UNIVERSIDAD NACIONAL DE LOJA

FACULTAD DE LA ENERGÍA, LAS INDUSTRIAS Y LOS RECURSOS

NATURALES NO RENOVABLES

CARRERA DE INGENIERÍAELECTROMECÁNICA

MODELO MATEMÁTICO PARA PREDECIR LA PRODUCCIÓN DE ENERGÍA

EÓLICA A CORTO PLAZO, UTILIZANDO REDES NEURONALES.

TESIS DE GRADO PREVIO

A OPTAR POR EL TÍTULO DE
INGENIERO ELECTROMECÁNICO

Autor:

Jayden Byron Vicente Guayanay

Director:

Ing. Jorge Luis Maldonado Correa, Mg. Sc.

LOJA- ECUADOR

2020
Ing. Jorge Luis Maldonado Correa. Mg. Sc.
DIRECTOR DE TESIS

CERTIFICACIÓN

Haber dirigido, asesorado, revisado y corregido el presente trabajo de tesis de grado, en su

proceso de investigación cuyo tema versa: "MODELO MATEMÁTICO PARA PREDECIR LA
PRODUCCIÓN DE ENERGÍA EÓLICA A CORTO PLAZO, UTILIZANDO REDES
NEURONALES", previa la obtención del título de Ingeniero Electromecánico, realizado por el
señor egresado Jayden Byron Vicente Guayanay, la misma que cumple con la reglamentación
y políticas de investigación, por lo que autorizo su presentación y posterior sustentación y
defensa.

Loja, 31 de agosto del 2020

Lo certifico,

Firmado electrónicamente por:

JORGE LUIS
MALDONADO
CORREA
-------------------------------------------------

Ing. Jorge Luis Maldonado Correa, Mg. Sc.

DIRECTOR DE TESIS

II
 AUTORÍA

Yo, Jayden Byron Vicente Guayanay, declaro ser el autor del presente trabajo de tesis y eximo
expresamente a la Universidad Nacional de Loja y a sus representantes jurídicos de posibles
reclamos o acciones legales por el contenido de la misma.

Adicionalmente acepto y autorizo a la Universidad Nacional de Loja, la publicación de mi tesis en

el Repositorio Institucional — Biblioteca Virtual.

Autor: Jayden Byron Vicente Guayanay

Firmado digitalmente porJAYDEN
JAYDEN BYRON VICENTE GUAYANAY
DN: cn=JAYDEN BYRON VICENTE
GUAYANAY c=EC l=QUITO
BYRON o=BANCO CENTRAL DEL
ECUADOR ou=ENTIDAD DE

VICENTE CERTIFICACION DE
INFORMACION-ECIBCE
Motivo: He revisado este documento
GUAYANAY Ubicación:
Fecha:2020-08-31 19:23-05:00

Firma: …………………………………

Cédula: 1105712796

Fecha: Loja, 31 de agosto del 2020

III
CARTA DE AUTORIZACIÓN DE TESIS POR PARTE DEL AUTOR, PARA LA CONSULTA,
REPRODUCCIÓN PARCIAL O TOTAL Y PUBLICACIÓN ELECTRÓNICA DEL TEXTO
COMPLETO.

Yo, Jayden Byron Vicente Guayanay, declaro ser autor de la tesis titulada " Modelo
matemático para predecir la producción de energía eólica a corto plazo, utilizando redes
neuronales", como requisito para optar al grado de: Ingeniero Electromecánico; a la vez,
autorizo al Sistema Bibliotecario de la Universidad Nacional de Loja, para que con fines
académicos muestre al mundo la producción intelectual de la institución, a través de la visibilidad
de su contenido de la siguiente manera en el Repositorio Digital Institucional:

Los usuarios pueden consultar el contenido de este trabajo en el Repositorio Digital Institucional,
en las redes de información del país y del exterior, con las cuales tenga convenio la Universidad.

La Universidad Nacional de Loja, no se responsabiliza por el plagio o copia de la tesis que realice
un tercero.

Por constancia de esta autorización, en la ciudad de Loja, a los treinta y un días del mes de
agosto del dos mil Veinte.
Firmado digitalmente porJAYDEN BYRON

JAYDEN BYRON VICENTE GUAYANAY

DN: cn=JAYDEN BYRON VICENTE
GUAYANAY c=EC l=QUITO o=BANCO
VICENTE CENTRAL DEL ECUADOR ou=ENTIDAD DE
CERTIFICACION DE
INFORMACION-ECIBCE
GUAYANAY Motivo: He revisado este documento
Ubicación:
Fecha:2020-08-31 19:24-05:00
Firma: …….…………………………………

Autor: Jayden Byron Vicente Guayanay

Cédula: 1105712796

Dirección: La Argelia, Pedro Vicente Maldonado entre Francisco de Caldas y Faraday.

Correo electrónico: [email protected]

Teléfono: 072-3033349/ 0994949209

DATOS COMPLEMENTARIOS.

Director de Tesis: Ing. Jorge Luis Maldonado Correa, Mg. Sc.

Tribunal de grado: Ing. Jorge Enrique Carrión González, Mg. Sc.

Ing. Jefferson Fernando Camacho Muñoz, Mg. Sc.

Ing. Juan Carlos Chuncho Morocho, Mg. Sc.

IV
 DEDICATORIA

Con mucho cariño dedico este trabajo a mis padres, hermanos, por su apoyo y ayuda
incondicional. A mi hijo Jenner Nygel e hija Emilia Fernanda que son la fuente motriz de este
logro.

Jayden Byron Vicente Guayanay

V
 AGRADECIMIENTO

Agradezco a Dios, por ser mi luz permanente en mi camino de vida,

que me inspiró mi espíritu para la conclusión de este Trabajo de Titulación.

A la Universidad Nacional de Loja, a la Facultad de la Energía, las industrias y los Recursos

Naturales no Renovables; y en especial a la Carrera de Ingeniería Electromecánica, a toda su
planta docente y autoridades, por su dedicación y profesionalismo.

Al Ing. Jorge Luis Maldonado Correa por su acertada dirección en la elaboración del presente
Trabajo de Titulación; y, disposición para orientarme, compartir ideas, y, consejos.

A mi familia, por su constante e incondicional apoyo durante toda mi vida. En especial, quiero
expresar mi más grande agradecimiento a mis padres que sin su ayuda hubiera sido imposible
culminar mi profesión.

A mis compañeros de Universidad, que compartieron conmigo las inquietudes de los estudios,
por brindarme su amistad y apoyo.

Jayden Byron Vicente Guayanay

VI
 TABLA DE CONTENIDO
TÍTULO........................................................................................................ ¡Error! Marcador no definido.
CERTIFICACIÓN ..................................................................................................................................... II
AUTORÍA ................................................................................................................................................. III
CARTA DE AUTORIZACIÓN ............................................................................................................... IV
DEDICATORIA......................................................................................................................................... V
AGRADECIMIENTO............................................................................................................................... VI
SIMBOLOGÍA PROPUESTA. ............................................................................................................. XVI
1. TÍTULO. ................................................................................................................................................ 1
2. RESUMEN. ........................................................................................................................................... 2
3. INTRODUCCIÓN. ................................................................................................................................ 4
4. REVISIÓN DE LITERATURA. ....................................................................................................... 6
4.1. Energías Renovables. ............................................................................................................... 6
4.1.1. Generalidades. ..................................................................................................................... 6
4.1.2. Origen del viento. ................................................................................................................ 6
4.1.3. Aerogeneradores. ............................................................................................................... 6
4.2. Modelación matemática. ......................................................................................................... 13
4.2.1. Definición de un modelo matemático. ......................................................................... 13
4.2.2. Objetivos del proceso de modelado............................................................................. 14
4.2.3. Etapas de la modelación matemática en ingeniería. ................................................ 15
4.2.4. Algoritmo. ........................................................................................................................... 15
4.3. Predicción de la producción eólica. .................................................................................... 17
4.3.1. Aplicaciones de la producción de energía eólica. .................................................... 17
4.3.2. Series de tiempo................................................................................................................ 18
4.3.3. Tratamiento de datos. ...................................................................................................... 19
4.3.4. Tipos de predicción de la producción de energía eólica. ....................................... 23
4.4. Inteligencia artificial. ............................................................................................................... 23
4.4.1. Generalidades. ................................................................................................................... 23
4.4.2. Redes neuronales artificiales (RNAs). ......................................................................... 23
4.5. Matlab. ......................................................................................................................................... 33
4.5.1. Generalidades. ................................................................................................................... 33
4.5.2. Redes neuronales en Matlab para series de tiempo. ............................................... 33
5. MATERIALES Y MÉTODOS. ....................................................................................................... 36
 5.1. MATERIALES............................................................................................................................. 36
5.2. MÉTODOS. ................................................................................................................................. 36
5.2.1. Procesamiento de los datos. .......................................................................................... 36
5.2.2. Desarrollo del modelo matemático. .............................................................................. 38
5.2.3. Tratamiento de la base de datos. .................................................................................. 39
5.2.4. Diseño y programación de la RNA. ............................................................................... 44
5.2.5. Simulación de la red entrenada. .................................................................................... 52
6. RESULTADOS. .............................................................................................................................. 53
6.1. Preprocesamiento de los datos faltantes de velocidad de viento. .............................. 53
6.2. Tratamiento de la base de datos. ......................................................................................... 54
6.2.1. Procesamiento de los datos faltantes de velocidad de viento. ............................. 54
6.2.2. Depuración de datos atípicos de velocidad de viento. ............................................ 55
6.2.3. Relleno de datos de potencia activa. ........................................................................... 55
6.2.4. Tratamiento de los datos de potencia.......................................................................... 56
6.2.5. Método de bines para el tratamiento de datos atípicos de potencia. ................... 57
6.3. Desarrollo modelo matemático. ............................................................................................ 61
6.4. Desarrollo de la RNA. .............................................................................................................. 62
6.4.1. Entrenamiento de las RNAs. .......................................................................................... 62
6.4.2. Resultados de la predicción de velocidad de viento................................................ 91
7. DISCUSIÓN...................................................................................................................................... 113
8. CONCLUSIONES. ........................................................................................................................... 115
9. RECOMENDACIONES................................................................................................................... 117
10. BIBLIOGRAFÍA. ............................................................................................................................ 118
11. ANEXOS......................................................................................................................................... 123

