La mobilitat urbana sostenible avança a passos ferms, i un dels vehicles que més està contribuint a aquesta transformació és el trolebús de doble font. Aquests sistemes, capaços d'alternar entre l'alimentació per catenària aèria i l'ús de bateries a bord, ofereixen una flexibilitat operativa sense precedents. No obstant això, gestionar el seu consum energètic de forma eficient continua sent un desafiament tècnic i logístic de primer ordre. La predicció precisa de la despesa energètica entre parades i la identificació de les causes que ho determinen són peces clau per optimitzar rutes, dimensionar bateries, planificar infraestructura de recàrrega i, en última instància, reduir costos i emissions. En aquest article explorem com la combinació d'intel·ligència artificial, anàlisi causal i models temporals està revolucionant la gestió energètica d'aquests vehicles, i com empreses com Q2BSTUDIO estan ajudant a implementar aquestes solucions mitjançant ia per a empreses que integren dades d'alta freqüència, condicions meteorològiques i patrons de conducció.
Per entendre la complexitat del problema, primer cal situar-se en el context operatiu d' un trolebús de doble font. A diferència dels trolebusos convencionals, que depenen exclusivament de la catenària, aquests vehicles poden desconnectar-se temporalment i circular amb bateria en trams on el cablejat aeri no està disponible o resulta antieconòmic. Això genera un perfil de consum molt variable, influït per la topografia de la ruta, la densitat de trànsit, les parades programades, el perfil del conductor i fins i tot factors meteorològics com la temperatura o la humitat, que afecten el rendiment de les bateries i el coeficient de rodadura. Els models predictius tradicionals —basats en regressions lineals, arbres de decisió o xarxes neuronals simples— sovint fracassen en tractar amb aquesta heterogeneïtat d'entrades. Necessitem enfocaments que capturin tant les dependències temporals (com canvia el consum al llarg del dia) com les relacions causals entre variables.
Aquí és on entra en joc una arquitectura d'aprenentatge profund conscient del temps. Investigacions recents proposen incorporar codificació periòdica del temps (per exemple, cicle dia-nit, hora punta-vall) dins d'un marc tabular profund que combini característiques estàtiques de la ruta amb seqüències d'alta freqüència de velocitat, acceleració i estat de càrrega de la bateria. Aquest tipus de model, basat en xarxes neuronals amb eixams de lots i optimització bayesiana, assoleix precisions notables —per sota del 7% d'error absolut mitjà percentual— superant mètodes estadístics com ARIMA, a ensembles d'arbres com XGBoost i a xarxes LSTM convencionals. Però el més interessant no és només predir, sinó entendre per què es consumeix més o menys energia en cada tram.
Per a això, es recorre a un pipeline d'explicació causal de tres capes. Primer s'apliquen tècniques d'atribució de característiques (com SHAP o valors de Shapley) per identificar quines variables tenen més impacte marginal en el consum. Segon, s'utilitza un model acíclic lineal no gaussià (LiNGAM) per descobrir direccions causals, és a dir, determinar si l'augment de velocitat provoca més consum o si, per contra, és el consum alt el que obliga a reduir velocitat. Tercer, un meta-aprenentatge estima l'efecte net del tractament mitjà, per exemple, quanta energia s'estalvia en augmentar la taxa de frenat regeneratiu en un 10% o quant es gasta en allargar la distància en mode de costa (conducció per inèrcia). Els resultats d'aquestes anàlisis són reveladors: el factor d'estalvi més potent és la taxa de frenat regeneratiu —que pot recuperar fins a un 30% de l'energia cinètica— seguit de la velocitat mitjana mantinguda. Per contra, el principal impulsor de l'excés de consum és la distància recorreguda en mode de costa ineficient, on el vehicle no regenera ni consumeix activament.
Aquestes conclusions tenen implicacions pràctiques immediates per a flotes de transport públic. Per exemple, es poden establir llindars de velocitat òptims per a cada segment de ruta, ajustar algoritmes de control del fre regeneratiu, redissenyar la programació de parades per maximitzar la recuperació energètica, o fins i tot redissenyar la xarxa de catenàries per cobrir els trams de més demanda. Tot això requereix, però, d'una plataforma tecnològica robusta que integri dades en temps real, modeli escenaris i generi recomanacions accionables. Aquí és on el desenvolupament d'aplicacions a mida cobra un paper central. Des de la captura de dades telemètriques dels vehicles fins a la visualització en dashboards de Power BI, passant per models d'intel·ligència artificial entrenats al núvol (usant serveis cloud AWS o Azure), tot l'ecosistema ha d'estar orquestrat per oferir una solució integral.
Q2BSTUDIO, com a empresa de desenvolupament de programari i tecnologia, comprèn aquesta necessitat. El nostre equip especialitzat en programari a mida per al sector mobilitat dissenya sistemes que no només processen milions de registres de sensors per minut, sinó que a més incorporen agents IA capaços de recomanar ajustos en temps real al conductor o al centre de control. Aquests agents, entrenats amb tècniques causals, poden anticipar, per exemple, quan és més eficient desconnectar la catenària i passar a bateria en funció de les condicions meteorològiques previstes. Per garantir la seguretat d'aquests sistemes, apliquem estrictes mesures de ciberseguretat —protegint la comunicació entre el vehicle i el núvol— i oferim serveis cloud AWS i Azure per allotjar la infraestructura amb alta disponibilitat. A més, integrem serveis intel·ligència de negoci mitjançant Power BI, proporcionant als gestors de flotes quadres de comandament amb indicadors clau com el cost energètic per quilòmetre, l'estalvi per frenat regeneratiu o la vida útil estimada de les bateries.
La predicció i l'anàlisi causal de l'energia en trolebusos de doble font no és només un exercici acadèmic; és una eina estratègica per reduir la petjada de carboni del transport públic i fer-ho econòmicament viable. Amb els avenços en intel·ligència artificial i en tècniques d'aprenentatge automàtic explicable, avui és possible tancar el cercle entre les dades, els models i les decisions operatives. En Q2BSTUDIO creiem que la tecnologia ha d'estar al servei de la sostenibilitat i l'eficiència, i per això acompanyem empreses de transport i administracions públiques en la digitalització de les seves flotes. Des del disseny de l' arquitectura de dades fins a la implementació de models predictius en producció, oferim un enfocament integral que converteix la complexitat en avantatge competitiu.
En conclusió, el futur de la mobilitat elèctrica passa per sistemes de gestió energètica intel·ligents, capaços d'entendre no només què passa, sinó per què passa. La combinació de models temporals, explicabilitat causal i plataformes cloud obre la porta a una nova generació de solucions d'optimització en temps real. Per a les empreses que operen flotes de trolebusos o qualsevol altre vehicle electrificat, invertir en aquest tipus de tecnologia no és una despesa, sinó una inversió amb retorns mesurables en estalvi energètic, reducció d'emissions i millora del servei. I amb aliats com Q2BSTUDIO, el camí cap a l'excel·lència operativa està més enlairat que mai.
