Del diseño al hecho: la IA que exprime el hidrógeno verde desde la sala de control

Durante años, el hidrógeno verde español se contó en megavatios anunciados. En 2026 empieza a contarse en millones comprometidos. El 26 de enero, Repsol anunció que instalará en Petronor su segundo electrolizador de 100 MW: 292 millones de euros y puesta en marcha prevista para 2029. A comienzos de marzo, el consejo de Moeve tomó la decisión final de inversión de Onuba, en Huelva: 300 MW, más de 1.000 millones y unas 45.000 toneladas al año, con la primera piedra convocada para el 17 de septiembre. En mayo, la tercera subasta del Banco Europeo del Hidrógeno seleccionó nueve proyectos para repartir 1.090 millones en primas fijas por kilo producido durante un máximo de diez años. Y el 6 de agosto, el MITECO destinó 274,2 millones a cuatro proyectos españoles (102,27 MW) que se habían quedado en la lista de reserva de esa misma subasta.

Las pujas más bajas de esa subasta rondan el medio euro por kilo. Es la ayuda que pide un promotor, no lo que cuesta producir, así que el margen habrá que buscarlo en otra parte. Hay un sitio en el que casi nadie repara al cerrar el modelo financiero: la sala de control. Esa idea recorrió el webinar que ATA Insights dedicó el 8 de septiembre a la IA aplicada al hidrógeno.

La brecha que no sale en el Excel

Schneider Electric puso nombre al problema: la distancia entre la planta «tal como se diseñó» y la planta «tal como se opera». La banca financia la primera, con su consumo nominal y sus horas de funcionamiento. El operador hereda la segunda, con stacks que envejecen cada uno a su ritmo y alarmas que se resuelven por ensayo y error. Sin visibilidad, la factura llega en forma de más gasto operativo (OPEX), más consumo eléctrico, más paradas y menos vida útil. Todo ello engorda el LCOH, el coste nivelado del hidrógeno: lo que cuesta de media cada kilo a lo largo de la vida de la planta.

En el hidrógeno, esa brecha pesa más que en una planta química clásica, y Manuel Járrega, de Schneider Electric, explicó por qué: «las plantas de hidrógeno verde no son plantas de proceso con un poco de electricidad […] aquí la parte eléctrica tiene mucha importancia». En un electrolizador, la electricidad es la mayor partida de la factura de operación, así que cada kilovatio hora que se pierde acaba en el precio del kilo. De ahí su conclusión: estas plantas «tienen que nacer nativas digitales», con los datos previstos desde la ingeniería básica en lugar de añadidos a posteriori.

Reparto de cargas

La primera palanca es la menos vistosa y la única que llegó al webinar con cifra. Un electrolizador grande agrupa varios stacks, las pilas de celdas en las que el agua se separa en hidrógeno y oxígeno, y no hay dos iguales: cada uno arrastra su historial de horas, arranques y degradación. Repartir la carga a partes iguales parece lo sensato, pero desaprovecha justo esas diferencias.

En el caso que mostró Schneider Electric, una planta de diez stacks trabaja al 80 % de carga, con un 86 % de potencia disponible y una producción objetivo de 311,7 kg/h. El optimizador recomienda cargas que van del 66,45 % (stack 03) al 90,82 % (stack 06). Con ese reparto, el consumo específico medio, es decir, los kilovatios hora que hacen falta para producir un kilo, baja de 44,63 a 44,07 kWh/kg: 0,56 kWh/kg menos, en torno a un 1,25 %.

La cifra hay que tomarla por lo que es, un caso ilustrativo: la diapositiva no aclara si procede de una planta en servicio o de una demostración de la herramienta. Todo indica, además, que el consumo está medido en los propios stacks, no en un sistema completo con compresión y equipos auxiliares. Y por ahora la herramienta recomienda y el operador decide; que actúe sola, en lazo cerrado, figura como ampliación posible.

Aun así, hagamos la cuenta. A esa producción, 0,56 kWh/kg equivalen a unos 175 kW de consumo continuo que dejan de pagarse mientras la planta opere en ese punto. Con un precio eléctrico ilustrativo de 60 €/MWh, el ahorro ronda los 3,4 céntimos por kilo, casi un 7 % de ese medio euro de prima. Y sin comprar un solo stack más.

Más vale prevenir que parar

Al cierre, la moderadora pidió a los ponentes que eligieran la aplicación de IA de mayor impacto en la competitividad de las plantas de aquí a tres o cinco años. Samuel Ormaechea, de ITG, abrió con un «me voy a mojar un poco» y se quedó con «un mantenimiento predictivo bueno de los sistemas de generación de hidrógeno». Su argumento: la tecnología no es nueva, pero el mercado sigue siendo incipiente y los costes, «bastante, bastante elevados». Una herramienta capaz de dar «al proveedor o al operador del sistema visibilidad sobre esa monitorización y sobre ese mantenimiento predictivo», añadió, «va a hacer que se pierda la menor parte del dinero que se ha invertido en esa operación del sistema».