VIII
 ÍNDICE DE FIGURAS
Figura 1. Central Eólica Villonaco con aerogeneradores de eje horizontal tripala GW70/1500 ... 8
Figura 2. Curva de potencia vs viento, característica de un aerogenerador. ................................. 9
Figura 3. Partes principales de un aerogenerador GW 70/1500 .................................................... 10
Figura 4. Curva de potencia del aerogenerador Goldwind modelo GW 70/1500 ......................... 10
Figura 5. Datos que representan paradas emergentes ................................................................... 12
Figura 6. Datos anómalos por ruido en los transductores de medición......................................... 12
Figura 7. Datos en línea recta demuestra que el aerogenerador se lo limito a cierta potencia . 13
Figura 8. Ruido por el sistema Scada o por los sensores de medición ......................................... 13
Figura 9. Proceso para modelado matemático ................................................................................. 14
Figura 10. Partes de un algoritmo ....................................................................................................... 16
Figura 11. Pasos para hacer un sistema de pronóstico................................................................... 18
Figura 12. Dominio de la velocidad para cada bin............................................................................ 22
Figura 13. Gráfico del método de bines ............................................................................................. 23
Figura 14. Cuerpo de una neurona biológica .................................................................................... 24
Figura 15. Neurotransmisores en una neurona ................................................................................ 24
Figura 16. Modelo de una red neuronal feedforward ....................................................................... 25
Figura 17. Arquitectura de una red neuronal ..................................................................................... 27
Figura 18. Función de activación logística ......................................................................................... 29
Figura 19. Función de activación tansig............................................................................................. 30
Figura 20. Función de activación sigmoidal ...................................................................................... 30
Figura 21. Función de activación identidad ....................................................................................... 30
Figura 22. Diagrama de una red backpropagation ........................................................................... 31
Figura 23. Neurona recurrente (izquierda), desarrollo en el tiempo (derecha)............................. 32
Figura 24. Modelo de una red neuronal NARX ................................................................................. 34
Figura 25. Modelo de una red neuronal NARX diseñada con feedback loop abierto .................. 34
Figura 26. Modelo de una red neuronal NAR .................................................................................... 35
Figura 27. Modelo de una red neuronal de entrada - salida ........................................................... 35
Figura 28. Metodología en la elaboración del proyecto ................................................................... 37
Figura 29. Flujograma de modelo matemático de predicción de energía generada .................... 38
Figura 30. Diagramas de Voronoi aplicados a estaciones meteorológicas................................... 40
Figura 31. Detección de datos atípicos en velocidad de viento ...................................................... 42
Figura 32. Flujograma del algoritmo de desarrollo de las RNAs .................................................... 44
Figura 33. Interfaz de entrenamiento de RNA en Matlab ................................................................ 48
Figura 34. Diagrama de la red en lazo cerrado. ............................................................................... 48
Figura 35. Diagrama de la red para predecir el siguiente dato. ...................................................... 49
Figura 36. Curva de rendimiento del algoritmo proporcionada por Matlab ................................... 49
Figura 37. Histograma de error de entrenamiento de la RNA......................................................... 50
Figura 38. Diagrama de regresión para las salidas de la RNA entrenada .................................... 51
Figura 39. Diagrama de autocorrelación de error cuadrático medio .............................................. 51
Figura 40. Curva garantizada vs función matemática calculada por tramos ................................ 56
Figura 41. Datos de potencia iniciales del UGE 06 .......................................................................... 57
Figura 42. Barras de error marcan la banda de confianza de datos del UGE 06 ........................ 58
Figura 43. Depuración de datos atípicos de potencia primera iteración del UGE 06 .................. 58
Figura 44. Barras de error marcan la banda de confianza de datos del UGE 06 ........................ 59
Figura 45. Depuración de datos atípicos de potencia segunda iteración del UGE 06 ................ 59
Figura 46. Barras de error marcan la banda de confianza tercera iteración del UGE 06 ........... 60
Figura 47. Datos de potencia depurados finales para UGE 06 ...................................................... 60
Figura 48. Diagrama de cajas y bigotes para todos las UGEs ....................................................... 61
Figura 49. Curva de rendimiento de la RNA de enero. .................................................................... 63
Figura 50. Histograma de error de la RNA de enero ........................................................................ 63
Figura 51. Coeficiente de correlación resultado del entrenamiento ............................................... 64
Figura 52. Gráfica de respuesta de entrenamiento de la RNA de enero ...................................... 64
Figura 53. Gráfica de autocorrelación de error de la RNA de enero .............................................. 65
Figura 54. Curva de rendimiento e histograma de error de la RNA de febrero. ........................... 66
Figura 55. Grafica de correlación y diagrama de respuesta de la RNA de febrero ..................... 67
Figura 56. Gráfica de autocorrelación de error de la RNA de febrero ........................................... 67
Figura 57.Curva de rendimiento e histograma de error de la RNA de marzo. ............................. 68
Figura 58. Gráfica de correlación y diagrama de respuesta de la RNA de marzo ....................... 69
Figura 59. Gráfica de autocorrelación de error de la RNA de marzo ............................................. 69
Figura 60. Curva de rendimiento e histograma de error de la RNA de abril ................................. 70
Figura 61. Gráfica de correlación y diagrama de respuesta de la RNA de abril........................... 71
Figura 62.Gráfica de autocorrelación de error de la RNA de abril ................................................. 71
Figura 63. Curva de rendimiento e histograma de error de la RNA de mayo ............................... 72
Figura 64. Gráfica de correlación y diagrama de respuesta de la RNA de mayo ........................ 73
Figura 65. Gráfica de autocorrelación de error de la RNA de mayo .............................................. 73
Figura 66. Curva de rendimiento e histograma de error de la RNA de junio ................................ 74
Figura 67. Gráfica de correlación y diagrama de respuesta de la RNA de junio .......................... 75
Figura 68. Gráfica de autocorrelación de error de la RNA de junio ............................................... 75
Figura 69. Curva de rendimiento e histograma de error de la RNA de julio ................................. 76
Figura 70. Gráfica de correlación y diagrama de respuesta de la RNA de julio ........................... 77
Figura 71. Gráfica de autocorrelación de error de la RNA de julio ................................................. 77
Figura 72. Curva de rendimiento e histograma de error de la RNA de agosto............................. 78
Figura 73. Gráfica de correlación y diagrama de respuesta de la RNA de agosto ...................... 79
Figura 74. Gráfica de autocorrelación de error de la RNA de agosto ............................................ 79
Figura 75. Curva de rendimiento e histograma de error de la RNA de septiembre ..................... 80
Figura 76. Gráfica de correlación y diagrama de respuesta de la RNA de septiembre .............. 81
Figura 77. Gráfica de autocorrelación de error de la RNA de septiembre .................................... 81
Figura 78. Curva de rendimiento e histograma de error de la RNA de octubre ........................... 82
Figura 79. Gráfica de correlación y diagrama de respuesta de la RNA de septiembre ............... 83
Figura 80. Gráfica de autocorrelación de error de la RNA de septiembre .................................... 83
Figura 81. Curva de rendimiento e histograma de error de la RNA de noviembre ...................... 84
Figura 82. Gráfica de correlación y diagrama de respuesta de la RNA de noviembre................ 85
Figura 83. Gráfica de autocorrelación de error de la RNA de noviembre ..................................... 85
Figura 84. Curva de rendimiento e histograma de error de la RNA de diciembre ........................ 86
Figura 85. Gráfica de correlación y diagrama de respuesta de la RNA de septiembre .............. 87
Figura 86.Gráfica de autocorrelación de error de la RNA de septiembre ..................................... 87
Figura 87. Red neuronal Narx en lazo abierto. ................................................................................. 88

X
Figura 88. Red neuronal Narx en lazo cerrado. ................................................................................ 88
Figura 89. Predicción de velocidad de viento enero 2018 ............................................................... 91
Figura 90. Análisis de error de enero 2018 ....................................................................................... 92
Figura 91. Predicción de potencia activa de enero 2018................................................................. 92
Figura 92. Predicción de energía generada de enero 2018 ............................................................ 93
Figura 93. Predicción de velocidad de viento febrero 2018 ............................................................ 93
Figura 94. Análisis de error febrero 2018 .......................................................................................... 94
Figura 95. Predicción de potencia activa de febrero 2018 .............................................................. 94
Figura 96. Predicción de energía generada febrero 2018 ............................................................... 95
Figura 97. Predicción de velocidad de viento marzo 2018 .............................................................. 95
Figura 98. Análisis de error marzo 2018 ............................................................................................ 96
Figura 99. Predicción de potencia activa de marzo 2018 ................................................................ 96
Figura 100. Predicción de energía generada de marzo 2018 ......................................................... 97
Figura 101. Predicción de velocidad de viento abril 2018 ............................................................... 97
Figura 102. Análisis de error abril 2018 ............................................................................................. 98
Figura 103. Predicción de potencia activa de abril 2018 ................................................................. 98
Figura 104. Predicción de energía generada de abril 2018 ............................................................ 98
Figura 105. Predicción de velocidad de viento mayo 2018 ............................................................. 99
Figura 106. Análisis de error mayo 2018 ........................................................................................... 99
Figura 107. Predicción de potencia activa de mayo 2018 ............................................................. 100
Figura 108. Predicción de energía generada de mayo 2018 ........................................................ 100
Figura 109. Predicción de velocidad de viento junio 2018 ............................................................ 101
Figura 110. Análisis de error junio 2018 .......................................................................................... 101
Figura 111. Predicción de potencia activa de junio 2018 .............................................................. 102
Figura 112. Predicción de energía generada de junio 2018 ......................................................... 102
Figura 113. Predicción de velocidad de viento julio 2018.............................................................. 102
Figura 114. Análisis de error julio 2018 ............................................................................................ 103
Figura 115. Predicción de potencia activa de julio 2018................................................................ 103
Figura 116. Predicción de energía generada de julio 2018 ........................................................... 104
Figura 117. Predicción de velocidad de viento agosto 2018 ......................................................... 104
Figura 118. Análisis de error agosto 2018 ....................................................................................... 105
Figura 119. Predicción de potencia activa de agosto 2018 ........................................................... 105
Figura 120. Predicción de energía generada de agosto 2018 ...................................................... 105
Figura 121. Predicción de velocidad de viento septiembre 2018 ................................................. 106
Figura 122. Análisis de error septiembre 2018 ............................................................................... 106
Figura 123. Predicción de potencia activa de septiembre 2018 ................................................... 107
Figura 124. Predicción de energía generada de septiembre 2018 .............................................. 107
Figura 125. Predicción de velocidad de viento octubre 2018 ....................................................... 108
Figura 126. Análisis de error octubre 2018...................................................................................... 108
Figura 127. Predicción de potencia activa de octubre 2018 ......................................................... 108
Figura 128. Predicción de energía generada de octubre 2018..................................................... 109
Figura 129. Predicción de velocidad de viento noviembre 2018 .................................................. 109
Figura 130. Análisis de error noviembre 2018 ................................................................................ 110
Figura 131. Predicción de potencia activa de noviembre 2018 .................................................... 110

