Neue Strategie für intelligere, grünere Ladeinfrastruktur in mittelgroßen Städten
Im Wettlauf um die Elektrifizierung des Verkehrs und die Erreichung ehrgeiziger Klimaneutralitätsziele hat sich eine kritische Lücke hartnäckig gehalten: die Planung und der Ausbau der Ladeinfrastruktur in mittelgroßen Städten. Während Metropolen wie Peking, Shanghai und Shenzhen einen raschen Ausbau öffentlicher E-Auto-Ladestationen erlebt haben – mit dichten Netzwerken entlang von Autobahnen, Einkaufszentren und Wohnhochhäusern – fallen kleinere urbane Zentren oft in eine planerische Grauzone. Zu groß, um wie ländliche Außenposten behandelt zu werden, doch zu klein, um das gleiche Maß an Investitionen oder politischer Aufmerksamkeit wie Tier-1-Zentren auf sich zu ziehen, sind diese Städte der mittleren Kategorie zu stillen Engpässen im breiteren Übergang Chinas zur Elektromobilität geworden.
Eine neu veröffentlichte Studie stellt diesen Status quo nun in Frage. Unter der Leitung der Forscher Shouwen Wang und Zhaobin Zhu stellt die Arbeit einen neuartigen Planungsrahmen vor, der nicht nur optimiert, wo Ladestationen platziert werden, sondern auch warum, wie viele und für wen. Noch wichtiger ist, dass sie ein Konzept einführt, das in Ingenieurmodellen selten betont wird: Kohlenstoffreduktionsäquivalente Vorteile – eine Metrik, die die Umweltauswirkungen direkt in finanzielle Logik übersetzt. Weit davon entfernt, eine theoretische Übung zu sein, wurde das Modell im Xiling-Distrikt der Stadt Yichang, einem repräsentativen mittelgroßen städtischen Gebiet in Zentralchina, getestet und mit IEEE-standardkonformen Stromnetzsimulationen validiert. Die Erkenntnisse sind sowohl pragmatisch als auch provokant: Wenn Ladeinfrastruktur mit Blick auf das regionale Nachfragepotenzial und den Dekarbonisierungswert konzipiert wird, verbessert sich die Wirtschaftlichkeit, die Auswirkungen auf das Netz verringern sich und die Kundenzufriedenheit steigt – nicht nur schrittweise, sondern systemisch.
Warum also sind mittelgroße Städte im E-Auto-Ökosystem so wichtig? Die Antwort liegt in ihrer einzigartigen Positionierung. Im Gegensatz zu Metropolen – die oft mit Flächenknappheit, gesättigten Netzen und komplexer Abstimmung zwischen Interessengruppen konfrontiert sind – oder Kleinstädten, wo die Einführung von E-Autos noch in den Kinderschuhen steckt, befinden sich mittelgroße Städte (typischerweise mit einer Bevölkerung zwischen 500.000 und 3 Millionen) an einem strategischen Wendepunkt. Sie verfügen über die administrative Kapazität, kommunale E-Auto-Richtlinien umzusetzen, die industrielle Basis, um lokale Lieferketten zu unterstützen, und die räumliche Flexibilität, um mit innovativen Infrastrukturlayouts zu experimentieren. Entscheidend ist, dass viele als regionale Drehscheiben fungieren – sie verbinden ländliche Hinterlandgebiete mit größeren städtischen Wirtschaftsräumen – und somit als Tore für die Einführung von E-Autos jenseits der Küstenkorridore agieren.
Dennoch bleibt der Ausbau von Ladestationen in diesen Städten heute reaktiv rather than strategisch. Planer kopieren oft Vorlagen, die für Metropolen entworfen wurden – sie installieren Ladestationen in der Nähe von Verwaltungsgebäuden oder entlang von Hauptverkehrsstraßen – ohne zu bewerten, wo die Nachfrage entstehen wird oder wie sie sich entwickeln wird. Das Ergebnis? Unternutzte Stationen in verkehrsschwachen Zonen, Stau an einigen überlasteten Knotenpunkten und eine zunehmende Diskrepanz zwischen dem Standort der Ladestationen und dem tatsächlichen Fahrverhalten. Fahrer berichten von Frust über „Lade-Wüsten“ in gemischten Wohngebieten oder langen Schlangen an Raststätten – alles Symptome eines von oben nach unten gesteuerten, angebotsorientierten Rollouts, der die Gegebenheiten vor Ort ignoriert.