Járrega se sumó («la respuesta de Samuel me ha encantado») y explicó que esa aplicación es la que permite «maximizar el ciclo de vida de los activos». Desde CGI, que integra IA agéntica en su plataforma, se declararon «totalmente de acuerdo». Tampoco en su plataforma los agentes mandan sobre el dato. Virginia Jiménez, de CGI, ya había marcado la jerarquía en el turno de preguntas: «todo el parametrizaje viene fijado por los predictivos y los agentes simplemente son los que gestionan».

El mantenimiento predictivo, que lee en los datos de operación las averías antes de que obliguen a parar, tiene una exigencia más prosaica que cualquier algoritmo: datos fiables. Ormaechea lo advirtió a propósito de los gemelos digitales: «con muchos fabricantes», los datos que se entregan para parametrizar la planta y la forma en que funciona de verdad no siempre cuadran. Y ahí aparece la oportunidad, porque quien reúna antes el historial de operación de las primeras plantas españolas partirá con ventaja en disponibilidad y vida útil.

Lo justo, cuando toca

Otra palanca va contra la intuición de cualquiera que haya hecho un plan de negocio a golpe de factor de capacidad. Jiménez lo planteó así: «La optimización no debe perseguir solo […] la máxima cantidad posible de hidrógeno». El objetivo, añadió, «será producir la cantidad necesaria para garantizar el suministro» en las mejores condiciones técnicas y económicas.

Lo hace posible el almacenamiento. En sus palabras, «no es necesario producir el hidrógeno en el mismo momento en el que se consume, siempre que se mantengan unos niveles de almacenamiento adecuados y se garantice el suministro comprometido». Con un depósito entre la planta y el cliente, el electrolizador deja de ser una carga fija y pasa a ser flexible, capaz de concentrar la producción en las horas de mucho sol y precios bajos. Járrega lo resumió como IA «para almacenar o producir en el momento adecuado según precios».

Para eso hay que ver venir las horas buenas. La plataforma de ITG, probada con la planta experimental de su laboratorio de A Coruña, prevé la generación hasta 72 horas vista, lo que, según Ormaechea, permite controlar la operación «con muchísima más flexibilidad que si se hiciese a ciegas o con simples valores de mercado».

Ensayo general

Muchas de estas palancas pueden probarse antes de que la planta exista. Un gemelo digital, réplica virtual de la instalación alimentada con datos de ingeniería y de operación, tiene en la versión de Schneider Electric tres vidas. En la primera valida el diseño. En la segunda permite poner en marcha el sistema de control de forma virtual y hace de OTS, el simulador en el que los operadores aprenden a manejar la planta sin riesgo. Schneider cita un OTS para el electrolizador de 24 MW de Yara en Porsgrunn (Noruega), y puesta en marcha virtual y OTS para una planta de 200 MW en los Países Bajos.

En la tercera vida, el gemelo entrena a la propia IA: una red neuronal que, por aprendizaje por refuerzo, se curte en muchas copias del simulador con los casos en que al operador le cuesta reaccionar a tiempo, antes de tocar un stack de verdad. «Estamos haciendo ya plantas piloto», contó Járrega; llevar esa red al sistema de control de la planta es todavía una fase futura. También puso la condición: si el modelo entrenado «no se comporta como la planta real, el modelo no es válido». Para un proyecto que aún está sobre el papel o en obra, es el momento de plantearse ese gemelo, porque la primera de sus tres vidas no se recupera después.

A ponerse las pilas

La pregunta más afilada la lanzó un asistente, y se quedó a medias. Si cambia lo que cuesta reponer un stack, porque el nuevo es de mejor calidad y tiene otro coste, ¿no deberían cambiar también la protección del viejo frente a la degradación y la carga mínima de operación de la planta? Desde el panel respondieron que las soluciones son parametrizables.

Cada arranque y cada rampa para aprovechar un precio bajo aceleran el desgaste del stack, y ese desgaste tiene un coste que depende de lo que valga sustituirlo. Los optimizadores del webinar ya miran el estado de los stacks. El siguiente salto será poner en la misma balanza el euro de electricidad que se ahorra hoy y el euro de vida útil que se gasta para mañana. En el webinar, ese equilibrio no llegó a ponerse en cifras. Quien lo haga habrá convertido la degradación, hoy un riesgo del modelo financiero, en una variable más de la operación.

Del dicho al hecho hay mucho trecho. Del diseño al hecho, también; la diferencia es que ese trecho ya se mide en kWh/kg, y lo que se mide se puede recortar.

Este artículo se basa en el webinar de ATA Insights «IA aplicada a la optimización de la producción y operación del hidrógeno», del 8 de septiembre de 2026, con Carlos Navares y Virginia Jiménez (CGI), Manuel Járrega (Schneider Electric) y Samuel Ormaechea (ITG). El debate continúa en RENMAD Hidrógeno, en Zaragoza, los días 18 y 19 de noviembre de 2026.