XI
Figura 132. Predicción de energía generada de noviembre 2018 ............................................... 110
Figura 133. Predicción de velocidad de viento diciembre 2018.................................................... 111
Figura 134. Análisis de error diciembre 2018.................................................................................. 111
Figura 135. Predicción de potencia activa de diciembre 2018 ..................................................... 112
Figura 136. Predicción de energía generada de diciembre 2018 ................................................. 112
Figura 137. Aplicación del método de bines para el UGE 01 ....................................................... 124
Figura 138. Datos de potencia depurados para UGE 01............................................................... 124
Figura 139. Aplicación del método de bines para el UGE 03 ....................................................... 126
Figura 140. Datos de potencia depurados para UGE 02............................................................... 126
Figura 141. Aplicación del método de bines para el UGE 03 ....................................................... 128
Figura 142. Datos de potencia depurados para UGE 03............................................................... 128
Figura 143. Aplicación del método de bines para el UGE 04 ....................................................... 130
Figura 144. Datos de potencia depurados para UGE 04............................................................... 130
Figura 145. Aplicación del método de bines para el UGE 05 ....................................................... 132
Figura 146. Datos de potencia depurados para UGE 05............................................................... 132
Figura 147. Aplicación del método de bines para el UGE 07 ....................................................... 135
Figura 148. Datos de potencia depurados para UGE 07............................................................... 135
Figura 149. Aplicación del método de bines para el UGE 08 ....................................................... 137
Figura 150. Datos de potencia depurados para UGE 08............................................................... 137
Figura 151. Aplicación del método de bines para el UGE 09 ....................................................... 139
Figura 152. Datos de potencia depurados para UGE 08............................................................... 139
Figura 153. Aplicación del método de bines para el UGE 10 ....................................................... 141
Figura 154. Datos de potencia depurados para UGE 10............................................................... 141
Figura 155. Aplicación del método de bines para el UGE 11 ....................................................... 143
Figura 156. Datos de potencia depurados para UGE 11............................................................... 143
Figura 157. Gráfico de comparación de curvas de velocidad promedio para cada UGE ......... 146
Figura 158. Plano de emplazamiento CEV...................................................................................... 146

XII
 ÍNDICE DE ECUACIONES

Ec: 1 .......................................................................................................................................................... 8
Ec: 2 .......................................................................................................................................................... 9
Ec: 3 ........................................................................................................................................................ 20
Ec: 4 ........................................................................................................................................................ 21
Ec: 5 ........................................................................................................................................................ 21
Ec: 6 ........................................................................................................................................................ 21
Ec: 7 ........................................................................................................................................................ 21
Ec: 8 ........................................................................................................................................................ 21
Ec: 9 ........................................................................................................................................................ 22
Ec: 10 ...................................................................................................................................................... 26
Ec: 11 ...................................................................................................................................................... 29
Ec: 12 ...................................................................................................................................................... 30
Ec: 13 ...................................................................................................................................................... 30
Ec: 14 ...................................................................................................................................................... 34
Ec: 15 ...................................................................................................................................................... 35
Ec: 16 ...................................................................................................................................................... 35
Ec: 17 ...................................................................................................................................................... 39
Ec: 18 ...................................................................................................................................................... 39
Ec: 19 ...................................................................................................................................................... 41
Ec: 20 ...................................................................................................................................................... 47

XIII
 ÍNDICE DE TABLAS
Tabla 1. Datos técnicos GW 70/1500 ................................................................................................. 10
Tabla 2. Recursos para el desarrollo del proyecto............................................................................ 36
Tabla 3. Distancia geográfica entre aerogeneradores ..................................................................... 40
Tabla 4. Datos para la curva de potencia garantizada para el aerogenerador GW70/1500 ....... 40
Tabla 5. Datos faltantes durante el año 2014 .................................................................................... 53
Tabla 6. Datos faltantes durante el año 2015 .................................................................................... 53
Tabla 7. Datos faltantes durante el año 2016 .................................................................................... 53
Tabla 8. Datos faltantes durante el año 2017 .................................................................................... 54
Tabla 9. Datos faltantes durante el año 2018 .................................................................................... 54
Tabla 10. Asignación de datos del UGE más cercano. .................................................................... 55
Tabla 11. Outliers encontrados en la dataset. ................................................................................... 55
Tabla 12. Ecuación de la curva de potencia garantizada calculada por tramos para el modelo
de UGE GW70/1500 .............................................................................................................................. 56
Tabla 13. Función matemática para la curva de potencia normalizada para el UGE 06 ............. 59
Tabla 14. Función matemática de la curva de potencia activa normalizada por tramos para la
UGE 06 .................................................................................................................................................... 60
Tabla 15. Resultados de los entrenamientos para la RNA de enero. ............................................ 62
Tabla 16. Resultados de los entrenamientos para la RNA de febrero. .......................................... 66
Tabla 17. Resultados de los entrenamientos para la RNA de marzo. ........................................... 68
Tabla 18. Resultados de los entrenamientos para la RNA de abril. ............................................... 70
Tabla 19. Resultados de los entrenamientos para la RNA de mayo. ............................................. 72
Tabla 20. Resultados de los entrenamientos para la RNA de junio. .............................................. 74
Tabla 21. Resultados de los entrenamientos para la RNA de julio. ............................................... 76
Tabla 22. Resultados de los entrenamientos para la RNA de agosto ............................................ 78
Tabla 23. Resultados de los entrenamientos para la RNA de septiembre .................................... 80
Tabla 24. Resultados de los entrenamientos para la RNA de octubre .......................................... 82
Tabla 25. Resultados de los entrenamientos para la RNA de noviembre ..................................... 84
Tabla 26. Resultados de los entrenamientos para la RNA de diciembre ...................................... 86
Tabla 27. Muestra de la base de datos para entrenamiento para la RNA de enero. ................... 89
Tabla 28. Resumen de los resultados de los entrenamientos de las RNAs .................................. 90
Tabla 29. Resumen de estado de arte de modelos de predicción. .............................................. 113
Tabla 30. Coeficientes calculados para aplicar el método de bines para el UGE 01................. 123
Tabla 31. Función matemática para la curva de potencia normalizada para el UGE01 ............ 124
Tabla 32. Ecuación a tramos final normalizada para potencia activa del UGE 01 ..................... 124
Tabla 33. Coeficientes calculados para aplicar el método de bines para el UGE 02................. 125
Tabla 34. Función matemática para la curva de potencia normalizada para el UGE 02 ........... 126
Tabla 35. Ecuación a tramos final normalizada para potencia activa del UGE 02 ..................... 126
Tabla 36. Coeficientes calculados para aplicar el método de bines para el UGE 03................. 127
Tabla 37. Función matemática para la curva de potencia normalizada para el UGE03 ............ 128
Tabla 38. Ecuación a tramos final normalizada para potencia activa del UGE 03 ..................... 128
Tabla 39. Coeficientes calculados para aplicar el método de bines para el UGE 04................. 129
Tabla 40. Función matemática para la curva de potencia normalizada para el UGE 04 ........... 130
Tabla 41. Ecuación a tramos final normalizada para potencia activa del UGE 04 ..................... 130

XIV
Tabla 42. Coeficientes calculados para aplicar el método de bines para el UGE 05................. 131
Tabla 43. Función matemática para la curva de potencia normalizada para el UGE 04 ........... 132
Tabla 44. Ecuación a tramos final normalizada para potencia activa del UGE 05 ..................... 132
Tabla 45. Coeficientes calculados para aplicar el método de bines para el UGE 06................. 133
Tabla 46. Coeficientes calculados para aplicar el método de bines para el UGE 07................. 134
Tabla 47. Función matemática para la curva de potencia normalizada para el UGE 07 ........... 135
Tabla 48. Ecuación a tramos final normalizada para potencia activa del UGE 07 ..................... 135
Tabla 49. Coeficientes calculados para aplicar el método de bines para el UGE 08................. 136
Tabla 50. Función matemática para la curva de potencia normalizada para el UGE 08 ........... 137
Tabla 51. Ecuación a tramos final normalizada para potencia activa del UGE 08 ..................... 137
Tabla 52. Coeficientes calculados para aplicar el método de bines para el UGE 09................. 138
Tabla 53. Función matemática para la curva de potencia normalizada para el UGE 09 ........... 139
Tabla 54. Ecuación a tramos final normalizada para potencia activa del UGE 09 ..................... 139
Tabla 55. Coeficientes calculados para aplicar el método de bines para el UGE 10................. 140
Tabla 56. Función matemática para la curva de potencia normalizada para el UGE 10 ........... 141
Tabla 57. Ecuación a tramos final normalizada para potencia activa del UGE 10 ..................... 141
Tabla 58. Coeficientes calculados para aplicar el método de bines para el UGE 11................. 142
Tabla 59. Función matemática para la curva de potencia normalizada para el UGE 11 ........... 143
Tabla 60. Ecuación a tramos final normalizada para potencia activa del UGE 11 ..................... 143
Tabla 61. Promedio de velocidad de viento para el año 2014 ...................................................... 144
Tabla 62. Promedio de velocidad de viento para el año 2015 ...................................................... 144
Tabla 63. Promedio de velocidad de viento para el año 2016 ...................................................... 144
Tabla 64. Promedio de velocidad de viento para el año 2017 ...................................................... 145
Tabla 65. Promedio de velocidad de viento para el año 2018 ...................................................... 145

XV
SIMBOLOGÍA PROPUESTA.

