Stazioni di Servizio Ibride: Piano per l’Evouluzione Energetica
Nel rumore assordante delle postazioni di ricarica rapida e nel sibilo familiare del distributore di carburante, sta prendendo forma una nuova generazione di stazioni di servizio—che non schierano nella grande transizione della mobilità, bensì la integrano. Con l’adozione di veicoli elettrici (EV) in rapida crescita nelle città globali, le infrastrutture tradizionali un tempo dedicate esclusivamente alla benzina vengono reinventate con precisione chirurgica—non demolite, non abbandonate, ma riconvertite. A Pechino, Shanghai e presto in decine di aree metropolitane in tutto il mondo, le stazioni di servizio tradizionali si evolvono in impianti integrati di rifornimento e ricarica rapida (IFFS): hub duali che offrono sia ricarica ad alta velocità per EV che rifornimento tradizionale, supportati da sistemi di accumulo energetico in loco per gestire lo stress della rete e massimizzare l’operatività.
Questa non è una riconversione approssimativa. È un’evoluzione infrastrutturale strategica—deliberata, basata sui dati e calibrata economicamente per il lungo termine. Uno studio rivoluzionario pubblicato quest’anno nei Proceedings of the CSEE delinea un rigoroso framework di pianificazione multi-fase che tratta la transizione dalla benzina all’elettricità non come un cambiamento binario, ma come una migrazione articolata della durata di decenni. Al suo centro: la consapevolezza che gli automobilisti non sono automi che eseguono rotte ottimizzate centralmente—sono agenti razionali che compiono trade-off in tempo reale tra tempo, costo e convenienza. Ignorare questa realtà comportamentale, sostengono gli autori, produce modelli eleganti che falliscono nella pratica.
Nel 2017, quando Francia e Regno Unito annunciarono per la prima volta il divieto di vendita di veicoli con motore a combustione interna (ICE) entro il 2040, molti presumevano che il futuro avrebbe semplicemente cancellato il distributore di benzina. Quasi un decennio dopo, la realtà si è rivelata più complessa. Il ricambio del parco auto è più lento delle tempistiche politiche; l’adozione nelle zone rurali è in ritardo rispetto all’elettrificazione urbana; e i veicoli ibridi—che richiedono ancora rifornimento—rimangono una tecnologia di transizione dominante. Nel frattempo, major petrolifere come Sinopec si sono impegnate pubblicamente a costruire 5.000 stazioni di ricarica e swap batterie per EV entro il 2025—non attraverso nuovi sviluppi, ma trasformando la propria rete retail esistente. Questa svolta riflette una verità più profonda: il terreno nei centri urbani densi è scarso, costoso e spesso zonizzato con permessi decennali. Demolire una stazione funzionante per ricostruire un impianto solo di ricarica non ha senso economico o ambientale. Molto più intelligente adattarsi in loco.
Ma l’adattamento richiede più del semplice installare colonnine in un piazzale. La sfida è operativa, finanziaria e profondamente spaziale: Quali stazioni aggiornare per prime? Quante colonnine di ricarica dovrebbero coesistere con quanti distributori—e per quanto tempo? Qual è il momento giusto per dismettere un distributore e riconvertire quello spazio per l’elettronica di potenza o le batterie? E, criticalmente: come dimensionare tutto in modo che nessun automobilista aspetti più di 30 minuti in coda, ore di punta o meno, senza spendere troppo in capacità inutilizzata?
Entra in gioco il lavoro di Xiaoyu Duan, Zechun Hu, Yonghua Song e Jianzhou Feng—un team a cavallo tra l’Università di Tsinghua e il Laboratorio Statale per l’IoT delle Città Intelligenti dell’Università di Macao. Il loro modello evita due trappole comuni nella pianificazione infrastrutturale: primo, l’ipotesi che la domanda si distribuisca secondo un routing socialmente ottimale (ad esempio, minimizzando il tempo di viaggio totale in città); secondo, la dipendenza da simulazioni di rete trafficate granulari che diventano fragili su orizzonti decennali. Propongono invece un modello urbano rasterizzato—ovvero a griglia—in cui la domanda origina da celle discrete (ad esempio, zone di 2 km × 2 km), e le stazioni competono per attrarre utenti razionali dalle celle vicine in base a un “costo” composito: tempo di guida (stimato tramite distanza di Manhattan e velocità media), attesa prevista in coda, durata del servizio e prezzo dell’energia.
Questo approccio di equilibrio dell’utente non è nuovo nella teoria dei trasporti—ma la sua applicazione alle infrastrutture energetiche ibride sì. Qui, ogni automobilista calcola la propria sosta ottimale. Se la Stazione A aggiunge due colonnine da 200 kW in più, il suo tempo di coda si riduce, il suo “costo” cala e la domanda delle celle vicine si sposta naturalmente verso di essa—senza che alcun dispatcher centrale emetta comandi. Questo comportamento auto-organizzativo è integrato direttamente nel ciclo di pianificazione: il modello risolve iterativamente l’allocazione della domanda date le capacità attuali delle stazioni, poi ri-ottimizza le capacità data la nuova mappa della domanda, convergendo verso un equilibrio stabile tramite il Teorema del Punto Fisso di Brouwer—una garanzia matematica che esiste almeno una configurazione stabile.
