Slutrapport Analyse af Elbilers Driftsøkonomi J. nr

Transkript

1 Copenhagen Electric - det regionale elbilsekretariat Region Hovedstaden Kongens Vænge Hillerød Telefon Web CVR nr.: Dato: 7. maj 2018 Slutrapport Analyse af Elbilers Driftsøkonomi J. nr Resume 2. Summary 3. Problemstilling 4. Gennemførte aktiviteter a. Data b. Resultater c. Kommunikation og vidensdeling 5. Ændringer a. Projekt ændringer b. Revideret tidsplan og budget 6. Konklusion a. Resultater og effekt Bilagsoversigt Slutrapporten er skrevet med stor hjælp fra DTU Management Engineering temaets arbejde i forbindelse med udarbejdelse af evaluerende rapporter om dette projekt. Se bilag 5.1 og

2 1. Resume Problemstilling Elbiler ses af mange som en væsentlig del af løsningen på transportsektorens klimaudfordringer. En væsentlig barriere for elbiler er dog den begrænses rækkevidde, så derfor er det vigtigt at forstå hvilke faktorer der påvirker afladningen. Tidligere analyser fra baseret på det danske Testenelbil forsøg, viser at den egentlige rækkevidde for de tidligste generationer (eks. Mitsubishi ImiEV) af moderne elbiler er markant lavere end den officielle samt at især udetemperaturen er en kritisk faktor (Fetene et. al citeret i Paulsen & Jensen, 2018). I nærværende analyse benyttes en tilsvarende metode til at sammenlignes elbilers energiforbrug på tværs af nyere elbilmodeller (Nissan Leaf, Renault Zoe, Nissan E- NV200) for at undersøge om problemstillingen for disse er reduceret (Paulsen & Jensen, 2018). Gennemførte aktiviteter Det primære formål med projektet var at indhente og analysere data fra de involverede elbiler mht. elbilernes samlede energiforbrug og sammenligning med normtal. Mere specifikt er elbilers forbrug analyseret mht. bilmodeller, vejtyper samt påvirkning fra sæsonvariationer (udetemperatur). Konklusion Projektet fører til en øget viden om elbilers driftsøkonomi. Projektets resultater omfatter en kortlægning af energiforbrug for 4 elbilmodeller, hvor elbilernes faktiske energiforbrug ikke tidligere er undersøgt. Projektet konkluderer at udetemperaturen har en signifikant betydning for energiforbruget. Både samlet set og i hver enkel kommune. Det sparsomme datagrundlag ved lune/varme udetemperaturer gør dog, at det er usikkert hvordan effekten er, når temperaturerne kommer væk fra typiske vintertemperaturer. Noget tyder på, at energiforbruget ikke længere falder, når temperaturen når over en vis temperatur. (Paulsen & Jensen, 2018). Et mål med analysen var også at sammenligne med forbrugsdata fra forsøgsprojektet test-en-elbil, for at sammenligne forbrug mellem ældre elbilmodeller i test-en-elbil og de nyere bilmodeller som er med i nærværende projekt. Sammenligningen med forbrugsdata fra forsøgsprojektet test-en-elbil viste sig problematisk, idet datagrundlaget er meget forskelligt. Data i Test-en-elbil er fordelt over hele året, mens nærværende projekt, har flest observationer om vinteren. Analysen viser dog stadig umiddelbart at energiforbruget er større, hvis vi benytter parametre fra nærværende projekt. 2. Summary The primary purpose of the project was to collect and analyze data from four new electric vehicle models (Nissan Leaf, Renault Zoe, Nissan E-NV200) to analyze their energy consumption and compare these with the norm. 2