𝐶𝑃 Coeficiente de potencia o límite de Betz

𝑚𝑎𝑖𝑟𝑒 Masa del aire
𝐸𝑐 Energía cinética del viento
𝑃𝑒 Potencia eléctrica entregada por el aerogenerador
𝜌𝑎𝑖𝑟𝑒 Densidad del aire
𝐴𝑟 Área por el diámetro del rotor o el tamaño de las palas
𝑣 Velocidad de la corriente del viento
𝜌10𝑚𝑖𝑛 Densidad de aire promediada en 10 min
𝑇10𝑚𝑖𝑛 Temperatura absoluta del aire medida, promediada en 10min
𝐵10𝑚𝑖𝑛 Presión atmosférica promediada en 10 min
𝑅0 Constante de los gases del aire seco 287,05/(Kg.K)
𝑃𝑛 Potencia normalizada para el método de bines
𝑃10𝑚𝑖𝑛 Potencia medida promediada cada 10 min
𝜌0 Densidad del aire de referencia
𝑙𝑜𝑔𝑠𝑖𝑔 Función de activación sigmoidal o logística
𝑡𝑎𝑛ℎ Función de activación tansig o tangente hiperbólica
RNA Redes neuronales artificiales
RNR Redes neuronales recurrentes
NARX Red neuronal no lineal autorregresiva con entrada externa
UGE Unidad de generación (aerogenerador eólico)
CEV Central Eólica Villonaco
MM Moledo matemático
RNA Red Neuronal Artificial
MSE Error cuadrático medio (mean square error)
ERM Error relativo medio

XVI
1. TÍTULO.

Modelo matemático para predecir la producción de energía eólica a corto plazo,

utilizando redes neuronales

1
2. RESUMEN.

El presente trabajo de titulación está enfocado en el desarrollo de un modelo de predicción de

energía eólica a corto plazo (horizonte de un día) para la Central Eólica Villonaco (CEV), basado
en inteligencia artificial, con redes neuronales artificiales (RNAs) especialmente NARX (nonlinear
nutorregresive network with exogenous inputs). Teniendo como punto de partida los registros de
velocidad de viento y potencia activa desde el año 2014 hasta el 2018.

Antes de hacer uso de los datos proporcionados fue necesario realizar un preprocesamiento de
la información, rellenar datos perdidos de viento y potencia haciendo uso del software Excel.
También fue necesario realizar un tratamiento de datos de viento y potencia activa, suprimiendo
así datos atípicos.

Previo al proceso de entrenamiento de las RNAs se diseñó un modelo matemático haciendo uso
del software yEd Graph Editor®, que permitió generar un flujograma del proceso de predicción de
energía eólica.

En el proceso de entrenamiento se hizo uso de Neural Network ToolboxTM de MatLab® en la

herramienta de Neural Time Series con redes NARX, que se especializa en series de datos que
evolución en el tiempo. Luego de un proceso de entrenamientos y evaluación se probaron
diversas topologías en la estructura de los datos de entrada y salida. Se definió finalmente por
entrenar una RNA por cada mes del año, y se ingresaron los datos para su aprendizaje desde el
2014 hasta el 2017, dejando así el año 2018 para validar el modelo.

Para evaluar el rendimiento y precisión de las RNAs se utilizó el estimador de error cuadrático
medio (MSE) proporcionado por MatLab®, en lazo abierto y lazo cerrado de la red neuronal, así
como también el coeficiente de correlación de Pearson (R). Otro tipo de evaluación se realizó
con los datos del 2018 que son datos que no se ocuparon en el entrenamiento, por lo que para
evaluar el nivel de precisión se ocuparon el MSE y error relativo medio (ERM).

Palabras claves: método de bines, inteligencia artificial, redes Narx, predicción de viento,
aerogeneradores, potencia eólica.

2
ABSTRAC

This degree work is focused on the development of a short-term wind energy prediction model
(one-day horizon) for the Villonaco Wind Power Station (CEV), based on artificial intelligence,
with artificial neural networks (RNAs), especially NARX (nonlinear autorregresive network with
exogenous inputs). Taking as a starting point the records of wind speed and active power from
2014 to 2018.

Before making use of the data provided, it was necessary to pre-process the information, fill in
wind and power data gaps using the Excel software. It was also necessary to carry out a treatment
of wind and active power data, thus suppressing outliers.

Before the RNAs training process, a mathematical model was designed using the yEd Graph
Editor® software, which allowed generating a flow chart of the wind energy prediction process.

In the training process, use was made of Neural Network ToolboxTMMatLab® in the Neural Time
Series tool with NARX networks, which specializes in data series that evolve over time. After a
training and evaluation process, various topologies in the structure of the input and output data
were tested. It was finally defined by training an ANN for each month of the year, and data were
entered for its learning from 2014 to 2017, thus leaving 2018 to validate the ANNs.

To evaluate the performance and precision of the RNAs, the mean squared error estimator (MSE)
provided by MatLab® at the end of training, in the open loop and closed loop of the neural network,
was used, as well as the Pearson correlation coefficient (R). Another type of evaluation was
performed with the 2018 data, which is data that was not used in training, so the MSE and mean
relative error (ERM) were used to evaluate the level of precision.

Keywords: bin method, artificial intelligence, Narx networks, wind forecasting, wind turbines,
wind power.

3
3. INTRODUCCIÓN.

La necesidad de optar por energías renovables no convencionales es evidente y la capacidad de

potencia instalada de la matriz energética nacional va en aumento. Por tal razón en Ecuador se
han realizado múltiples estudios de prefactibilidad para explotar el recurso eólico en diferentes zonas del
país, es importante mencionar que hay parques eólicos ya construidos como la “Central Eólica Villonaco”
de 16,5MW de potencia instalada.

El viento tiene un comportamiento muy variable, por lo cual es necesario implementar métodos de
predicción para estimar la producción futura de energía de los parques eólicos, lo que es crucial dentro del
sector ingenieril para maniobras de mantenimiento de los aerogeneradores de manera que no involucren
paradas innecesarias que se convierten en pérdidas de generación. A esto se le debe agregar el enfoque
financiero, que permite realizar planificaciones de producción de energía.

En la actualidad se cuenta con métodos de predicción de potencial eólico tales como: modelo dinámico
vectorial, media ponderada, regresión local ponderada, modelo atmosférico, modelo basado en
descomposición de Fourier, etc. Los métodos antes mencionados requieren de modelos matemáticos
avanzados, el uso de softwares con bastante gasto computacional, también se necesita de grandes
volúmenes históricos de datos, también de variables meteorológicas como: humedad relativa, temperatura
ambiente, densidad local del aire, radiación solar, etc. Que en ciertos casos no hay disponibles. Tal es el
caso de la Central Eólica Villonaco que está en funcionamiento desde el año 2013, el primer año con
bastantes irregularidades por lo que se considera no viables estos datos, además no se dispone de
variables meteorológicas, por lo que hace inviable hacer estudios con los métodos antes mencionados.

Teniendo en cuenta la disponibilidad de datos que son de velocidad de viento, potencia activa y energía
generada, nace la propuesta de plantear una metodología que involucre como variable principal la velocidad
de viento, haciendo uso del histórico con el que se cuenta. Para este propósito se hace uso de Inteligencia
Artificial (IA), específicamente redes neuronales de tipo NARX, que es una solución rápida y fiable en la
búsqueda de patrones a partir de un histórico, que son difíciles de obtener con los métodos convencionales.
A continuación, se describe de manera general en enfoque de este proyecto:

La sección (4) se enfoca en la búsqueda de información bibliográfica en estudios afines, que involucren:
funcionamientos de aerogeneradores de eje horizontal, tratamientos de datos de viento, depuración de
datos de potencia, estudio de series de tiempo, como también modelación matemática e inteligencia
artificial.

4
La sección (5) describe los materiales utilizados y la metodología para el desarrollo de este proyecto. En
primera instancia la organización de la base de datos comprende: preprocesamiento de datos perdidos,
depuración de datos atípicos de la velocidad de viento, aplicación del método de bines para eliminar datos
atípicos de potencia y encontrar las curvas normalizadas para cada UGE. Luego se plantea un modelo
matemático que relaciona las ecuaciones para predecir energía eólica. También se indica el proceso de
entrenamiento y selección de RNAs, y como validar las mismas.

La sección (6) muestra los resultados obtenidos del proceso de tratamientos de datos donde se indica tablas
de los datos faltantes, gráficas del proceso de depuración de datos atípicos de potencia, como se crearon y
validaron las RNAs. Finalmente, también mostramos en gráficas el comportamiento de las series de tiempo
de velocidad de viento, potencia activa y energía generada entre la predicha y la real.

Con estos antecedentes, los objetivos planteados en este trabajo son:

Objetivo general.

• Generar un modelo matemático para la predicción de energía eólica a corto plazo,

utilizando redes neuronales.

Objetivos específicos.

• Adecuar la base de datos a los parámetros establecidos en el software de programación

para la información de entrada del modelo.
• Desarrollar una arquitectura de redes neuronales para la predicción de producción de
energía eólica a corto plazo para Central Eólica Villonaco.
• Validar técnicamente la red neuronal contrastando los resultados obtenidos en el modelo
con los valores reales de producción de energía de la Central Eólica Villonaco.

5
4. REVISIÓN DE LITERATURA.

4.1. Energías Renovables.

4.1.1. Generalidades.

Según (Carta, Calero, Colmenar, & Manuel, Centrales de energías renovables: Generación
eléctrica con energías renovables, 2009), es renovable cualquier proceso que no altere el
equilibrio térmico del planeta, que no genere residuos irrecuperables, y que la velocidad de su
consumo no sea superior a la velocidad de regeneración de la fuente energética y de la materia
prima utilizada en el mismo.

