-Term Planning of Charging Infrastructure for Fixed-Route Transportation Systems Blat Belmonte B, Rinderknecht S · World Electric Vehicle Journal · 2021 · Journal article DOI
  35. Development of Hybrid Vehicle Energy Consumption Model for Transportation Applications—Part II: Traction Force-Speed Based Energy Consumption Modeling Pitanuwat S, Aoki H, IIzuka S, et al. · World Electric Vehicle Journal · 2019 · Journal article DOI
  36. Economic Microgrid Planning Algorithm with Electric Vehicle Charging Demands Yoon S, Kang S · Energies · 2017 · Journal article DOI
  37. Online Prediction of Battery Electric Vehicle Energy Consumption Wang J, Besselink I, Nijmeijer H · World Electric Vehicle Journal · 2016 · Journal article DOI
  38. Model-Based Remaining Driving Range Prediction in Electric Vehicles by using Particle Filtering and Markov Chains Oliva J, Weihrauch C, Bertram T · World Electric Vehicle Journal · 2013 · Journal article DOI
  39. Measuring Range Anxiety: the Substitution-Emergency-Detour (SED) Method Lin Z · World Electric Vehicle Journal · 2012 · Journal article DOI
  40. Energy Consumption Prediction of a Vehicle along a User-Specified Real-World Trip Karbowski D, Pagerit S, Calkins A · World Electric Vehicle Journal · 2012 · Journal article DOI

This page was translated automatically from English. The citations and numbers are unchanged. Read the English original if anything reads oddly. Read the English original