EV Planner Compared

Magyarázó

Miért ad két tervező más választ ugyanarra az autóra

Ugyanaz az autó, ugyanaz az útvonal, ugyanaz a nap. Az egyik három megállót és hat órát mond, a másik kettőt és ötöt. Egyik sem hazudik — valóban bizonytalan dolgokban nem értenek egyet.

Updated 2 min read 40 citations Evidence strength 3/5

Autópálya melletti kilátás egy felüljáróról a lehajtó útra
Dietmar Rabich · CC BY-SA 4.0 · Wikimedia Commons

Eltérő sebességeket feltételeznek

A légellenállás a sebesség négyzetével nő, és a legyőzéséhez szükséges teljesítmény a köbével. A 110 km/h és 130 km/h közötti különbség tehát nem húszszázalékos eltérés a fogyasztásban; sokkal nagyobb. Egy tervező, aki azt feltételezi, hogy a határértéken ülsz, és egy, aki azt, hogy alatta fogsz maradni, két különböző utazást modellez.

A legtöbb eszköz lehetővé teszi ennek beállítását, de a legtöbb ember soha nem teszi meg. Ha két tervező eltér, és csak egy dolgot tudsz ellenőrizni, ellenőrizd a feltételezett sebességet.

Különbözően modellezik a töltési görbét, vagy egyáltalán nem modellezik

A lítium-ion akkumulátor alacsony töltöttségi állapotban magas teljesítményt fogad el, és meredeken csökken, ahogy töltődik [3]. A gyakorlati következmény az, hogy a töltés utolsó húsz százaléka annyi időt vehet igénybe, mint az első ötven, így az optimális stratégia általában több, de rövidebb megálló, nem pedig kevesebb és hosszabb.

Egy tervező, aki ezt megfelelően modellezi, olyan útvonalat fog készíteni, amely hatékonynak tűnik — négy megálló a kettő helyett — és ennek ellenére hamarabb eljuttat a célhoz. Egy tervező, aki a töltést egységes díjként kezeli, rendezettebb tervet készít, amely hibás.

Eltérnek az időjárásról

A hideg csökkenti a használható hatótávolságot, és egyidejűleg lassítja azt a sebességet, amellyel az akkumulátor töltést fogad [4]. Mindkét hatás ugyanabba az irányba hat, és egy enyhe időjárásra alapozott terv olyan módon kudarcot vallhat, amelyet egy kis hibahatár nem fed le.

Ez az a terület, ahol a tervezők közötti eltérés a legfontosabb, és ez az oka annak, hogy a képesség táblázat az időjárás modellezését elsőrangú jellemzőként kezeli, nem pedig apróságként.

Eltérnek abban, hogy mennyire kellene megijedned

Az érkezési tartalék — mennyi töltést követel meg egy tervező, amikor megérkezel egy megállóra — nem fizikai mennyiség. Ez egy politika. Egy eszköz, amelyet 10%-ra állítanak be, és egy, amelyet 20%-ra, lényegesen eltérő útvonalakat fog eredményezni az azonos bemenetekből, és egyik sem helytelen.

A hatótávolság szorongás jól dokumentált hatással van arra, hogyan viselkednek valójában a vezetők, eltérően attól, amit az autó képes [5]. Egy tervező, amely lehetővé teszi ennek beállítását, lehetővé teszi, hogy saját idegeidet árazd be, ami a megfelelő helye ennek a döntésnek.

Háromsávos brit autópálya forgalommal mindkét irányban szürke ég alatt
Klaus with K · CC BY-SA 3.0 · Wikimedia Commons

Mit tegyünk ezzel kapcsolatban

  • Állítsd be a sebességfeltételezést arra, ahogyan valójában vezetsz, nem arra, amit szándékozol.
  • Hideg napon a pesszimista eszközzel tervezz, és az optimistát a legjobb esetként kezeld.
  • Bízz egy tervezőben, aki több, rövidebb megállót ad, szemben azzal, aki kevesebb, hosszabb megállót ad.
  • Újraplanálj az utazás közben, nem az elején. Minden bemenet addigra elmozdult.
A bizonyítékok ezen az oldalon Egy halmozott oszlopdiagram, amely az ezen az oldalon idézett 40 publikáció összetételét mutatja a tanulmány típusa szerint. 40other (40)
40 publikáció, 2012–2026. Ez egy nagyrészt megfigyelésen alapuló adatbázis. Megállapíthatja, hogy a dolgok együtt történnek; nem tudja eldönteni, hogy melyik okozza a másikat. Forrás: az oldal saját hivatkozási listája, lent.

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