Para el (Instituto Interamericano de Cooperación para la Agricultura, 2014), la energía renovable

es cualquier forma de energía de origen solar, geofísico o biológico que se renueva mediante
procesos naturales a un ritmo igual o superior a su tasa de utilización. Se obtiene de los flujos
continuos o repetitivos de energía que se producen en el entorno natural y comprende
tecnologías de baja emisión de carbono, como la energía solar, la hidroeléctrica, la eólica, la
mareomotriz y del oleaje, y la energía térmica oceánica, así como combustibles renovables tales
como la biomasa.

4.1.2. Origen del viento.

Para (FOCER, 2002), la energía eólica tiene su origen en la energía solar, más específicamente
en el calentamiento diferencial de masas de aire por el sol, ya sea por diferencias de latitud
(vientos globales) o el terreno (mar-tierra o vientos locales). Las diferencias de radiación entre
distintos puntos de la Tierra generan diversas áreas térmicas y los desequilibrios de temperatura
provocan cambios de densidad en las masas de aire que se traducen en variaciones de presión.

La dirección del viento está determinada por efectos topográficos y por la rotación de la Tierra.
Es de gran importancia el conocimiento de las direcciones dominantes para instalar los equipos
que extraerán la energía proveniente de este recurso. Los aerogeneradores se deben colocar en
lugares donde exista la menor cantidad de obstáculos posibles en estas direcciones.

4.1.3. Aerogeneradores.

4.1.3.1. Generalidades.

Según (Talayero, 2008), un aerogenerador es el dispositivo que transforma la energía cinética

contenida en el viento en energía eléctrica en las condiciones idóneas para ser utilizada.

6
El diseño y uso de los mismos es variado, adaptándose a diferentes requerimientos; abarcan un
rango muy amplio de dimensiones y tecnologías, pudiendo transformar la energía del viento en
energía mecánica para uso directo, o transformándola posteriormente en energía eléctrica; o bien
permite directamente transformar la energía cinética en eléctrica.

4.1.3.2. Clasificación de aerogeneradores.

De acuerdo a la tipología de los aerogeneradores (Layarroz, 2014) considera la posición de eje

de giro de la máquina y los clasifica de la manera siguiente:

Las máquinas de eje vertical constan de un mástil alrededor del cual se colocan los perfiles
aerodinámicos que extraen la energía del viento. Una de sus principales ventajas son una mayor
simplicidad, ya que no necesitan orientarse respecto al viento incidente y toda la maquinaria
asociada a la producción energética está situada en el suelo, por lo que los costes de este tipo
de máquina son menores. La principal desventaja reside en la menor eficiencia y escala de estos,
por lo que su ámbito de aplicación suele reducirse a pequeñas producciones energéticas.

El otro tipo, son aquellas máquinas cuyo eje de giro está situado en posición horizontal. Son las
más habituales en la industria energética a gran escala. Su principal ventaja frente a otros
diseños son su mayor eficiencia en la producción energética, mientras la complejidad técnica
aumenta ya que la máquina tiene que orientarse, así como regular su potencia. Sus costes son
más elevados debido a que toda la maquinaria involucrada en la producción energética se sitúa
sobre la torre, aumentando mucho los costes de esta última. La máquina que tenemos como
estudio pertenece a este último grupo.

4.1.3.3. Aerogenerador de eje horizontal tipo hélice tripala.

Según (Pérez M. , 2018), los aerogeneradores de eje horizontal tienen el eje de rotación paralelo
a la dirección de viento, es más común en la producción eléctrica. También es llamado HAWT
(Horizontal Axis Wind Turbine). Este tipo de aerogeneradores presentan como ventajas más
significativas las de tener un mayor coeficiente de potencia o también conocido como límite de
Betz (𝐶𝑃 ), también que son capaces de barrer una mayor área y de aprovechar el incremento de
la velocidad del viento por la mayor elevación respecto al suelo. Además, poseen características
de par y velocidad más adecuadas para e accionamiento de un generador eléctrico que las de
eje vertical.

Dentro de los aerogeneradores de eje horizontal, según (Layarroz, 2014) tenemos dos
tecnologías que son:

7
La primera de ellas es conocida como Direct Drive, en la que el rotor de la máquina está
directamente unido a un generador multi-polo. Ayudado por la electrónica de potencia la energía
mecánica se convierte en una energía eléctrica apta para ser inyectada en la red eléctrica.

La segunda se conoce como el concepto con multiplicadora, en el que la velocidad de giro del
rotor se multiplica por medio de una multiplicadora mecánica haciendo posible que por medio de
un generador más sencillo se pueda generar energía apta para ser inyectada en la red eléctrica.

En la Figura 1 donde se muestra ejemplares de aerogeneradores de eje horizontal con tecnología

Direct Drive.

Figura 1. Central Eólica Villonaco con aerogeneradores de eje horizontal tripala GW70/1500.

4.1.3.4. Introducción a la conversión de energía eólica.

Según (García, 2010), el viento es una masa de aire en movimiento, y como tal, contiene cierta
cantidad de energía cinética como se representa en la Ec 1, que depende de la velocidad de la
masa de aire. Esta última, vendrá determinada por la temperatura y presión atmosféricas o, en
definitiva, por la densidad del aire:
1 Ec: 1
Ec = maire v 2
2
Donde:
𝑚𝑎𝑖𝑟𝑒 Es la masa del aire (Kg)
𝑣 Es la velocidad de viento (m/s)

Teniendo en cuenta la energía cinética contenida en una masa de aire en movimiento que
atraviesa un área determinada por el diámetro del rotor de un aerogenerador, se puede llegar a

8
la relación entre la velocidad del viento y la potencia eléctrica entregada por el aerogenerador
como la energía que lo atraviesa por unidad de tiempo:
1 Ec: 2
Pe = c ρ A v3
2 p aire r
Donde:
𝑃𝑒 Es la potencia eléctrica entregada por el aerogenerador (kW).

𝜌𝑎𝑖𝑟𝑒 Es la densidad del aire (kg/m3).

𝐴𝑟 Es el área por el diámetro del rotor o el tamaño de las palas (m2).

𝑣 Es la velocidad de la corriente de aire (m/s).

𝑐𝑝 Es el coeficiente de potencia, que indica el aprovechamiento de la energía del aire,

con un valor teórico máximo de 0,59 según el límite de Betz.

La curva habitual que describe la relación entre la potencia eléctrica entregada por un
aerogenerador y la velocidad del viento incidente en la turbina viene representada en la Figura
2, en lo que se conoce como curva de potencia o curva de un aerogenerador.

Figura 2. Curva de potencia vs viento, característica de un aerogenerador.

Fuente: (García, 2010)

4.1.3.5. Aerogeneradores Golwind 70/1500.

En base a los datos disponibles y proporcionados por la empresa GOLDWIND (2017) , para el
tipo de aerogeneradores emplazados en la Central Eólica Villonaco, se muestra a continuación
en la Figura 3, los principales componentes del aerogenerador Goldwind GW70/1500 y en la
Figura 4 se indica la curva de potencia garantizada por el proveedor.

9
 Figura 3. Partes principales de un aerogenerador GW 70/1500.
Fuente: (GOLDWIND, 2017).

Figura 4. Curva de potencia del aerogenerador Goldwind modelo GW 70/1500.

Fuente: (GOLDWIND, 2017)

En la Tabla 1 se muestra las características técnicas del aerogenerador GOLWIND 70/1500.

Tabla 1. Datos técnicos GW 70/1500.

Datos Técnicos Descripción
Parámetros de operación
Potencia nominal 1500 kW
Velocidad de arranque 3 m/s
Velocidad nominal 11.8 m/s
Velocidad de viento de corte 25 m/s (10 min),32 m/s (5 s)
Velocidad del viento de supervivencia 70 m/s
Tiempo de vida de diseño >20 años
Temperatura ambiente de funcionamiento -30 ºC hasta 40 ºC
Temperatura ambiente en espera -40 ºC hasta 50 ºC
Rotor
Diámetro 70 m
Área de barrido 3850 𝑚 2
Rango de velocidad 10.2 hasta 19 rpm
Número de palas 3
Tipo de pala LM34P o similares
Generador
Tipo Generador síncrono multipolar, excitado por campo
de rotor de imanes permanentes
Potencia nominal 1500 kW
Diseño De accionamiento directo

10
 Corriente nominal 660 A
Velocidad de rotación 19 rpm
Protección clase IP23
Convertidor
Tipo IGBT
Protección clase IP54
Factor de potencia de salida en rango regulado -0.95 a 0.95
Voltaje de salida nominal 620/690 V
Corriente nominal de salida 1397/1225 A
Sistema de frenado
Frenado aerodinámico Sistema pitch (paso de palas triple redundante)
Frenado mecánico Sistema de frenado hidráulico
Torre
Tipo Tubo de acero
Altura del buje 65 m
Fuente: (GOLDWIND, 2017)

4.1.3.6. Funcionamiento en condiciones normales.

La norma europea (AENOR, 2007), explica que durante el periodo de medida el aerogenerador
debe estar en funcionamiento normal, tal y como se prescribe en el manual de operación del
aerogenerador y la configuración de máquina no puede cambiarse. El estado de operación del
aerogenerador debe ser documentado por medio de las señales de estado y llevar un registro de
sus parámetros de funcionamiento.

El mantenimiento normal de la turbina debe llevarse a cabo a lo largo del periodo de medida,
pero tal trabajo debe ser anotado en el registro de incidencias del ensayo. Cualquier acción de
mantenimiento especial, tal como lavado frecuente de palas, que asegure un buen rendimiento
durante el ensayo debe en particular ser anotado. Tales acciones especiales de mantenimiento
no deben ser realizadas por defecto, a menos que se acuerden por las partes contractuales
previamente al comienzo del ensayo.

Según (Morata, 2016), las condiciones para el funcionamiento de un aerogenerador son:

▪ No estar afectado por alarmas o averías que supongan paradas emergentes. Como
se indica en la Figura 5 los puntos negros marcados dentro de las barras rojas
comprenden datos dentro del margen normal de funcionamiento del aerogenerador los
puntos de color magenta encerrados en el ovalo rojo representan paradas forzadas de la

11
 máquina por fallos mecánicos, mantenimiento o ruido en la toma de datos por el sistema
Scada (Supervisory Control And Data Acquisition).

Figura 5. Datos que representan paradas emergentes.

