Predicción de energía y causas en trolebuses de doble fuente

La movilidad urbana sostenible avanza a pasos firmes, y uno de los vehículos que más está contribuyendo a esta transformación es el trolebús de doble fuente. Estos sistemas, capaces de alternar entre la alimentación por catenaria aérea y el uso de baterías a bordo, ofrecen una flexibilidad operativa sin precedentes. Sin embargo, gestionar su consumo energético de forma eficiente sigue siendo un desafío técnico y logístico de primer orden. La predicción precisa del gasto energético entre paradas y la identificación de las causas que lo determinan son piezas clave para optimizar rutas, dimensionar baterías, planificar infraestructura de recarga y, en última instancia, reducir costes y emisiones. En este artículo exploramos cómo la combinación de inteligencia artificial, análisis causal y modelos temporales está revolucionando la gestión energética de estos vehículos, y cómo empresas como Q2BSTUDIO están ayudando a implementar estas soluciones mediante ia para empresas que integran datos de alta frecuencia, condiciones meteorológicas y patrones de conducción.

Para entender la complejidad del problema, primero hay que situarse en el contexto operativo de un trolebús de doble fuente. A diferencia de los trolebuses convencionales, que dependen exclusivamente de la catenaria, estos vehículos pueden desconectarse temporalmente y circular con batería en tramos donde el cableado aéreo no está disponible o resulta antieconómico. Esto genera un perfil de consumo muy variable, influido por la topografía de la ruta, la densidad de tráfico, las paradas programadas, el perfil del conductor e incluso factores meteorológicos como la temperatura o la humedad, que afectan al rendimiento de las baterías y al coeficiente de rodadura. Los modelos predictivos tradicionales —basados en regresiones lineales, árboles de decisión o redes neuronales simples— a menudo fracasan al tratar con esta heterogeneidad de entradas. Necesitamos enfoques que capturen tanto las dependencias temporales (cómo cambia el consumo a lo largo del día) como las relaciones causales entre variables.

Aquí es donde entra en juego una arquitectura de aprendizaje profundo consciente del tiempo. Investigaciones recientes proponen incorporar codificación periódica del tiempo (por ejemplo, ciclo día-noche, hora punta-valle) dentro de un marco tabular profundo que combine características estáticas de la ruta con secuencias de alta frecuencia de velocidad, aceleración y estado de carga de la batería. Este tipo de modelo, basado en redes neuronales con ensambles de lotes y optimización bayesiana, logra precisiones notables —por debajo del 7% de error absoluto medio porcentual— superando a métodos estadísticos como ARIMA, a ensembles de árboles como XGBoost y a redes LSTM convencionales. Pero lo más interesante no es solo predecir, sino entender por qué se consume más o menos energía en cada tramo.

Para ello, se recurre a un pipeline de explicación causal de tres capas. Primero se aplican técnicas de atribución de características (como SHAP o valores de Shapley) para identificar qué variables tienen mayor impacto marginal en el consumo. Segundo, se utiliza un modelo acíclico lineal no gaussiano (LiNGAM) para descubrir direcciones causales, es decir, determinar si el aumento de velocidad provoca mayor consumo o si, por el contrario, es el consumo alto el que obliga a reducir velocidad. Tercero, un meta-aprendizaje estima el efecto neto del tratamiento promedio, por ejemplo, cuánta energía se ahorra al aumentar la tasa de frenado regenerativo en un 10% o cuánto se gasta al alargar la distancia en modo de costa (conducción por inercia). Los resultados de estos análisis son reveladores: el factor de ahorro más potente es la tasa de frenado regenerativo —que puede recuperar hasta un 30% de la energía cinética— seguido de la velocidad media mantenida. Por el contrario, el principal impulsor del exceso de consumo es la distancia recorrida en modo de costa ineficiente, donde el vehículo no regenera ni consume activamente.

Estas conclusiones tienen implicaciones prácticas inmediatas para flotas de transporte público. Por ejemplo, se pueden establecer umbrales de velocidad óptimos para cada segmento de ruta, ajustar algoritmos de control del freno regenerativo, rediseñar la programación de paradas para maximizar la recuperación energética, o incluso rediseñar la red de catenarias para cubrir los tramos de mayor demanda. Todo esto requiere, sin embargo, de una plataforma tecnológica robusta que integre datos en tiempo real, modele escenarios y genere recomendaciones accionables. Aquí es donde el desarrollo de aplicaciones a medida cobra un papel central. Desde la captura de datos telemétricos de los vehículos hasta la visualización en dashboards de Power BI, pasando por modelos de inteligencia artificial entrenados en la nube (usando servicios cloud AWS o Azure), todo el ecosistema debe estar orquestado para ofrecer una solución integral.

Q2BSTUDIO, como empresa de desarrollo de software y tecnología, comprende esta necesidad. Nuestro equipo especializado en software a medida para el sector movilidad diseña sistemas que no solo procesan millones de registros de sensores por minuto, sino que además incorporan agentes IA capaces de recomendar ajustes en tiempo real al conductor o al centro de control. Estos agentes, entrenados con técnicas causales, pueden anticipar, por ejemplo, cuándo es más eficiente desconectar la catenaria y pasar a batería en función de las condiciones meteorológicas previstas. Para garantizar la seguridad de estos sistemas, aplicamos estrictas medidas de ciberseguridad —protegiendo la comunicación entre el vehículo y la nube— y ofrecemos servicios cloud AWS y Azure para alojar la infraestructura con alta disponibilidad. Además, integramos servicios inteligencia de negocio mediante Power BI, proporcionando a los gestores de flotas cuadros de mando con indicadores clave como el coste energético por kilómetro, el ahorro por frenado regenerativo o la vida útil estimada de las baterías.

La predicción y el análisis causal de la energía en trolebuses de doble fuente no es solo un ejercicio académico; es una herramienta estratégica para reducir la huella de carbono del transporte público y hacerlo económicamente viable. Con los avances en inteligencia artificial y en técnicas de aprendizaje automático explicable, hoy es posible cerrar el círculo entre los datos, los modelos y las decisiones operativas. En Q2BSTUDIO creemos que la tecnología debe estar al servicio de la sostenibilidad y la eficiencia, y por eso acompañamos a empresas de transporte y administraciones públicas en la digitalización de sus flotas. Desde el diseño de la arquitectura de datos hasta la implementación de modelos predictivos en producción, ofrecemos un enfoque integral que convierte la complejidad en ventaja competitiva.

En conclusión, el futuro de la movilidad eléctrica pasa por sistemas de gestión energética inteligentes, capaces de entender no solo qué ocurre, sino por qué ocurre. La combinación de modelos temporales, explicabilidad causal y plataformas cloud abre la puerta a una nueva generación de soluciones de optimización en tiempo real. Para las empresas que operan flotas de trolebuses o cualquier otro vehículo electrificado, invertir en este tipo de tecnología no es un gasto, sino una inversión con retornos medibles en ahorro energético, reducción de emisiones y mejora del servicio. Y con aliados como Q2BSTUDIO, el camino hacia la excelencia operativa está más despejado que nunca.