IA aplicada en infraestructuras críticas: el papel de AXPE en el sistema energético del Metro de Madrid

Cuando la eficiencia ya no depende solo de infraestructuras, sino de datos

Hablar de eficiencia energética en infraestructuras críticas como Metro de Madrid no es una cuestión de optimización marginal. Es operar sobre un sistema cuyo consumo eléctrico equivale al de 170.000 hogares y cuyo comportamiento energético está condicionado por múltiples variables operativas, ambientales y de demanda.

De la gestión reactiva a la predicción operativa

En ese contexto, el proyecto MAPE (Módulo Analítico de Predicción Energética) introduce un cambio de enfoque: pasar de una gestión reactiva a una gestión predictiva del consumo energético.

AXPE Consulting, en UTE con nuestros compañeros de QUANT AI Lab, ha desarrollado los módulos analíticos y predictivos que permiten anticipar el comportamiento energético del sistema y optimizar la eficiencia en tiempo real. El foco no ha estado en la experimentación, sino en la construcción de modelos robustos capaces de integrarse en una infraestructura crítica y operar con datos reales.

Modelos que no solo predicen, sino que operan

El reto técnico no es menor. El sistema debe interpretar grandes volúmenes de datos procedentes de distintas fuentes —operación ferroviaria, condiciones térmicas, demanda energética— y transformarlos en predicciones accionables. Esto implica diseñar modelos que no solo sean precisos, sino también estables, escalables y operativos dentro del sistema.

Aquí es donde la inteligencia artificial aplicada deja de ser un concepto abstracto. Los modelos desarrollados permiten anticipar patrones de consumo, detectar ineficiencias y ajustar el sistema antes de que se produzcan desviaciones relevantes. No se trata solo de saber qué ha pasado, sino de intervenir sobre lo que va a pasar.

Además, el proyecto incorpora una dimensión especialmente relevante: el comportamiento térmico del Metro de Madrid. Túneles y estaciones actúan como un gran generador térmico, con más de 350 GWh transferidos anualmente. Integrar esta variable en los modelos permite no solo mejorar la eficiencia energética, sino abrir la puerta a estrategias de aprovechamiento del calor residual y su impacto en el entorno urbano.

De la analítica a la decisión real

La aportación conjunta de AXPE Consulting y QUANT AI Lab se sitúa en un punto crítico: convertir la analítica avanzada en capacidad operativa real. No basta con construir modelos; es necesario que esos modelos funcionen dentro del sistema, dialoguen con la operación y generen decisiones basadas en datos.

MAPE es un ejemplo de cómo la inteligencia artificial en energía empieza a consolidarse en entornos donde el margen de error es mínimo y el impacto, inmediato. Aquí, la innovación no se mide en prototipos, sino en optimización energética, eficiencia operativa y capacidad de anticipación.

IA integrada en infraestructuras críticas

Este tipo de desarrollos marcan una línea clara: la gestión inteligente de infraestructuras evoluciona hacia sistemas capaces de entender su propio comportamiento y optimizarlo de forma continua. Y en ese proceso, la combinación de analítica avanzada, inteligencia artificial y conocimiento sectorial es lo que realmente marca la diferencia.

En AXPE seguimos llevando la analítica avanzada y la inteligencia artificial a entornos donde realmente generan impacto.