Was diese neue Studie auszeichnet, ist die Verschmelzung von zwei traditionell abgeschotteten Perspektiven: statischer und dynamischer Ladenachfrage.
Statische Nachfrage bezieht sich auf vorhersehbare, standortgebundene Ladung – denken Sie an nächtliches Laden am Wohnort, Aufladen am Arbeitsplatz während der Bürozeiten oder Ladesessions auf Parkplätzen von Einkaufszentren während des Einkaufens. Sie ist relativ einfach zu modellieren: Überlagern Sie Volkszählungsdaten, Flächennutzungskarten und Gewerbegebiete, und Sie erhalten eine grobe Heatmap davon, wo Menschen wohnen, arbeiten und Zeit verbringen.
Dynamische Nachfrage hingegen erfasst die Zufälligkeit der realen Mobilität – längere Fahrten, Umwege, unerwartete Besorgungen oder last-minute Reichweitenangst. Hier verhalten sich E-Autos weniger wie geparkte Haushaltsgeräte und mehr wie bewegliche Knotenpunkte in einem fließenden Verkehrsnetz. Ein Fahrer könnte sein Auto zu Hause vollständig aufladen, aber vor einer Wochenendfahrt in die Berge trotzdem eine 20-minütige Aufladung suchen; ein Lieferwagen benötigt möglicherweise nach Abschluss der morgendlichen Tour eine Schnellladung unterwegs.
Die meisten bisherigen Planungsmodelle konzentrieren sich stark auf die eine oder die andere Perspektive. Einige verwenden statische Zoneneinteilung – was zu Überbauung in Bürovierteln, aber Lücken in Vergnügungsvierteln führt. Andere simulieren Verkehrsflüsse, ignorieren aber den sozioökonomischen Kontext, was technisch optimale, aber sozial unpraktische Standorte hervorbringt (z.B. eine Schnellladestation auf einer Schnellstraße, an der niemand tatsächlich anhält).
Der Durchbruch von Wang und Zhu liegt in der Integration beider. Sie konstruieren einen „räumlichen Verteilungsindex für das Ladebedarfspotenzial“ – ein zusammengesetztes Maß, das fünf Schlüsseleingaben zusammenführt:
- Tragfähigkeit der Ladebedarfskapazität: Eine lokale Messgröße dafür, wie viele E-Autos ein Bezirk realistisch unterstützen kann, basierend nicht nur auf der Netzkapazität, sondern auch auf politischen Anreizen (z.B. lokale E-Auto-Subventionen), Netto-Bevölkerungszuzug und Hightech-Industrieaktivität.
- Landgesteuerte Indikatoren: Sie berücksichtigen die realen Kosten und die Verfügbarkeit von Land – besonders kritisch in Städten, wo gewerbliche, Wohn- und Industriegebiete sehr unterschiedliche Mietpreise und Zonenbeschränkungen haben.
- Marktpotenzial der Ladestation: Modelliert nach den Prinzipien der wirtschaftlichen Gravitation – wie BIP und geografische Nähe den Ladebedarf-Spillover zwischen Bezirken beeinflussen (z.B. steigern Einkäufer aus Nachbarstädten die Nachfrage in einem zentralen Handelszentrum).
- Wahrscheinlichkeit der regionalen Verteilung der Nutzer: Abgeleitet aus groß angelegten Reiseverkehrserhebungen (insbesondere der U.S. National Household Travel Survey, angepasst für chinesische Verhältnisse), dann verfeinert mithilfe von Markov-Ketten-Modellierung, um die Wahrscheinlichkeit von Fahrten, die von Zuhause (H), Arbeit (W) oder anderen (O) Zonen ausgehen, abzuschätzen – was eine Basis-Wahrscheinlichkeitsmatrix ergibt: 47,81 % von Zuhause, 12,81 % von der Arbeit, 39,38 % von anderen Orten.