3 Completed activities The consumption of electric cars has been analyzed with regard to car models, road types and seasonal variations (outdoor temperature). Conclusion The project has led to an increased knowledge of electric vehicles operating economy. The project's results include a survey of energy consumption for 4 electric car models, where the actual energy consumption of electric cars has not previously been investigated. The project concludes that the outdoor temperature has a significant impact on energy consumption. Both collectively and as seen in each municipality. However, the sparse dataset from temperate/warm outdoor temperatures makes it unclear what the effect is when temperatures differ from typical winter temperatures. Something indicates that the tendency follows a second-degree polynomial, and that energy consumption no longer falls when the temperature reaches a certain temperature. It must however be mentioned, that exactly this second-degree stage has not been significantly different from 0, which is why this report cannot immediately confirm the results from Test1Elbil at this point (Paulsen & Jensen, 2018). 3. Problemstilling Elbilers totaløkonomi og særligt elbilers restværdi er fortsat en af de største barrierer for elbilers udbredelse. Prisen på små elbiler er stadig betydeligt højere end konventionelle biler i samme segment. Som følge af det danske afgiftssystem er det økonomisk mere attraktivt at købe større elbiler. Der er lavet en række sammenligninger af TCO (Total Cost of Ownership) for el-biler og konventionelle biler, dog er de eksisterende økonomiberegninger for elbiler er i vid udstrækning baseret på estimater (Paulsen & Jensen, 2018). Viden om de faktiske omkostninger for drift af elbiler er afgørende for, at beslutningstagere kan vurdere de økonomiske konsekvenser ved anskaffelse af elbiler. Der findes i dag en omfattende viden om energiforbrug og driftsøkonomi for anvendelse af trillingerne, der samlet set kan betragtes som én elbilmodel. Mitsubishi imiev blev lanceret til flådeejere i Japan i Manglende udbud af elbilmodeller har været en stor barriere for udbredelsen af elbiler i Danmark. I 2013 blev udvalget af elbilmodeller øget, således at der fandtes 11 OEM elbilmodeller på markedet, og i løbet af 2014 kom der yderligere 6 nye modeller. I 2017 fandtes der i Danmark elbil modeller fra BMW, Mitubishi, Renault, Volkswagen, Nissan, Smart, Peugeot, Tesla og Mercedes-Benz, og der ventes mange nye modeller i 2018 så som Tesla Model 3, Opel Ampera-e og Jaguar I-Pace (Dansk Elbil Alliance, 2018). Nye elbiler på markedet har mere effektive varmesystemer end tidligere modeller. Renault Zoe og Nissan Euro Leaf er fx udstyret med højeffektive varmesystemer. Elbilernes EU-norm (NEDC test) viser, at elbilerne er mere energieffektive end tidligere elbilmodeller i samme segmenter. Der er behov for at tilvejebringe et datagrundlag for at kunne analysere driftsøkonomi for de nye elbilmodeller. 3

4 Der er generelt få nedbrud på nye biler, og alle modeller er dækket af fabriksgaranti de første 2 år. Mange elbiler sælges med serviceaftale eller leases operationelt. Det betyder, at flådeejeren i mange til fælde ikke har indsigt i de faktiske omkostninger, som er forbundet med service og reparation af køretøjer gennem de første år af bilens levetid. I takt med at køretøjet bliver ældre forventes det, at driftsomkostningerne for elbiler bliver betydeligt lavere end konventionelle biler, da elbilens teknik er baseret på færre bevægelige dele. For at analysere elbilens driftsøkonomi er det nødvendigt at kunne følge elbilen gennem en årrække. 4. Gennemførte aktiviteter a. Data Der er indhentet data fra fire kommuner i Region Hovedstaden. Analyserne er foretaget på ture kørt i 56 forskellige køretøjer fordelt på fire forskellige bilmodeller; Misubishi I-MiEV, Nissan Leaf, Nissan e-nv200 samt Renault Zoe. Turene er foretaget i perioden december 2015 til marts De enkelte ture er først blevet identificeret fra rådata vha softwaret PosDaP (Position Data Processing) baseret på Schuessler & Axhausen (2009). Programmet gennemgår tre trin i denne proces: Første trin består i at beskytte mod pludselige posititionsspring, andet trin udglatter gps-koordinaterne ved brug af en såkald kernel density smoothing, og det sidste trin identificerer de egentlige ture på baggrund af tre udvælgelseskriterier (Paulsen & Jensen, 2018). Derefter er turene blevet matchet til vejnettet ved brug af Dynamic Map Matching-softwaret udviklet af Rapidis ApS med udgangspunkt i Nielsen et al. (2007). Endeligt er de udledte ruter blevet kædet sammen med dynamisk information om de enkelte køretøjers ladestatus. Denne information viste sig desværre at mangle for et stort antal biler, hvilket reducerede det endelige datasæt med 11,196 ture, og forudsagede en betydelig underrepræsentation af ture foretaget i sommerhalvåret. Dog muliggør analysen stadig at se på sæsonvariationer, og samlet giver analyserne dermed et billede af elbilers energieffektivitet på tværs af kommuner, bilmodeller, vejtype og sæson (Paulsen & Jensen, 2018). Energiforbruget per tur er udregnet ved at se på forskellen i ladestatus (i %) da turen hhv. startede og sluttede, hvorefter denne differens er blevet ganget med køretøjets batterikapacitet i Wh og divideret med 100. Energieffektiviteten er herefter fundet ved at dividere dette energiforbrug med den pågældende turs længde i km, EEEEeeeeeeeeeeeeeeeeeeeeeeeeeeeeeeee = (SSSSSSSSSSSSSSSSSSSSSSSSSSSSSS SSSSSSSSSSSSSSSSSSSSSSSSSSSS) BBBBBBBBBBBBBBBBBBBBBBBBBBBBBBBB TTTTTTTTænnnnnnnn Tabel 1 viser et overblik over antal ture per kommune og bilmodel, mens tabel 2 viser gennemsnit for de benyttede variable per kommune. 4