In pratica, ciò significa che i pianificatori non devono più indovinare come si comporteranno gli utenti. Lo simulano. E i risultati sono rivelatori. In una simulazione del centro di Pechino—300 celle servite da 15 grandi stazioni tradizionali—il modello predice un cambiamento non lineare e accelerato: allo Stadio 4 (20 anni, con il 50% di penetrazione EV), la domanda totale di carburante scende a una frazione del livello iniziale, ma la distribuzione della domanda residua si concentra fortemente—non perché la gente guidi di più, ma perché gli utenti razionali affluiscono verso i pochi distributori ad alta capacità che offrono ancora tempi di attesa accettabili. Al contrario, la domanda di ricarica si distribuisce in modo più uniforme, ma si creano hotspot intorno a nodi commerciali e di transito ad alta densità, dove anche picchi di coda minimi innescano una visibile dispersione della domanda verso stazioni vicine.
Crucialmente, il modello rivela che la tempistica conta più del volume. L’investimento più grande in colonnine non appare nella fase finale—quando gli EV dominano—ma nello Stadio 1, quando la prima ondata di operatori di flotte commerciali (ad esempio, ride-hailing, EV per le consegne) inizia ad adottare la ricarica veloce su larga scala. I primi arrivati hanno bisogno di infrastrutture ora, non tra un decennio. Ritardare la costruzione dello Stadio 1 non fa risparmiare denaro; cede quote di mercato ai concorrenti e deprime l’utilizzo nelle fasi successive.
Altrettanto significativo è il ruolo dello stoccaggio energetico in loco. Lo studio tratta i sistemi a batteria non come optional, ma come dispositivi essenziali per livellare la domanda sulla rete. Con colonnine DC fast da 200 kW che assorbono megawatt nelle ore di punta, una singola stazione può stressare i trasformatori locali—specialmente se più veicoli si collegano simultaneamente. Installando accumuli (ad esempio, sistemi al litio da 500 kWh, costo ~$19.500 per kWh in valore attuale), gli operatori possono “tagliare” i picchi di domanda, acquistando energia lentamente fuori punta e scaricandola rapidamente durante i picchi di ricarica. Ciò evita costosi aggiornamenti di rete, riduce le bollette elettriche con tariffe orarie e—criticamente—migliora l’affidabilità del servizio durante le interruzioni. Il modello mostra che nelle località ad alto utilizzo, l’accumulo non è un lusso; è un prerequisito per la sostenibilità economica.
Ma forse l’intuizione più pragmatica risiede in come il modello gestisce la dismissione. La maggior parte degli studi accademici tratta l’espansione e la contrazione delle infrastrutture come processi indipendenti. Questo no. Li accoppia esplicitamente attraverso vincoli di risorse condivise: superficie, capacità della sottostazione elettrica, budget di capitale. E qui, il comportamento umano rientra nell’equazione—non solo degli automobilisti, ma dei gestori. Se smantellare un distributore di carburante comporta costi netti (rimozione attrezzature, gestione materiali pericolosi, mancati ricavi a breve termine), gli operatori ritarderanno il pensionamento finché non sono costretti—tipicamente quando lo spazio o l’energia servono per le colonnine. Tuttavia, se la dismissione fa risparmiare denaro (ad esempio, evitando la manutenzione annuale su pompe inattive), le aziende razionali elimineranno capacità in anticipo, anche prima che la domanda si esaurisca completamente. Il modello accomoda entrambi gli scenari disaccoppiando l’ottimizzazione: quando la rimozione del carburante è costosa, dà priorità al dispiegamento delle colonnine e rimuove le pompe solo quando compaiono colli di bottiglia delle risorse; quando è redditizia, anticipa il pensionamento delle pompe per liberare risorse.
Le implicazioni sono strategiche. Un’agenzia di pianificazione urbana che utilizza un’allocazione della domanda socialmente ottimale—dove si presume che gli utenti si distribuiscano per minimizzare il costo totale del sistema—potrebbe costruire meno hub di ricarica più grandi, affidandosi ad app di routing centralizzate per guidare il traffico. Ma in realtà, gli automobilisti scelgono l’opzione percepita come più veloce, non quella globalmente ottimale. Le simulazioni dello studio mostrano che i piani basati sul primo sovrastimano l’utilizzo nelle stazioni di medio livello e sottostimano la congestione nelle località prime—portando a costi operativi reali del 6–9% più alti del previsto. Al contrario, i design basati sull’equilibrio dell’utente, sebbene leggermente più costosi nelle stime di pianificazione, offrono costi reali inferiori perché corrispondono a come le persone si comportano realmente.