Fuente: (Morata, 2016)

▪ No presentar comportamientos anómalos. Como se visualiza en la Figura 6 los puntos

negros tienen un comportamiento no similar a la curva de potencia indicada en las barras
rojas de la Figura 5, esto podría indicar fallos en los equipos de medición.

Figura 6. Datos anómalos por ruido en los transductores de medición.

Fuente: (Morata, 2016)

▪ No presentar limitaciones de potencia. Los puntos de color verde en la Figura 7

dispuestos en líneas horizontales casi rectas indican que la máquina se limitó a cierta
potencia inferior a la potencia nominal.

12
 Figura 7. Datos en línea recta demuestra que el aerogenerador se lo limito a cierta potencia.
Fuente: (Morata, 2016)

▪ Si presenta diferente comportamiento en función de la dirección de viento. Los

aerogeneradores deben orientarse en dirección del viento sin que la potencia se vea
afectada, caso contrario como se ve en la Figura 8 se dice que la máquina no está
operando en condiciones normales.

Figura 8. Ruido por el sistema Scada o por los sensores de medición.

Fuente: (Morata, 2016)

4.2. Modelación matemática.

4.2.1. Definición de un modelo matemático.

Para (Kishurim, 2013), un modelo matemático es la simplificación por medio de expresiones

matemáticas de un objeto o fenómeno de la realidad, externo al campo de las matemáticas, lo

13
cual significa describir en lenguaje matemático una realidad que existe en un mundo no
matemático.

También podemos decir que la modelación matemática es el uso de las matemáticas para
describir fenómenos del mundo real, con el fin de inquirir aspectos importantes, explicar
fenómenos relacionados, probar ideas, o hacer predicciones.

Según (Lopéz, 2012), define a los modelos matemáticos como un objeto matemático (ya sea de
manera gráfica, analítica, igualdad, funcional, tabular, conjunto de ecuaciones, diagramas
secuenciales, etc.) lo cual reproduce los datos presentados en el fenómeno y permite una mejor
comprensión de este.

En Figura 9 se muestra el proceso de modelado:

Figura 9. Proceso para modelado matemático

Fuente: (María B. Isidro A. Elena F. José P & Ruth A)

4.2.2. Objetivos del proceso de modelado.

(Celi, 2018) expresa que un modelo matemático pretende:

a. Buscar comprender y explicar procesos fundamentales.

b. Querer que un fenómeno o sistema se comporte como deseamos.
c. Lograr ver emergencias, dinámicas, procesos, elementos y otros que no logramos
comprender habitualmente.

(María B. Isidro A. Elena F. José P & Ruth A) explica que un modelo matemático nunca es una
representación completamente exacta de una situación física; es una idealización. En un buen
modelo la realidad se simplifica lo suficiente para permitir cálculos matemáticos, pero incluso así

14
es bastante exacto para permitir conclusiones valiosas. Es importante el conocimiento acerca de
las limitaciones de un modelo.

4.2.3. Etapas de la modelación matemática en ingeniería.

Los pasos propuestos por (Plaza, 2016) para una modelación matemática se muestra a
continuación:

▪ Identificación del problema o proceso a resolver, junto con los objetivos, que deben ser
claros y concisos, con miras a obtener un resultado.
▪ Formulación de la situación-problema en términos matemáticos (matematización),
mediante ecuaciones y/o relaciones matemáticas, identificando para ello las variables,
parámetros y los supuestos a que haya lugar.
▪ Solución del problema y/o proceso matemático obtenido. Para ello se hará uso de
herramientas tales como tablas, gráficas, ecuaciones diferenciales, estadística,
investigación de operaciones.
▪ Comparación del modelo con la situación real. En función de esto, es necesario analizar
los resultados obtenidos, verificando si las respuestas alcanzadas son correctas,
adecuadas o no, y además si se generan soluciones extrañas.
▪ Análisis de las restricciones al modelo. Es importante tener en cuenta las suposiciones
hechas, así como el marco donde se va a limitar el dominio de la solución obtenida.
▪ Escenario de aplicación del modelo, así como su interpretación. Es aquí donde se
evidencia el cumplimiento de metas, teniendo en cuenta sus restricciones, si las hubiere.

4.2.4. Algoritmo.

4.2.4.1. Definición de algoritmo.

Para (Alemán, 2015), un algoritmo, se puede definir como una secuencia de instrucciones que
representan un modelo de solución para determinado tipo de problemas. O bien, también como
un conjunto de instrucciones que realizadas en orden conducen a obtener la solución de un
problema. Por lo tanto, podemos decir que es un conjunto ordenado y finito de pasos que nos
permite solucionar un problema.

4.2.4.2. Partes de un algoritmo.

Todo algoritmo debe tener las partes que se muestran en la Figura 10, las cuales se describen a
continuación:

15
 ▪ Entrada de datos, son los datos necesarios que el algoritmo necesita para ser
ejecutado.
▪ Proceso, es la secuencia de pasos para ejecutar el algoritmo.
▪ Salida de resultados, son los datos obtenidos después de la ejecución del algoritmo.

Figura 10. Partes de un algoritmo.

Fuente: (Alemán, 2015)

4.2.4.3. Características de un algoritmo.

▪ Debe ser preciso, porque cada uno de sus pasos debe indicar de manera precisa e
inequívoca que se debe hacer.
▪ Debe ser finito, porque un algoritmo debe tener un determinado número de pasos.
▪ Debe ser definido, porque debe producir los mismos resultados para las mismas
condiciones de entrada.
▪ Puede tener cero o más elementos de entrada.
▪ Debe producir un resultado. Los datos de salida serán los resultados de efectuar las
instrucciones.

4.2.4.4. Representación de algoritmos en diagramas de flujo.

(MIDEPLAN , 2009), define a los diagramas de como una representación gráfica mediante la cual
se representan las distintas operaciones de que se compone un procedimiento o parte de él,
estableciendo su secuencia cronológica. Es decir, son una mezcla de símbolos y explicaciones
que expresan secuencialmente los pasos de un proceso, de forma tal que este se comprenda
más fácilmente.

Un diagrama de flujo da una representación muy entendible de un algoritmo incluso se puede

representar subprocesos, que dan al lector una manera más fácil de entender la secuencia de
un fenómeno.

16
4.2.4.5. Objetivos de un diagrama de flujo o flujograma.

Los objetivos que se pretende alcanzar según (Alemán, 2015) son:

▪ Ofrecer una descripción visual de las actividades implicadas en un proceso mostrando la

relación secuencial ente ellas.
▪ Facilitar la rápida comprensión de cada actividad y su relación con las demás, el flujo de
la información, las ramas en el proceso, el número de pasos del proceso, etc.
▪ Facilitar la selección de indicadores de proceso.
▪ Estimula el pensamiento analítico en el momento de estudiar un proceso, haciendo más
factible generar alternativas útiles.
▪ Un diagrama de flujo ayuda a establecer el valor agregado de cada una de las actividades
que componen el proceso.

4.3. Predicción de la producción eólica.

4.3.1. Aplicaciones de la producción de energía eólica.

Según (Rodriguéz J, 2013), la energía eólica es una fuente de energía no programable, pero si
se puede predecir. Las aplicaciones de predicción de energía eólica se extienden a distintos
agentes del sistema eléctrico. Por ejemplo, para el operador del sistema, una herramienta de
predicción le permite programar las necesidades de energía para un periodo operación dado,
resolver con más precisión las restricciones de red, programar las reservas necesarias, y
gestionar la operación en tiempo real con mayor seguridad. A una compañía de distribución de
energía eléctrica, una herramienta como esta le permite determinar las compras de energía
necesarias con mayor precisión, y para un propietario de parques, es útil para programar tareas
de mantenimiento, por ejemplo, o para realizar ofertas de venta de energía en el mercado
eléctrico, si le resulta necesario o rentable.

(Heizer J y Render B, 2009), indica que los modelos de predicción son más precisos a corto plazo
que a largo plazo, desarrollando así un conjunto de pasos a seguir para iniciar, diseñar e
implementar un sistema de pronósticos, que a continuación se indica.

En la Figura 11, se indica los pasos para hacer un correcto pronóstico según (Lizalda, 2019).

17
 Figura 11. Pasos para hacer un sistema de pronóstico.
Fuente: (Lizalda, 2019)

4.3.2. Series de tiempo.

Las series de tiempo según (Viñuela P, 2004), se definen como una colección de datos o valores
de un suceso determinado a lo largo del del tiempo, {𝑥(𝑡)}𝑡∊ , donde 𝑡 representa la variable
tiempo y 𝑥(𝑡) el valor de la serie en dicho instante de tiempo.

Las series temporales se caracterizan porque su evolución temporal no depende necesariamente

del tiempo, sino de los valores de la serie en instantes anteriores de tiempo o incluso de otras
variables temporales que pudieran afectar su comportamiento.

4.3.2.1. Análisis de series temporales.

Según (Jacinto, 2019), el primer paso para el análisis de series de tiempo es graficar la serie,
para poder detectar componentes esenciales de la serie como:

• Detectar outliers (datos atípicos).

Se refiere a los puntos de la serie que se escapan de lo normal. Un outlier corresponde a un
comportamiento anormal del fenómeno (sin incidencias futuras) o un error de medición. Un outlier
se debe eliminar o en su defecto reemplazar por otro valor antes de analizar la serie.

• Permite detectar tendencia.

La tendencia representa el comportamiento predominante de la serie. Esta puede ser definida
como el cambio de la media a lo largo de un periodo.
• Variación estacional.

18
Representa un movimiento periódico de la serie de tiempo. La duración de la unidad del período
es generalmente menor que un año. Puede ser un trimestre un mes, una semana o un día.

• Variaciones irregulares.
Los movimientos irregulares (al azar) representan todos los tipos de movimientos de una serie
de tiempo que no sea tendencia, variaciones estacionales y fluctuaciones cíclicas.

4.3.2.2. Tipos de predicción de series temporales.

Predicción en un paso de tiempo.

Para (Viñuela P, 2004) predecir en un paso de tiempo consiste en predecir el valor de la serie en
el instante inmediatamente siguiente al instante actual 𝑡, a partir de las muestras históricas.

Predicción en múltiples pasos.

Este tipo de predicción consiste en predecir el comportamiento de la serie, después de los datos
históricos se trata de predecir varios datos futuros.