5 Tabel 1 Antal gyldige, analyserede ture fordelt på kommune og bilmodel (Paulsen & Jensen, 2018). Mitsubishi i-miev Nissan e-nv200 Nissan Leaf Renault Zoe Total Albertslund Fredensborg Ishøj København Total Tabel 2 Gennesnitsværdier for hver af de analyserede variable fordelt på kommune (Paulsen & Jensen, 2018). Albertslund Fredensborg Ishøj København Energieffektivitet Wh/km 268,51 197,88 256,99 250,75 Gennemsnitshastighed m/s 8,67 12,44 8,64 7,80 Gennemsnitsacceleration m/s2 0,46 0,37 0,51 0,56 Turlængde km 1,57 6,69 1,96 1,77 Vinter binær 1,00 0,72 0,88 1,00 Motorvejsandel Andel 0,00 0,07 0,01 0,00 Myldretid binær 0,21 0,18 0,17 0,20 Startladestatus Andel 72,62 87,18 78,43 77,90 Temperatur C 2,35 6,44 4,03 3,00 Vindhastighed m/s 6,58 4,13 5,87 5,43 Regnnedbør mm/t 0,25 0,13 0,28 0,37 b. Resultater Generelt lever ingen af bilmodellerne op til normtallene oplyst af producenterne. Der er dog stor forskel på om turene er kørt om sommer eller vinter. For alle bilmodeller lever kun 2-12% af de kørte ture op til normalerne om vinteren, mens hele 90% af de kørte ture i Nissan NV-200 og 60% af de kørte ture i Renault Zoe lever op til normtallene om sommeren (Paulsen & Jensen, 2018). For at kunne analysere nærmere på, hvordan forskellige faktorer påvirker energiforbruget for elbiler, har DTU Transport estimeret en lineær regressionsmodel der tager højde for kørselsadfærd, rutefaktorer, vejr samt bilmodel, se tabel 3: Tabel 3 Lineær regressionsmodel for energieffektivitet [Wh/km] (Mitsubishi i-miev og Albertslund Kommune som basis) (Paulsen & Jensen, 2018) Forklarende Variabel Enhed Estimat Std. fejl t-værdi p-værdi Gns. Hastighed m/s -29,23 0,591-49,45 0,000 Gns. Hastighed 2 0,575 0,019 30,37 0,000 Gns. Acceleration m/s2 254, ,57 0,000 Gns. Acceleration 2-93,22 7,222-12,91 0,000 5