Sta emergendo una validazione nel mondo reale. A Shenzhen, la capitale cinese dell’EV, PetroChina ha convertito oltre 120 stazioni in formato ibrido IFFS dal 2021, mantenendo tipicamente 4–6 corsie di carburante mentre aggiungeva 8–12 colonnine di ricarica veloce e 1–2 MWh di accumulo. La telemetria iniziale mostra curve di utilizzo quasi identiche al modello di Tsinghua: uptake iniziale delle colonnine dello Stadio 1 dominato da flotte di taxi e logistiche; Stadio 2 caratterizzato da crescente adozione di EV privati nelle ore fuori punta; e Stadio 3 (ora in corso) con crollo della domanda di carburante al di fuori dei corridoi del trasporto pesante. I tempi di attesa rimangono sotto i 25 minuti per il 92% delle ore operative—entro la soglia di 30 minuti ritenuta accettabile per il rifornimento urbano dal consensus industriale.
Tuttavia, le sfide rimangono. L’attuale modello tratta le code per carburante ed elettricità come indipendenti, sebbene in pratica un’isola di rifornimento intasata possa riversarsi nelle baie di ricarica, specialmente in siti vincolati. Le iterazioni future potrebbero integrare dinamiche di coda cross-modale. Allo stesso modo, l’ipotesi di variabili di capacità continue—ad esempio, “6,73 colonnine”—richiede euristiche di arrotondamento per il dispiegamento reale; il team di ricerca sta esplorando estensioni a numeri interi misti. E mentre l’approccio raster sacrifica la topografia a livello stradale, guadagna robustezza su orizzonti di pianificazione di 20 anni in cui le reti stradali, la zonizzazione e persino i confini cittadini possono cambiare in modo imprevedibile.
Forse il cambiamento più profondo che il modello IFFS consente è culturale: sposta la narrativa dalla sostituzione alla coesistenza. Per decenni, le transizioni energetiche sono state inquadrate come contesti a somma zero—carbone vs. gas, petrolio vs. elettroni. Ma le infrastrutture non si rinnovano dall’oggi al domani. La stazione di servizio media negli Stati Uniti ha oltre 30 anni; molte in Europa e Asia sono più vecchie. Le loro attività fisiche—serbatoi interrati (una volta bonificati), strutture a baldacchino, connessioni utility e, soprattutto, immobili—rappresentano capitale irrecuperabile che può essere riconvertito produttivamente. Un IFFS non è un compromesso; è un riconoscimento che la rivoluzione EV si svolgerà in modo non uniforme, attraverso geografie, segmenti di veicoli e demografie di utenti.
Dal punto di vista politico, lo studio offre un modello per una regolamentazione adattiva. Invece di imporre rapporti fissi colonnine-distributori, le città potrebbero richiedere alle stazioni di presentare piani di transizione dinamici—aggiornati ogni cinque anni—basati sulla penetrazione locale di EV, le performance delle code e l’efficienza dell’uso del suolo. I regolatori potrebbero quindi concedere permessi accelerati per aggiornamenti che migliorano dimostrabilmente la copertura della domanda o riducono lo stress della rete. Le utility, nel frattempo, potrebbero offrire crediti sulla domanda di potenza per le stazioni che dispiegano accumuli e partecipano a programmi di supporto alla rete.
Anche il business case è convincente. Secondo l’analisi NPV del team, un rollout IFFS multi-fase ben eseguito può ottenere rendimenti positivi anche con ipotesi conservative—specialmente considerando i costi evitati: nessuna acquisizione di terreni, permessi ritardati ridotti e valorizzazione del brand. I retailer petroliferi non sono costretti all’obsolescenza; viene loro consegnato un playbook per la rilevanza. Come ha recentemente affermato un dirigente Sinopec: “Non vendiamo benzina. Vendiamo convenienza energetica. La bocchetta ha solo cambiato forma.”
Guardando avanti, il concetto IFFS potrebbe espandersi oltre le auto. I corridoi per il trasporto pesante stanno già testando la ricarica su scala megawatt insieme al rifornimento di idrogeno. Gli hub di micro-mobilità urbana potrebbero stratificare stazioni di swap per e-bike e e-scooter. E man mano che la tecnologia vehicle-to-grid (V2G) matura, l’IFFS di domani potrebbe non solo prelevare energia dalla rete—ma stabilizzarla, utilizzando gli EV parcheggiati come asset di accumulo distribuiti. La stazione diventa meno un punto di consumo e più un nodo in una rete energetica bidirezionale e reattiva.
Niente di tutto questo accade automaticamente. Richiede una pianificazione che rispetti sia i vincoli ingegneristici che l’agenza umana—che anticipi non solo quali veicoli domineranno le strade nel 2040, ma come gli automobilisti decideranno dove fermarsi lungo il percorso. Il lavoro di Duan, Hu, Song e Feng non predice il futuro. Fornisce agli operatori gli strumenti per navigarlo—fase dopo fase, colonnina dopo colonnina, minuto di coda dopo minuto di coda—senza mai perdere di vista la persona al volante.
In un’era di radicale disruption, le infrastrutture più resilienti non sono quelle che saltano coraggiosamente nell’ignoto, ma quelle che si evolvono—in modo intelligente, incrementale e senza lasciare nessuno in panne sul ciglio della strada.
—
*Xiaoyu Duan¹, Zechun Hu¹, Yonghua Song², Jianzhou Feng¹**
¹Dipartimento di Ingegneria