EV Planner Compared

Forklaring

Hvorfor to planleggere gir samme bil ulikt svar

Sam bil, samme rute, samme dag. Den ene sier tre stopp og seks timer, den andre sier to stopp og fem. Ingen av dem lyver — de er uenige om ting som er genuint usikre.

Oppdatert 3 min lesetid 40 henvisninger Bevisstyrke 3/5

Utsikt langs en motorvei fra en overbygning mot en avkjøringsrampe
Dietmar Rabich · CC BY-SA 4.0 · Wikimedia Commons

De antar forskjellige hastigheter

Aerodynamisk drag øker med kvadratet av hastigheten, og kraften som trengs for å overvinne det øker med kuben. Forskjellen mellom 110 km/t og 130 km/t er derfor ikke en tjue prosent forskjell i forbruk; det er mye større. En planlegger som antar at du vil holde deg til grensen og en som antar at du vil drive under den modellerer to forskjellige reiser.

De fleste verktøy lar deg sette dette, og de fleste gjør det aldri. Hvis to planleggere er uenige og du bare kan sjekke én ting, sjekk den antatte hastigheten.

De modellerer ladekurven forskjellig, eller ikke i det hele tatt

En litium-ion pakke aksepterer høy effekt ved lav ladetilstand og avtar bratt etter hvert som den fylles [3]. Den praktiske konsekvensen er at de siste tjue prosentene av en ladning kan ta like lang tid som de første femti, så den optimale strategien er vanligvis flere stopp, hver kortere, i stedet for færre og lengre.

En planlegger som modellerer dette riktig vil produsere en reiserute som ser ineffektiv ut — fire stopp i stedet for to — og vil likevel få deg dit raskere. En planlegger som behandler lading som en fast pris produserer en ryddigere plan som er feil.

De er uenige om været

Kulde reduserer brukbar rekkevidde og samtidig senker hastigheten på hvilken pakken vil akseptere ladning [4]. Begge effektene presser i samme retning, og en plan bygget på forbruk i mildt vær kan feile på en måte som en liten feilmargin ikke dekker.

Dette er raden der forskjellen mellom planleggere er mest konsekvent, og det er derfor kapabilitetstabellen behandler værmodellering som en førsteklasses funksjon snarere enn en fin detalj.

De er uenige om hvor redd du bør være

Ankomstbuffer — hvor mye ladning en planlegger insisterer på at du har igjen når du når et stopp — er ikke en fysisk størrelse. Det er en policy. Et verktøy satt til å ankomme med 10 % og et som er satt til å ankomme med 20 % vil produsere materielt forskjellige reiseruter fra identiske innganger, og ingen av dem er feil.

Rekkeviddeangst er en godt dokumentert innflytelse på hvordan sjåfører faktisk oppfører seg, forskjellig fra hva bilen kan gjøre [5]. En planlegger som lar deg sette dette lar deg prissette dine egne nerver, som er det rette stedet for den beslutningen å ligge.

Tre-felts britisk motorvei med trafikk i begge retninger under en grå himmel
Klaus with K · CC BY-SA 3.0 · Wikimedia Commons

Hva du skal gjøre med det

  • Sett hastighetsantakelsen til hva du faktisk kjører, ikke hva du har tenkt å gjøre.
  • På en kald dag, planlegg med det pessimistiske verktøyet og behandle det optimistiske som et beste tilfelle.
  • Stol på en planlegger som gir deg flere, kortere stopp fremfor en som gir deg færre, lengre stopp.
  • Planlegg på nytt midt i reisen i stedet for på starten. Hver inngang har driftet til da.
Bevisene bak denne siden En stablet søyle som viser sammensetningen av de 40 publikasjonene som er sitert på denne siden etter studietype. 40other (40)
40 publikasjoner, 2012–2026. Dette er en stort sett observasjonsbasert base. Den kan fastslå at ting skjer sammen; den kan ikke avgjøre hvilken som forårsaker den andre. Kilde: denne sidens egen sitatliste, nedenfor.

Referanser

Hver henvisning nedenfor lenker til den originale fagfellevurderte artikkelen på PubMed eller via DOI. Ingenting her er en erstatning for medisinsk råd.

  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

Denne siden ble oversatt automatisk fra engelsk. Henvisningene og tallene er uendret. Les den engelske originalen hvis noe virker merkelig. Les den engelske originalen