6 Turlængde km -3,334 0,597-5,599 0,000 Turlængde 2 0,159 0,025 6,268 0,000 Vinter Binær 88,33 5,432 16,26 0,000 Motorvej Binær 73,61 11,74 6,268 0,000 Myldretid Binær -6,469 1,559-4,150 0,000 Startladestatus %-pt -9,906 1,089-9,098 0,000 Startladestatus 2 0,172 0,017 10,03 0,000 Startladestatus 3-0,001 0,000-10,61 0,000 Temperatur C -5,402 0,211-25,57 0,000 Temperatur 2 0,025 0,024 1,054 0,292 Vindhastighed m/s 1,021 0,212 4,824 0,000 Regnnedbør mm/t 3,947 1,114 3,544 0,000 Nissan e-nv200 Binær -12,43 4,116-3,019 0,002 Nissan Leaf Binær -26,89 2,156-12,48 0,000 Renault Zoe Binær -21,96 6,379-3, Ishøj Binær 51,29 4,053 12,66 0,000 Fredensborg Binær -2,550 2,315-1,102 0,271 København Binær -49,55 6,123-8,092 0,000 Skæring Binær 492,9 24,06 20,49 0,000 Antal observationer R 2 0,369 Det ses at der for alle tre bilmodeller er en negativ konstant. Det viser altså, at når der korrigeres for alle baggrundsvariable og for kommuner, så er Mitsubishi i-miev den mindst energieffektive af de fire bilmodeller. Nissan e-nv200 bruger omtrent 12 Wh/km mindre, Nissan Leaf 27 Wh/km mindre og Renault Zoe 22 Wh/km mindre. I alle tre tilfælde er energiforbruget signifikant lavere end for Mitsubishi i-miev (Paulsen & Jensen, 2018). Kaster vi i stedet blikket på kommuner, ses det at Albertslund Kommune (der er brugt som referencekommune) ikke signifikant forskelligt fra Fredensborg Kommune, mens Ishøj Kommune generelt har et energiforbrug, der ligger 51 Wh/km højere. Omvendt er energiforbruget for Københavns Kommune omtrent 50 Wh/km lavere. Hvad der konkret er årsag til disse forskelle, er umiddelbart uvist, men en del af forklaringen kan nok findes i infrastrukturelle karakteristika, eksempelvis køres der markant længere ture i Fredensborg og gennemsnitsacceleration er lavere end de øvrige kommuner (Paulsen & Jensen, 2018). 6

7 Figur 1 Energiforbrug som funktion af udetemperatur grupperet på kommune og bilmodel. (Paulsen & Jensen, 2018). Udetemperaturen har en signifikant betydning for energiforbruget (se Figur 1). Både samlet set og i hver enkel kommune. Det sparsomme datagrundlag ved lune/varme udetemperaturer gør dog, at det er usikkert hvordan effekten er, når temperaturerne kommer væk fra typiske vintertemperaturer. Noget tyder på, at tendensen følger et andetgradspolynomium, og at energiforbruget ikke længere falder, når temperaturen når over en vis temperatur. Ydermere viser vores analyser, at på trods af, at der korrigeres for udetemperatur, vindhastighed og regn nedbør, giver vinterkørsel umiddelbart i sig selv stadigvæk et betydeligt merenergiforbrug. Imidlertid må disse konklusioner betragtes som tentative, idet datagrundlaget for kørsel uden for vintermånederne var stærkt begrænset i indeværende studie (Paulsen & Jensen, 2018). Der ses generelt, at udetemperaturen virker til at påvirke observationer i København (de røde observationer) i mindre grad end i fx Ishøj Derfor bliver effekten af udetemperatur også umiddelbart lav for Mitsubishi i- MiEV og Nissan Leaf, da disse kun har observationer i København. For at opsummere ses det altså, at udetemperaturen har en signifikant betydning for energiforbruget. Både samlet set og i hver enkel kommune. Det sparsomme datagrundlag ved lune/varme udetemperaturer gør dog, at det er usikkert hvordan effekten er, når temperaturerne kommer væk fra typiske vintertemperaturer. Noget tyder på, at tendensen følger et andetgradspolynomium, og at energiforbruget ikke længere falder, når temperaturen når over en vis temperatur. Dog skal det nævnes, at netop dette andetgradsled ikke har ikke vist sig signifikant forskelligt fra 0, hvorfor denne rapport umiddelbart ikke kan bekræfte resultaterne fra Test1Elbil på dette punkt. 7