4.3.3. Tratamiento de datos.

4.3.3.1. Toma de datos.

La norma europea (AENOR, 2007) plantea que el sistema de adquisición de datos debe
almacenar o bien los datos muestreados o los siguientes datos estadísticos de conjuntos de
datos:

▪ valor medio;
▪ desviación típica;

Los conjuntos de datos seleccionados deben basarse en periodos diezminutales obtenidos de

datos contiguos medidos.

19
4.3.3.2. Detección de datos atípicos de velocidad de viento.

(Jijón, Constante, Moya, & Guerrón, 2015) utilizan un método de (Wan, L, & Swall, 2010) para la
detección de datos atípicos en series temporales de viento, proponen un método de
reconocimiento automático, que cumpla la siguiente condición de velocidad al tiempo 𝑡, como se
muestra a continuación en la ecuación siguiente:

𝑣𝑡 > 128(𝑘𝑚/ℎ); 35.6(𝑚/𝑠)

[|𝑣𝑡 −𝑣𝑡−1 | < 28(𝑘𝑚/ℎ); 7.8(𝑚/𝑠)] Ec: 3
|𝑣𝑡 −𝑣𝑡+1 | < 28(𝑘𝑚/ℎ); 7.8(𝑚/𝑠)
Donde:
𝑣𝑡 Es la velocidad de viento en el instante t.
𝑣𝑡−1 Es la velocidad de viento un instante anterior a t.
𝑣𝑡+1 Es la velocidad de viento un instante posterior a t.
4.3.3.3. Rechazo de datos.

Para asegurar que los datos obtenidos del sistema Scada sean válidos y no estén dañados,
(AENOR, 2007) recomienda que se deben excluirse de la base de datos los conjuntos de datos
recogidos bajo las siguientes circunstancias:

• Condiciones externas diferentes a la velocidad del viento que están fuera del rango de
operación del aerogenerador.
• La turbina no puede funcionar a causa de una condición de fallo.
• La turbina es manualmente apagada o está en modo de operación de ensayo o
mantenimiento.
• Fallo o degradación (por ejemplo, debido a helada) del equipo de ensayo.
• Dirección del viento fuera del(los) sector(es) de medida para aerogeneradores que no
cumplen con la separación normalizada.
• Direcciones de viento fuera de los sectores de calibración del emplazamiento válidos.

4.3.3.4. Normalización de datos de potencia activa.

Los datos seleccionados deben normalizarse a dos densidades de aire de referencia.

Alternativamente, la otra normalización puede ser llevada a cabo a una densidad de aire nominal
predefinida para el emplazamiento.
La densidad del aire puede determinarse de medidas de temperatura del aire y presión
atmosférica según la Ec 4:

20
 B10min Ec: 4
ρ10min =
R 0 T10min
Donde:
𝜌10𝑚𝑖𝑛 Es la densidad de aire promediada en 10 min (kg/m3).
𝑇10𝑚𝑖𝑛 Es la temperatura absoluta del aire medida, promediada en 10min (K).
𝐵10𝑚𝑖𝑛 Es la presión atmosférica promediada en 10 min (Pa).
𝑅0 Es la constante de los gases del aire seco 287,05/(Kg *K).

Para un aerogenerador regulado por pérdida con ángulo de paso constante y velocidad de
rotación constante, la normalización de datos se aplica a la potencia medida según la ecuación
siguiente:
ρ0 Ec: 5
Pn = P10min ∗
ρ10min

Donde:

𝑃𝑛 Es la potencia normalizada (kW).

𝑃10𝑚𝑖𝑛 Es la potencia medida promediada cada 10 min (kW).
𝜌0 Es la densidad del aire de referencia (kg/m3).
𝜌10𝑚𝑖𝑛 Es la densidad del aire media promedia sobre referencia (kg/m3).
Para normalizar la velocidad de viento se utiliza la Ec 6:
ρ0 1/3 Ec: 6
Vn = V10min ( )
ρ10min
Donde:

𝑉𝑛 Es la velocidad normalizada (m/s).

𝑉10𝑚𝑖𝑛 Es la velocidad del viento medida promediada sobre 10 min (m/s).

Determinación de la curva de potencia medida.

La curva de potencia medida se determina aplicando el “método de los bines” a los conjuntos de
datos normalizados, usando bines de 0,5 m/s y calculando los valores medios de la velocidad del
viento y potencia normalizada para cada bin de velocidad de viento según las ecuaciones
siguientes:
1 𝑁𝑖 Ec: 7
𝑉𝑖 = ∑ 𝑉𝑛,𝑖,𝑗
𝑁𝑖 𝑗=1
1 𝑁𝑖 Ec: 8
𝑃𝑖 = ∑ 𝑃𝑛,𝑖,𝑗
𝑁𝑖 𝑗=1
Donde:

21
 𝑉𝑖 Es la velocidad del viento normalizada y promediada en el bin 𝑖.
𝑉𝑛,𝑖,𝑗 Es la velocidad de viento normalizada del conjunto de datos 𝑗 en el bin 𝑖.

𝑃𝑖 Es la potencia normalizada y promediada en el bin 𝑖.

𝑁𝑖 Es el número de conjuntos de datos diezminutales en el bin 𝑖.

4.3.3.5. Método de Bines.

(Morata, 2016), explica cómo utilizar el método de bines. Una vez obtenidos los registros de
velocidad de viento del conjunto de datos (𝑉𝑛,𝑖,𝑗 ) y la potencia promediada del bin (𝑃𝑖 ) en los que
el aerogenerador ha estado trabajando en en condiciones “normales” de operación. Deben estar
discretizados en velocidades diezminutales en bines igual a 0,5 m/s como se ve en la Figura 12.

Figura 12. Dominio de la velocidad para cada bin.

Fuente: (Morata, 2016)

Cada bin de velocidad engloba todos los registros de potencia media diezminutal que están
asociados a las velocidades diezminutales pertenecientes al mismo, y se calculan para cada bin
la desviación típica usando la Ec 9:

1 𝑁𝑖 2
𝜎𝑃,𝑖 = √ ∑ (𝑃𝑖 − 𝑃𝑛,𝑖,𝑗 ) Ec: 9
𝑁𝑖 − 1 𝑗=1
Donde:

𝜎𝑃,𝑖 Es la desviación típica de los datos de potencia normalizada en el bin 𝑖.

𝑁𝑖 Es el número de conjuntos de datos diezminutales en el bin 𝑖.
𝑃𝑖 Es la potencia normalizada y promediada en el bin 𝑖.
𝑃𝑛,𝑖,𝑗 Es la potencia de salida normalizada del conjunto de datos 𝑗 en el bin 𝑖.

En la Figura 13 se observa las barras de color rojo que indican la magnitud de la desviación típica
ubicada sobre la curva de potencia normalizada, en cada bin de 0.5 m/s.

22
 Figura 13. Gráfico del método de bines.

4.3.4. Tipos de predicción de la producción de energía eólica.

4.3.4.1. Predicción a corto plazo.

Según (Rodriguéz J, 2013), estas técnicas de predicción abarcan un horizonte de hasta 48 horas.
En los primeros intervalos (hasta 6 horas) se puede denominar predicción a muy corto plazo.

4.3.4.2. Predicción a largo plazo.

Para (Rodriguéz J, 2013), estas técnicas tienen horizonte de predicción para 1 año. Requieren
de conocimiento de la velocidad y dirección de viento con cierta periodicidad durante este
intervalo. Su aplicación principal es la previsión de la energía total producida a lo largo del periodo
estudiado.

4.4. Inteligencia artificial.

4.4.1. Generalidades.

Para (Ponce, 2010), la inteligencia artificial siempre ha tenido como modelo natural las
funcionalidades inteligentes del hombre, enfocándose en distintos aspectos. Su primera
motivación fue intentar construir máquinas que pudieran pensar como el ser humano, o al menos
emularle en alguna capacidad de tal modo que denotara cierta inteligencia.

4.4.2. Redes neuronales artificiales (RNAs).

4.4.2.1. Generalidades.

Para (Wismark, 2008), las redes neuronales artificiales son una rama de la Inteligencia Artificial,
que son dispositivos inspirados en la funcionalidad de neuronas biológicas como se visualiza en
la Figura 14, aplicados al reconocimiento de patrones que las convierten aptas para modelar y
efectuar predicciones en sistemas complejos. Las RNA son un conjunto de técnicas matemáticas
para modelar las conexiones y relaciones entre conjunto de datos.

23
 Figura 14. Cuerpo de una neurona biológica.
Fuente: (Caicedo Eduardo, 2017)

4.4.2.2. Neurona biológica.

Las señales que se encuentran en una neurona biológica son de naturaleza eléctrica y química.
La señal generada por la neurona y transportada a lo largo del axón es eléctrica, mientras la
señal entre del axón y las dendritas es química. Mediante los neurotransmisores fluyen a través
de la región especial, llamada sinapsis que está colocada en los terminales del axón y las
dendritas de las otras neuronas como se muestra a continuación en la Figura 15.

Figura 15. Neurotransmisores en una neurona.

Fuente: (Caicedo Eduardo, 2017)

Las neuronas están conectadas con otras neuronas de las cuales reciben algún estímulo o señal
eléctrica y de acuerdo con eso se puede dar una respuesta.

La comunicación entre neuronas se hace a través de la sinapsis que es dónde tiene

neurotransmisores, que son los que se encargan de bloquear o dejar pasar las señales que
provienen de otras neuronas.

24
Las neuronas reciben las señales eléctricas de otras neuronas con las que tienen contacto. Estas
señales se acumulan en el cuerpo de la neurona para definir qué hacer.

Si el total de la señal electrica que recibe la neurona es suficientemente grande, se puede vencer
el potencial de accion, lo cual permite que la neurona se active o por el contrario permanezca
inactiva.

Al activarse una neurona, está en capacidad de transmitir un impulso eléctrico a las neuronas
con cuales tiene contacto. Ese impulso, por ejemplo, actúa como entrada para otras neuronas o
como estímulo en algún musculo.

