(18/12/2025)  

Por una parte, el proyecto para el Sistema Centralizado de Gestión de Energía (SCGE) de Metro de Madrid cuenta con un presupuesto de 2,4 millones de euros y comprende tanto la renovación y evolución del software del SCGE como la renovación del equipamiento para la gestión de la energía. Esta actuación permitirá disponer de datos de medida de energía y consumos de los Centros de Tracción (CTR). La implantación de este sistema se encuentra en su fase final de ejecución, ya que se han aprovechado las obras de la línea 6, y permitirá mejorar continuamente la eficiencia y seguridad energética de la compañía, disminuir los costes relacionados con la energía y reducir la emisión de gases de efecto invernadero.

Nuevo software

Por otra, se han destinado 243.000 euros al desarrollo de un software del Módulo de Analítica y Predicción Energética (MAPE). Se trata de un sistema predictivo de cálculo energético global que a partir de una serie de variables permite determinar los niveles óptimos de consumo y trasladarlos al SCGE. Basado en Inteligencia Artificial y algoritmos matemáticos, este sistema permitirá ajustar anticipadamente las necesidades de consumo de energía de la compañía. Este software terminó de desarrollarse en diciembre de 2024 y actualmente Metro de Madrid lo está comenzando a implementar en toda la red.

Por un lado, para modelar los sistemas se emplean datos procedentes de la propia Red, como el inventario y características técnicas de los equipamientos de estaciones (escaleras mecánicas, ascensores, climatización de cuartos técnicos, bombeo y ventilación, alumbrado, peaje, etcétera), del movimiento de trenes y viajeros, de los consumos históricos de subestaciones y de condiciones ambientales interiores, entre otros. Por otro, se utilizan datos de variables externas, como las previsiones meteorológicas de las condiciones ambientales exteriores o las tarifas eléctricas en los mercados OMIE y OMIP. Esta tecnología permite generar series analíticas de consumo energético y calor generado que se emplean para entrenar modelos de aprendizaje automático y obtener así la mejor configuración del sistema energético.