8 Netop sammenligningen med Test1Elbil viste sig at være meget svær. Det skyldes formentligt, at de to studier har datagrundlag, der fordeler sig ganske forskelligt. Derfor kræver det kraftig ekstrapolation, når den ene model benyttes på den andens data. Det har gjort det vanskeligt at sammenligne de to studier, selvom resultaterne dog umiddelbart viser, at energiforbruget påvirkes i samme retning i det mindste inden for visse intervaller for alle de testede variable. Den samlede model viste, at der i dette studie var en signifikant forskel på energiforbruget i Mitsubishi i- MiEV (tilhørende den gamle generation) og den nye generation af elbiler. Den nye generation havde gennemsnitligt set et lavere energiforbrug, når samtlige baggrundsvariable blev benyttet. Dette tyder på, at selvom de prædikterede energiforbrug i dette studie var væsentligt højere end i Test1Elbil, skyldes dette ikke, at de nye biler er mindre energieffektive. Selvom kun en lav andel af turene lever op til bilernes normtal, lader de nye biler altså til at have et lavere energiforbrug end den ældre Mitsubishi i-miev, hvorfor forskellen mellem de to studier formentligt skal findes andetsteds. Det kunne fx være pga. en høj koncentration af ture om vinteren, køre stil eller turformål (Paulsen & Jensen, 2018). c. Kommunikation og vidensdeling Projektet bliver præsenteret til Aalborg Trafikdagene 2018 af DTU Transport, som nu heder DTU Management Engineering (Paulsen & Jensen, 2018). Se Bilag 5.1 og 5.2. Derudover bliv resultaterne fra denne analyse delt til Copenhagen Electrics forskellige arrangementer og møder, så det sidste elbilnetværksmødefor virksomheder der blev afholdt i april 2018 (et andet projekt med støtte fra Energistyrelsen). Projektet fremgår også at Copenhagen Electrics hjemmeside, som både private borgere samt fagfolk fra kommuner og virksomheder frekventerer. 5. Ændringer a. Projekt ændringer Opdeling af de 3 analyse områder Med udgangspunkt i den oprindelige projektbeskrivelse blev der i start 2017 forslået en plan for den endelige analyse af de data, der er indhentet via dataloggere i de 52 deltagende kommunale elbiler. Jævnfør projektbeskrivelsen var det primære formål at indhente og analysere data fra de involverede elbiler på følgende 3 områder: 1. Elbilernes samlede gennemsnitlige forbrug samt sammenligning med normtal for de pågældende elbilmodeller. 2. Forbrug fordelt på vejtyper opdelt på elbilmodeller og samlet - herunder gennemsnit for hele perioden og fordelt på sæson. 8

9 3. Forbrug som følge af sæsonvariationer (udetemperatur) opdelt som gennemsnitligt forbrug per måned og sammenlignet med CLEVERs målinger af energiforbruget for trillingerne i forbindelse med projekt Test1Elbil. De ovennævnte 3 analyse områder blev opdelt som følger: Hver af de deltagende 4 kommuner kan se resultater for: o Hver af deres elbiler (identificeret på registreringsnummer) o Hver gruppe af deltagende elbilmodeller Til brug for den endelige rapport blev der udarbejdet gennemsnitstal for de deltagende elbilmodeller for de tre analyseområder. Ændret brug af klimadata For at kunne udarbejde analysen med sæsonvariationer var det nødvendig at indhente vejrdata i dataindsamlingsperioden fra de områder, hvor bilerne har kørt. DTU Transport har tidligere købt data fra DMI til lignende projekter og havde afsat det forventede beløb i budgettet til indkøb af data herfra. Omkostninger til data ved det tidligere projekt har afspejlet at DMI stiller data gratis til rådighed for forskningsprojekter, og at man dermed kun betaler omkostningerne ved at DMI skal klargøre det forespurgte data. DMI ville imidlertid ikke anerkende nærværende projekt som et forskningsprojekt, idet de mener kontrakten er udformet på konsulentlignende vilkår. Ved køb af data fra DMI skulle DTU dermed både betale for den såkaldte informationsværdi af data samt DMIs omkostninger ved at klargøre data. Dette beløb lå langt over, hvad der var muligt indenfor rammerne af dette projekt, og efter flere overvejelser, blev det besluttet at indkøbe data fra en betydeligt billigere kilde, OpenWeatherMap.org. Selvom kvaliteten ikke er den samme som fra DMI, vurderede vi, at data herfra var detaljeret nok til denne undersøgelse (se bilag 5.1). Mindre bredt spektrum af variabler end ønsket Grundet tekniske fejl manglede der data omkring batteritilstand for en betydelig andel af bilmodellerne, samt for en betydelig andel af ture fra mange af de resterende bilmodeller. Det har betydet at analysen omkring sæsonvariation er mindre præcis end forventet, men observationer for 2 ud af 4 af de analyserede bilmodeller og for 2 ud af 4 deltagende kommuner. Derudover var et mål med analysen at den skulle kunne sammenlignes med forbrugsdata fra forsøgsprojektet test-en-elbil, for at sammenligne forbrug mellem ældre og nyere elbilmodeller. Denne sammenligning viste sig problematisk, da datagrundlaget er meget forskelligt. Dog viser analysen (se bilag 5.1) at energiforbruget er større på de ældre bilmodeller. Projekt forkortet grundet mangel på projektleder Grundet udskiftning af projektledelse flere gange gennem projektet, har det været svært at kunne udfylde alle de ønskede workpackages beskrevet i ansøgningen. Det er derfor ikke blevet indsamlet data for drivemiddelforbrug for konventionelle biler, fjernlæste elmålere blev ikke sat op ved 15 lokaliteter og der blev ikke indsamlet data på nedbrud, service og reparation ved projektets afslutning. Disse ændringer er reflekteret i projektets budget og tidsplan, som set nedenfor, og det vurderes ikke at disse dele har haft en stor indflydelse på resultaterne af analysen. 9

