EV Planner Compared

Förklaring

Varför två planeringsverktyg ger samma bil olika svar

Samma bil, samma rutt, samma dag. Den ena säger tre stopp och sex timmar, den andra säger två stopp och fem. Ingen ljuger — de är oense om saker som är genuint osäkra.

Uppdaterad 3 min läsning 40 citat Bevisstyrka 3/5

Utsikt längs en motorväg från en övergångsbro mot en avfart
Dietmar Rabich · CC BY-SA 4.0 · Wikimedia Commons

De antar olika hastigheter

Aerodynamiskt motstånd ökar med kvadraten av hastigheten, och den kraft som behövs för att övervinna det med kuben. Skillnaden mellan 110 km/h och 130 km/h är därför inte en tjugo procent skillnad i förbrukning; den är mycket större. En planerare som antar att du kommer att hålla dig vid gränsen och en som antar att du kommer att glida under den modellerar två olika resor.

De flesta verktyg låter dig ställa in detta och de flesta gör det aldrig. Om två planerare är oense och du bara kan kontrollera en sak, kontrollera den antagna hastigheten.

De modellerar laddningskurvan olika, eller inte alls

Ett litiumjonpaket accepterar hög effekt vid låg laddningsnivå och avtar brant när det fylls [3]. Den praktiska konsekvensen är att de sista tjugo procenten av en laddning kan ta lika lång tid som de första femtio, så den optimala strategin är vanligtvis fler stopp, varje kortare, snarare än färre och längre.

En planerare som modellerar detta korrekt kommer att producera en resplan som ser ineffektiv ut — fyra stopp istället för två — och kommer ändå att få dig dit snabbare. En planerare som behandlar laddning som en fast kostnad producerar en prydligare plan som är fel.

De är oense om vädret

Kyla minskar användbar räckvidd och saktar samtidigt ner hastigheten på vilken paketet kommer att acceptera laddning [4]. Båda effekterna trycker i samma riktning, och en plan byggd på mildväderförbrukning kan misslyckas på ett sätt som en liten felmarginal inte täcker.

Detta är raden där skillnaden mellan planerare är mest betydelsefull, och det är därför kapabilitetstabellen behandlar vädermodellering som en förstklassig funktion snarare än en trevlighet.

De är oense om hur rädd du bör vara

Ankomstbuffert — hur mycket laddning en planerare insisterar på att du har kvar när du når ett stopp — är inte en fysisk kvantitet. Det är en policy. Ett verktyg inställt på att anlända med 10% och ett som är inställt på att anlända med 20% kommer att producera materiellt olika resplaner från identiska ingångar, och ingen av dem är fel.

Räckviddsångest är en väl dokumenterad påverkan på hur förare faktiskt beter sig, skild från vad bilen kan göra [5]. En planerare som låter dig ställa in detta låter dig prissätta dina egna nerver, vilket är rätt plats för det beslutet.

Tredelad brittisk motorväg med trafik i båda riktningarna under en grå himmel
Klaus with K · CC BY-SA 3.0 · Wikimedia Commons

Vad man ska göra åt det

  • Ställ in hastighetsantagandet på vad du faktiskt kör, inte vad du avser att köra.
  • På en kall dag, planera med det pessimistiska verktyget och behandla det optimistiska som ett bästa fall.
  • Lita på en planerare som ger dig fler, kortare stopp över en som ger dig färre, längre stopp.
  • Omplanera mitt under resan snarare än i början. Varje ingång har driftat vid det laget.
Bevisen bakom denna sida En staplad stapel som visar sammansättningen av de 40 publikationer som citeras på denna sida efter studietyp. 40other (40)
40 publikationer, 2012–2026. Detta är en huvudsakligen observationsbas. Den kan fastställa att saker förekommer tillsammans; den kan inte avgöra vilken som orsakar den andra. Källa: denna sidas egen citeringslista, nedan.

Referenser

Varje citation nedan länkar till den ursprungliga granskade artikeln på PubMed eller via DOI. Inget här är en ersättning för medicinsk rådgivning.

  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

Denna sida översattes automatiskt från engelska. Citat och siffror är oförändrade. Läs den engelska originaltexten om något verkar konstigt. Läs den engelska originaltexten