¿Qué reto aborda el proyecto y qué aporta la tecnología?
El Proyecto aborda un reto estratégico: gestionar de forma más eficiente sistemas térmicos complejos, integrando demanda, cogeneración y operación del edificio. Hemos desarrollado una prueba de concepto preproductiva de gemelo digital cuántico que combina el modelo físico de la instalación con optimización cuántica, en dónde el sistema de optimización cuántico decide, por un lado, la operación de la cogeneración y, además, resuelve el sistema térmico completo. La innovación no consiste en aplicar un algoritmo aislado, sino en adaptar el problema real a la arquitectura cuántica disponible: formulación incremental, linealización y regularización del modelo, precondicionamiento y reconstrucción físicamente trazable. La solución se ha diseñado y validado en simuladores, en una primera fase, y en ordenadores cuánticos reales, en una segunda, en dónde el elemento diferencial ha sido la aplicación de una solución cuántica completa a un gemelo digital energético en fase de preproducción. El Proyecto conecta un modelo físico de edificio con la optimización de la cogeneración y la resolución cuántica del modelo térmico, sin sustituir sus resultados por una aproximación clásica. Se comparan de forma homogénea el control por reglas, el mejor optimizador clásico y las alternativas cuánticas, demostrando la equivalencia operativa de la optimización cuántica y su potencial de escalado
¿Cómo convierte los datos en decisiones?
El gemelo digital transforma datos de demanda, temperaturas, precios y estado de los equipos en escenarios comparables de operación. En una jornada de 24 horas, el modelo cuántico selecciona cuándo operar la cogeneración, y calcula la respuesta térmica del edificio. Así, los equipos pueden analizar el impacto de distintas decisiones sobre consumo de gas, electricidad generada, coste y cumplimiento de las condiciones térmicas, antes de trasladarlas a la operación real.
¿Dónde están las oportunidades y cómo pasar de la prueba al valor real?
Los gemelos digitales y la computación cuántica pueden ayudar a explorar problemas energéticos con muchas variables y restricciones. El paso esencial es partir de un caso real, mantener un modelo físico verificable y comparar rigurosamente con métodos clásicos. Por eso se compararon los modelos cuánticos desarrollados a medida en el proyecto, con modelos clásicos bien conocidos. La siguiente etapa es optimizar rendimiento y robustez, contrastar las recomendaciones suministradas por el gemelo digital en su aplicación de operaciones en edificios reales, validando la mejora de dicha optimización con datos de planta.
¿Qué resultados se han alcanzado y qué queda por validar?
En una jornada simulada de 24 horas, la mejor estrategia de optimización clásica reduce el coste neto de 335,09 € a 331,38 € (1,11 %), pero la configuración cuántica reproduce ese resultado, elevando además la electricidad generada de 57,18 a 125,69 kWh (+119,8 %). Como segundo avance, la solución cuántica resuelve las 23 variables térmicas en cada uno de los 1.440 intervalos, sin recurrir a un solver clásico para sustituir sus resultados y con un error medio casi despreciable sobre el mejor escenario teórico. La prueba de concepto valida así el flujo cuántico completo y su trazabilidad física. La siguiente fase se centrará en optimizar la eficiencia computacional y contrastar estos resultados con datos de operación real.
¿Qué aprendizajes pueden servir a otras organizaciones?
El aprendizaje principal es que la adopción cuántica empieza por seleccionar un problema relevante, construir una referencia clásica y medir cada avance con indicadores verificables. La metodología propia de LKS Next en la implantación de soluciones cuánticas (QRISP-LKS) estructura ese recorrido, aportando trazabilidad, versionado y reproducibilidad. El enfoque es transferible a otros edificios y redes térmicas, y ayuda a las organizaciones a evaluar con rigor cuándo la tecnología cuántica puede aportar valor.