- Fahrcharakteristika von E-Autos: Einschließlich der täglichen Fahrleistungsverteilungen, Einsteck-/Auszugszeiten und Entladeraten des Ladezustands (SOC) – ermöglicht die Abschätzung, wann und wie viel Energie die Fahrer benötigen.
Das Ergebnis ist eine granulare, probabilistische Leinwand: kein starrer Bauplan, sondern eine lebendige Karte des Potenzials – eine Prognose, wo sich die Nachfrage voraussichtlich in den nächsten 5–10 Jahren konzentrieren wird, noch bevor die E-Auto-Durchdringung ihren Höhepunkt erreicht.
Aber zu wissen, wo man bauen muss, ist nur die halbe Miete. Die andere Hälfte ist das Warum. Und hier vollzieht die Studie ihre politisch relevanteste Wende: Sie bettet kohlenstoffreduktionsäquivalente Einnahmen direkt in das ökonomische Optimierungsmodell ein.
Traditionell werden bei der Planung von Ladestationen die Kosten (Land, Bau, Wartung, Netzverluste) den Einnahmen (Stromverkauf, Servicegebühren) gegenübergestellt. Umweltvorteile – obwohl in Pressemitteilungen gelobt – werden als immaterielle Externalitäten behandelt. Dieser neue Rahmen monetarisiert sie.
Konkret berechnen die Autoren die CO₂-Reduktion, indem sie die Emissionen gleichwertiger Fahrzeuge mit Verbrennungsmotor (ICE) über die gleiche Strecke vergleichen – unter Verwendung eines Standarddifferentials von ~913,5 kg CO₂ pro vermiedener MWh. Dann berücksichtigen sie den vorherrschenden Kohlenstoffhandelspreis (in der Studie konservativ mit ¥0,012/kg angesetzt – gemessen an den heutigen steigenden Markttrends). Diese „äquivalenten Einnahmen“ werden zum Einkommensstrom der Station addiert, was die Dekarbonisierung effektiv zu einem Posten in der Bilanz macht.
Warum ist das wichtig? Weil es die Kalkulation für Investoren und kommunale Planer verändert. Unter einem reinen Kostendeckungsmodell könnte eine neue Schnellladestation in einem gemischten Viertel nur marginal rentabel erscheinen – hohe Landkosten, unsichere Nutzung. Aber wenn Kohlenstoffzertifikate einbezogen werden, verbessert sich der Kapitalwert erheblich. In der Yichang-Fallstudie trug der Kohlenstoffvorteil allein über ¥800.000 jährlich zu einem Netzwerk aus 7 Stationen bei – genug, um fast 15 % der jährlichen Betriebskosten zu decken.
Kritisch ist, dass das Modell der Falle „mehr ist besser“ entgeht. Mithilfe einer immune algorithm-based optimization (eine bio-inspirierte Methode, die dafür bekannt ist, lokale Optima und vorzeitige Konvergenz zu vermeiden) generierte das Team Dutzende von Kandidaten-Layouts mit einer Anzahl von Stationen zwischen 6 und 10. Anstatt dann dasjenige mit den höchsten Einnahmen oder den niedrigsten Kosten auszuwählen, wandten sie eine entropy-weighted TOPSIS evaluation an – ein Multi-Kriterien-Entscheidungstool, das Alternativen nach der Nähe zu einer „idealen“ Lösung über alle Dimensionen hinweg bewertet: Kosten, Einnahmen, Netzauswirkungen und Kundenzufriedenheit.
Der Gewinner? Sieben Stationen.
Nicht sechs (die „günstigste“ Option), nicht zehn (das Setup mit der „höchsten Abdeckung“), sondern sieben – das ausgeglichene Optimum. Und bemerkenswerterweise entsprach dies dem Ziel, das in Yichangs eigenem kommunalen E-Auto-Infrastrukturplan umrissen wurde, was der Methode Glaubwürdigkeit in der realen Welt verleiht.