10 b. Revideret tidsplan og budget Grunnet flersidig udskiftning af projektledere og medarbejdere på dette projekt, har der været flere reviderede tidplanner, og denne slutrapport er dermed blevet indsendt til Energistyrelsen i foråret Ligeledes har er budgettet blevet revideret, som set i bilag 2.2, godkendt af Energistyrelsen i januar Konklusion a. Resultater og effekt I dette projekt er elbilers driftsøkonomi analyseret baseret på elbiler benyttet i fire kommuner i Region Hovedstaden. Analyserne er foretaget på ture kørt i fire forskellige bilmodeller; Misubishi I-MiEV, Nissan Leaf, Nissan e-nv200 samt Renault Zoe. Turene er foretaget i perioden december 2015 til marts 2017 men pga. en for os ukendt fejl i dataindsamlingen, er størstedelen af de tilgængelige ture foretaget om vinteren. Dog muliggør analysen stadig at se på sæsonvariationer, og samlet giver analyserne dermed et billede af elbilers energieffektivitet på tværs af kommuner, bilmodeller, vejtype og sæson. For Albertslund, Ishøj og Københavns kommuner er der hovedsageligt tale om meget korte ture (<5km), mens Fredensborg også har flere længere ture op til 10-15km. Umiddelbart giver turlængden i sig selv ikke anledning til ændringer i energiforbrug, men den højere gennemsnitshastighed og lavere gennemsnitsacceleration for ture i Fredensborg kommune giver anledning til et lavere energiforbrug jvf. Figur 39 (se bilag 5.1). Generelt lever ingen af bilmodellerne op til normtallene oplyst af producenterne. Der er dog stor forskel på om turene er kørt om sommer eller vinter. For alle bilmodeller lever kun 2-12% af de kørte ture op til normaltallene om vinteren, mens hele 90% af de kørte ture i Nissan NV-200 og 60% af de kørte ture i Renault Zoe lever op til normtallene om sommeren. En direkte sammenligning med data fra Test-en-elbil er ikke mulig pga. den store andel af ture kørt om vinteren i data benyttet i nærværende analyse og idet private biler og kommunale biler har et meget forskelligt kørselsmønster. Således var der generelt et højere energiforbrug for ture kørt i data benyttet i nærværende analyse, hvilket nok især må tilskrives den store andel ture kørt om vinteren. I den lineære regression for energiforbrug per km vist i Tabel 14 er der kontrolleret for sådanne forskelle i kørselsmønster og temperatur. Denne viser generelt et lavere energiforbrug for de nyere elbilmodeller sammenlignet med Mitsubishi i-miev, som også var den model, der blev benyttet i Test-en-elbil. Dette på trods af at alle de nyere biler er større og har et højere normtal. 10

11 Referencer Gebeyehu M. Fetene, Sigal Kaplan, Stefan L. Mabit, Anders F. Jensen, and Carlo G. Prato. (2017) Harnessing big data for estimating the energy consumption and driving range of electric vehicles. In: Transportation Research Part D: Transport and Environment 54, pp. 1 1 Nielsen, O.A., Würtz, C., & Jørgensen, R.M. (2007). Improved Map-Matching Algorithms for GPS-Data - Methodology and test on data from The AKTA roadpricing experiment in Copenhagen. Working paper. Paulsen, M. & Jensen, A. F. (2018) Analyse af Elbilers Driftsøkonomi. Aalborg Trafikdage 2018 forlag ISSN Schuessler, N., & Axhausen, K.W. (2009). Processing Raw Data from Global Positioning Systems Without Additional Information. Transportation Research Record: Journal of the Transportation Research Board, 2105, Bilagsoversigt - Bilag 5.1: Analyse af elbilers driftsøkonomi rapport DTU Transport. Ultimo Bilag 5.2: Paulsen, M. & Jensen, A. F. (2018) Analyse af Elbilers Driftsøkonomi. Aalborg Trafikdage 2018 forlag ISSN