Candidatura

Optimización, mejora y reducción de consumos energéticos y emisiones ambientales en el sector ferroviario

Metro de Madrid debe aprovisionar los centros de transformación necesarios para cubrir su demanda energética, que varía en función del número de pasajeros, que a su vez depende de la climatología y de eventos sociales. Todas estas variables influyen en el consumo eléctrico, aire acondicionado, iluminación, consumo de escaleras mecánicas y otros elementos. El objetivo del proyecto es predecir la demanda en la red de Metro realizar simulaciones y presentar los datos en interfaces intuitivas.

Más información en: https://www.metromadrid.es/es
Indicadores y procesos de mejora

Indicadores y procesos de mejora

-Análisis predictivo y modelos de simulación: Desarrollo de modelos predictivos utilizando machine learning para anticipar el consumo energético de los distintos componentes de cada una de las estaciones. Ventana de tiempo ajustable para adaptarse a las necesidades de predicción del momento.

-Corrección y validación de modelos: Mejoras en los modelos matemáticos utilizados inicialmente para modelar de una manera más realista los comportamientos energéticos de los componentes de las estaciones.

-Evaluación continua de rendimiento: Establecimiento de métricas clave de rendimiento (KPIs) para evaluar de forma continua la eficiencia energética y el i-impacto de las medidas implementadas.

-Planes de mejora continua: Realización de auditorías periódicas y revisiones de los procesos para identificar oportunidades de mejora y actualizar las estrategias en función de los resultados obtenidos y nuevas tecnologías.

Cuantificación/Estimación reducción consumo

Cuantificación/Estimación reducción consumo

La fase actual tiene como objetivo principal la descripción y predicción de los sistemas de Metro de Madrid, incluyendo tanto los sistemas auxiliares como los sistemas de tracción. aún no disponemos de datos concretos que nos permitan realizar una estimación precisa de la reducción del consumo energético, en estos momentos se necesitan al menos 6 meses para poder recolectar los datos históricos suficientes como para estimar de una forma consistente la reducción del gasto energético.

Sin embargo, se ha establecido un objetivo claro: alcanzar una reducción del 10% en el consumo. Este objetivo será evaluado y ajustado conforme avancemos en el análisis detallado de los sistemas y dispongamos de datos más específicos. Las futuras estimaciones se basarán en el análisis de datos operativos y en la aplicación de modelos predictivos que nos permitirán identificar oportunidades de mejora y optimización. En un análisis preliminar se ha identificado el consumo en sistemas auxiliares como mejora.

Cuantificación/Estimación reducción emisiones CO2

Cuantificación/Estimación reducción emisiones CO2

La cuantificación de la reducción de emisiones de CO2 estará directamente vinculada a la reducción del consumo energético del sistema de metro. Una vez se disponga de una estimación precisa de la reducción de consumo, se procederá a calcular la disminución correspondiente en las emisiones de CO2.

Este cálculo se realizará utilizando factores de emisión específicos para la fuente de energía utilizada. Por ejemplo, si el metro opera con electricidad, se utilizarán los factores de emisión del mix energético correspondiente, que indican la cantidad de CO2 emitida por unidad de energía consumida.

De esta manera, se podrá convertir la reducción de consumo energético en una reducción cuantificable de emisiones de CO2, proporcionando una medida concreta del impacto ambiental positivo del proyecto. Además, se tomarán en cuenta posibles cambios en la eficiencia energética de los sistemas auxiliares y de tracción para refinar aún más estas estimaciones.

Innovación aplicada y buenas prácticas

Innovación aplicada y buenas prácticas

-Instrucción al personal en cómo utilizar el estado el arte de tecnologías y softwares open-source.

-Migración de códigos a lenguajes open-source.

-Diseño de APIs REST para aumentar la escalabilidad e interoperabilidad.

-Adaptación a una cultura data-driven para sacar máximo provecho de toda la información.

-Introducción de pipelines automatizadas de ETL.

-Desarrollo de tests unitarios y nuevas metodologías de testeo de software.

-Sesiones de formación y divulgación de las herramientas implementadas.

-Creación de modelo de predicción de la demanda energética teniendo en cuenta todos los factores posibles.

-Creación de simulaciones para poder estar preparados para todas las casuísticas.

-Creación de pipelines de aprendizaje automatizados.

Uso de tecnologías (TICs)

Uso de tecnologías (TICs)

-Bases de datos: MongoDb (No relacional), Timescale (Series temporales).

-Contenedores: Docker.

-Gestión de experimentos: Mlflow.

-Aprendizaje automático: Tensorflow, SkTIME.

-Orquestación de flujos de trabajo: Apache Airflow.

-Lenguaje de programación: Python.

Implementado en:

Metro de Madrid

Periodo de ejecución:

19/06/2023 - 26/07/2024

Socio tecnológico destacado:

Axpe Consulting

Otros socios tecnológicos:

QUANT AI LAB