Eine genauere Betrachtung der Platzierungslogik offenbart eine weitere Erkenntnis: Optimale Standorte ballten sich nicht im Stadtzentrum, sondern im südwestlichen Quadranten – insbesondere in der Nähe eines Krankenhauses, eines Technologieparks und eines großen Einkaufskomplexes. Warum? Weil diese Zone einzigartig alle drei Aktivitätstypen verwebt: Menschen wohnen in der Nähe (Wohnraumbebauungsdichte), arbeiten dort (Büroparks) und verbringen ihre Freizeit dort (Einzelhandel/Unterhaltung). Solche „Fahrtengeneratoren“ erzeugen häufigeren, vielseitigeren Verkehr – und damit vielfältigere, zuverlässigere Ladebedarfe – im Vergleich zu monofunktionalen Zonen. Ein reines Gewerbegebiet verzeichnet Spitzen um 8 Uhr morgens und 17 Uhr nachmittags; ein Wohngebiet erreicht seinen Höhepunkt über Nacht. Aber eine gemischte Zone summt den ganzen Tag über stetig vor sich hin.
Zudem reduzieren kürzere durchschnittliche Fahrstrecken in solchen Gebieten die Reichweitenangst, was AC-Ladegeräte der Stufe 2 neben DC-Schnellladern rentabler macht – was sowohl die Kapitalkosten als auch die Netzbelastung senkt.
Um die Netzkompatibilität zu testen, projizierten die Forscher die sieben vorgeschlagenen Standorte auf das IEEE-33-Knoten-Verteilnetz – einen weit verbreiteten Benchmark für Leistungsflussanalysen. Unter Verwendung von Backward-Forward-Sweep-Methoden simulierten sie Spannungsprofile, Leitungsverluste und Belastung unter Spitzenladebedarf. Die Ergebnisse waren beruhigend: Spannungsabweichungen blieben deutlich innerhalb der ±5%-Grenzen, und kein Zweig überschritt seine thermischen Belastungsgrenzen. Tatsächlich verursachte der entropy-TOPSIS-ausgewählte Plan geringere Spannungsschwankungen als Alternativen – ein Beweis dafür, dass sich Umwelt- und Ingenieurziele nicht widersprechen müssen.
Vielleicht ergibt sich die überzeugendste Erkenntnis aus einer kontrafaktischen Simulation: Was wäre, wenn wir das Nachfragepotenzial und die Kohlenstoffvorteile ignorieren würden?
Die Studie führte einen direkten Vergleich durch – dieselbe Stadt, derselbe Algorithmus, aber mit einem konventionellen Kosten-Einnahmen-Modell. Das Ergebnis war deutlich. Ohne Gewichtung des Nachfragepotenzials tendierten die Stationen dazu, sich entlang Hauptstraßen zu ballen, und vernachlässigten Viertel im Inneren mit hohem Potenzial. Ohne kohlenstoffäquivalente Einnahmen begünstigte das Modell weniger, größere Stationen – was den Durchsatz pro Kosteneinheit maximierte, aber die Fahrstrecken der Nutzer und die Netzüberlastung an einzelnen Punkten erhöhte.
Auf einer Nutzen-Kosten-Kurve aufgetragen, übertraf das „erweiterte“ Modell (mit Nachfrage + Kohlenstoff) durchgängig die Basislinie – besonders bei niedrigeren Stationsanzahlen. Weniger, intelligentere Stationen, geleitet vom Potenzial und bewertet nach ihren Emissionsersparnissen, erzielten einen höheren gesamten gesellschaftlichen Nutzen als zahlreichere, aber schlecht platzierte.
Dies hat tiefgreifende Implikationen für die nationale Politik. Chinas „Dual Carbon“-Ziele – Emissionspeak bis 2030, Kohlenstoffneutralität bis 2060 – können nicht allein durch die Dekarbonisierung des Energiesektors erreicht werden. Der Verkehrssektor ist für fast 10 % der nationalen CO₂-Emissionen verantwortlich und steigt weiter an. E-Autos sind der Dreh- und Angelpunkt – aber nur, wenn ihre unterstützende Infrastruktur für Dekarbonisierung konzipiert ist, nicht nur für Elektrifizierung.
Mittelgroße Städte, die in nationalen E-Auto-Narrativen oft übersehen werden, könnten unverhältnismäßig großen Einfluss haben. Sie sind groß genug, um regionale Emissionen spürbar zu beeinflussen, und yet agil genug, um neue Modelle zu erproben. Ein erfolgreicher Rollout in Yichang könnte in Dutzenden ähnlicher Städte in Zentral- und Westchina repliziert werden – Zhuzhou, Nanchong, Jiaozuo – und so einen „Mittelgürtel“ der E-Auto-Bereitschaft schaffen, der die Kluft zwischen Küste und Binnenland überbrückt.
Selbstverständlich bleiben Herausforderungen. Datentransparenz ist eine: Das Modell stützt sich auf kommunale Statistiken (Bevölkerungsflüsse, Landpreise, E-Auto-Zulassungen), die nicht immer standardisiert oder öffentlich verfügbar sind. Verhaltensannahmen – wie aus US-Erhebungen abgeleitete Fahrtroutinen – benötigen lokale Validierung. Und obwohl die Kohlenstoffbepreisung wächst, sind ihre Stabilität und Skalierbarkeit noch ungewiss.
Dennoch bietet der Rahmen einen robusten Ausgangspunkt – kein starres Rezept, sondern einen Prozess: die lokale Nachfrageanatomie verstehen, den Umweltwert quantifizieren, Zielkonflikte simulieren und das ausgeglichene Optimum auswählen, nicht das extreme.
Für Automobilhersteller bedeutet dies, Markteintrittsstrategien zu überdenken. Anstatt sich nur auf Metropolen zu konzentrieren oder generische „landesweite Ladestationenzugang“-Versprechen abzugeben, könnten Marken mit Gemeinden mittlerer Größe an co-brandeter Infrastruktur zusammenarbeiten – und sich so als Befähiger lokaler Nachhaltigkeit positionieren. Stellen Sie sich ein BYD- oder NIO-Ladezentrum vor, das mit dem grünen Mobilitätszentrum einer Stadt zusammengelegt ist, mit Solarüberdachungen, Batteriepuffern und Echtzeit-Emissions-Dashboards, die anzeigen: „CO₂ heute eingespart: 217 kg“. Das ist nicht nur Infrastruktur – das ist Marketing, Politik und Umweltverantwortung in einem.
Für Netzbetreiber ist die Botschaft klar: Proaktives Engagement bei Stadtplanern ist nicht länger optional. Da sich E-Auto-Lasten von vorhersehbarer nächtlicher Hausladung zu verteilterer, tagsüber öffentlicher Ladung verschieben, müssen Verteilnetze sich anpassen. Dynamische Hosting-Kapazitätsbewertungen, gezielte Leitungsaufrüstungen und die Integration von Demand-Response mit Ladenetzen werden essentiell – nicht als Kostenstellen, sondern als wertsteigernde Investitionen.
Und für Fahrer? Das Versprechen ist simpler: weniger leere Stationen, kürzere Umwege, fairere Preise und die stille Genugtuung zu wissen, dass jede geladene Kilowattstunde nicht nur ein Auto antreibt – sondern aktiv Kohlenstoff aus der Atmosphäre entfernt.
Die Elektrifizierung des Verkehrs ist keine Frage des Ob mehr, sondern des Wie gut. In dieser Hinsicht bietet diese Studie nicht nur einen neuen Algorithmus – sie bietet eine neue Philosophie: Infrastruktur als Ausdruck von Ort, Zweck und planetarischer Verantwortung. Mittelgroße Städte, lange als „Sandwichkinder“ der Stadtpolitik betrachtet, könnten just diejenigen sein, die den Weg weisen.
—
Shouwen Wang¹,², Zhaobin Zhu³,⁴ ¹ School of Law & Public Administration, China Three Gorges University, Yichang 443002, China ² School of Economics, Huazhong University of Science and Technology, Wuhan 430074, China ³ College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, China ⁴ Provincial Graduate Workstation, Hubei Energy Co., Yichang 443002, China Journal of China Three Gorges University (Natural Sciences), 2023, 45(4): 86–94 DOI: 10.13393/j.cnki.issn.1672-948X.2023.04.014