4.4.2.3. Neurona artificial.

Para (Haykin, 2005), las Redes Neuronales Artificiales (RNAs) se inspiran en la estructura y
funciones de las neuronas biológicas. Una red neuronal artificial es esencialmente una colección
de neuronas interconectadas, agrupadas en capas. Haciendo un paralelo con el esquema recién
descrito de procesamiento del cerebro, la neurona artificial recibe distintos valores de entrada
“inputs” que son multiplicados por una ponderación. En el escenario más simple, estos productos
son sumados para obtener un valor de salida “output”. Este tipo de red simplificada posee dos
capas, una de inputs (entradas) y otra de outputs (salidas). La Figura 16 ilustra la representación
gráfica estándar de una red neuronal feedforward (alimentada hacia delante, es decir que la
información fluye desde los inputs hacia el output).

Figura 16. Modelo de una red neuronal feedforward.

Fuente: (Ledesma, 2015)

(Yegnanarayana, 2006), explica que cada conexión entre un input y un output está caracterizada
por un peso que expresa la importancia relativa de un input particular en el cálculo del output.
Para calcular el valor del output en el momento 𝑡, la neurona output colecciona los valores de

25
cada neurona input en la observación 𝑡 y multiplica cada uno de ellos por un peso asociado con
la conexión relevante.
𝑗

𝑦𝑡 = 𝑤41 𝑝1 + 𝑤41 𝑝2 + 𝑤41 𝑝3 + … + 𝑤𝑖 𝑝𝑗 = ∑ 𝑤𝑝𝑖 Ec: 10

𝑖=1

La Ec 10 indica que 𝑦𝑡 es una suma ponderada de 𝑝𝑖 , donde cada 𝑝𝑖 (las neuronas input) se
vincula con 𝑦1 (la neurona output) por los parámetros (las ponderaciones). En este modelo lineal,
cuando 𝑤𝑖 cambia en una unidad, y cambia 𝑝𝑖 unidades.

La neurona output luego procesa este valor usando una función de activación. En la forma más
simple de red neuronal, la función de activación es la identidad. En sus cálculos, la red tratará de
reproducir el valor del output, dados los valores de los inputs.

4.4.2.4. Arquitectura de una red neuronal.

Según (Lopéz Alvárez P. Velo Sabín R & Maseda Eimil P, 2007), la arquitectura de la red
neuronal es la interconexión entre las distintas neuronas. Estas se agrupan en capas, cada una
de ellas con un conjunto de neuronas de número variable y comportamiento similar. Cada capa
está conectada a la inmediata posterior total o parcialmente, excepto la última capa que
constituye la salida de la red. Se distinguen tres tipos de capas:

▪ Capa de entrada: El número y tipo de neuronas de esta capa depende de los datos del
problema que se esté abordando. Esta capa recibe los datos o señales procedentes del
entorno, recibe los vectores de entrada y los redistribuye a las neuronas de la capa
intermedia sin realizar ningún tipo de procesamiento sobre los datos, es sólo una
receptora de información.
▪ Capas intermedias u ocultas: Pueden ser más de una dependiendo del problema, estas
capas no tienen conexión directa con el entorno y mediante el tratamiento adecuado de
estas capas se consigue la extracción de características, adaptabilidad, generalización;
es decir, esta capa proporciona a la red grados de libertad adicionales que le permitirán
encontrar representaciones internas de determinados rasgos del entorno. Transforma los
vectores de entrada en vectores intermedios, que caracterizan los patrones de
entrenamiento.
▪ Capa de salida: El número de neuronas de esta capa depende de las salidas de la red,
es decir, sus neuronas proporcionan la respuesta de la red neuronal a partir de un
estímulo de la capa intermedia.

26
Así, de acuerdo con su estructura en capas se tendría:

▪ Redes monocapa constituidas por una única capa de neuronas.

▪ Redes multicapa. Las redes multicapa tienen la habilidad de caracterizar los patrones
de entrenamiento generando su propio modelo de representación. Este tipo de redes
multicapa sólo necesita una única capa intermedia para modelar una proyección no lineal
entre los espacios de entrada y de salida, pues el aumento del número de neuronas en
la red conlleva un aumento en la variación. Una red con una única capa intermedia tiene
menos variación y proporciona mayor capacidad de generalización.

De acuerdo al flujo de datos entre las distintas capas se puede distinguir:

▪ Redes unidireccionales, en las cuáles la información circula en un sólo sentido, desde

la capa de entrada a la de salida.
▪ Redes recurrentes o realimentadas, en las que la información puede circular entre
capas en cualquier sentido, incluido el de salida a entrada.

En la Figura 17 se muestra la arquitectura típica de una red neuronal unidireccional de tres

capas: entrada, oculta y salida:

Figura 17. Arquitectura de una red neuronal.

Fuente: (Calvo, 2017)

27
4.4.2.5. Clasificación de los modelos neuronales.

Para (Bolaños, 2018), en función de cómo está constituido el mecanismo de aprendizaje, se

clasifican como: redes supervisadas, redes no supervisadas e hibridas.

Las redes supervisadas, necesitan un conjunto de datos de entrada previamente clasificados

o cuya respuesta de salida sea conocida. Entre las redes supervisadas se encuentran las que
tienen reglas de aprendizaje basadas en la corrección del error, como la regla de retro
propagación del error en el caso del perceptrón y el algoritmo de mínimos cuadrados, muy
utilizados en problemas de clasificación y predicción.

Las redes no supervisadas, no tienen un conjunto de datos previamente clasificados y deben

encontrar las relaciones que se pueden establecer entre los datos que se presentan en la
entrada. La red por sí misma buscará su comportamiento más adecuado atendiendo a cierto
criterio y encontrará estructuras o prototipos en el conjunto de patrones de entrenamiento. Como
ejemplo tenemos la regla de aprendizaje competitivo no supervisado (utilizada en problemas de
agrupación de patrones y obtención de prototipos), la regla de Kohonen (utilizada en
reconocimiento e identificación de patrones) y la regla de Hebb.

4.4.2.6. Recomendaciones para un óptimo funcionamiento de una red neuronal.

Para el óptimo funcionamiento de la RNA, (Bolaños, 2018) recomienda seguir los siguientes
pasos:

▪ Caracterización del fenómeno en estudio, se deben señalar las entradas, salidas y un

conjunto de datos desconocidos por la red, que sirvan para verificar el desempeño de la
red, mediante el cálculo del error cuadrático medio (MSE).
▪ Escalamiento o normalización de los datos, es decir patrones que la red pueda
entender de manera más sencilla, puesto que la red puede confundirse y el resultado de
aprendizaje no será el adecuado. Pueden ser patrones entre (0,1) o (-1, 1).
▪ Train o entrenamiento, etapa en la que se proporciona las entradas y salidas deseadas
escaladas a la red, este proceso se repite un cierto número de etapas, hasta que
encuentra las salidas con el mejor valor de performance.
▪ Validation o validación, el conjunto de datos de entrada se divide por defecto en el 75%
para train, 15 % para validación y 15% para test, en la etapa de validación se puede
observar el desempeño de la red con la medida del error cuadrático medio.
▪ Test o prueba, luego de entrenar y validar la red realiza pruebas como modelo predictor,
si el resultado final del MSE o performance es tendiente a cero se puede concluir que la

28
 red ha aprendido de manera exitosa y se puede probar la red con entradas desconocidas
para la misma y verificar la confiablidad del modelo, a través de la comparación de datos
targets vs salidas de red.

4.4.2.7. Funciones de activación.

(Matich, 2001), sostiene que una neurona biológica puede estar activa (excitada) o inactiva (no
excitada). Las neuronas artificiales también tienen diferentes estados de activación; algunas de
ellas solamente dos como activa e inactiva, al igual que las biológicas, pero otras pueden tomar
cualquier valor dentro de un conjunto determinado.

La función de activación calcula el estado de actividad de una neurona, transformando la entrada

global, en un valor (estado) de activación, cuyo rango normalmente va de (0 a 1) o de (-1 a 1).
Esto es así, porque una neurona puede estar totalmente inactiva (0 o -1) o activa (1).

Las funciones de activación más comúnmente utilizadas se detallan a continuación:

Función logística.
Esta función es comúnmente usada en redes multicapa, como la Backpropagacion, en parte
porque la función logsig es diferenciable y tiene un comportamiento como se indica en la Figura
18.
1 Ec: 11
f(x) = logsig(x) =
1 + e−x

Figura 18. Función de activación logística.

Fuente: (Ledesma, 2015)

Función tangente hiperbólica.

Para (Celi, 2018), la función de activación tangente hiperbólica se emplea en los casos que
presentan variaciones suaves de valores positivos y negativos de la señal a clasificar. Es una de
las funciones más empleadas en entrenamientos supervisados, como en el caso del
entrenamiento de backpropagation del error y tiene un comportamiento como se visualiza en la
Figura 19.

29
 f(x) = tanh(ax) Ec: 12

Figura 19. Función de activación tansig.

Fuente: (Ledesma, 2015)

Función sigmoidal.
Con la función sigmoidal el valor dado por la función es cercana a uno de los valores asintóticos.
Esto hace que, en la mayoría de los casos, el valor de salida este comprendido en la zona alta o
baja del sigmoide. La importancia de la función sigmoide es que su derivada siempre es positiva
y cercana a cero para los valores grandes positivos o negativos; además, toma su valor máximo
cuando 𝑥 = 0. A continuación, en la Figura 20 se indica el comportamiento de esta función.

1 Ec: 13
f(u) = logsig(x) =
1 + e−u

Figura 20. Función de activación sigmoidal.

Fuente: (Ponce, 2010)

Función de transferencia purelin.

Esta función es tipo lineal es la más sencilla denominada también función identidad porque
responde a la expresión 𝐹𝑘(𝑢) = (𝑢). En realidad, esta función que se indica en la Figura 21,
equivale a no aplicar función de salida.

Figura 21. Función de activación identidad.

Fuente: (HOSTINGER, 2012)

30
4.4.2.8. Algoritmo de backpropagation.

(Bosogain, 2008), sostiene que las redes backpropagation tienen un método de entrenamiento
supervisado. A la red se le presenta parejas de patrones, un patrón de entrada emparejado con
un patrón de salida deseada. Por cada presentación los pesos son ajustados de forma que
disminuya el error entre la salida deseada y la respuesta de la red. El algoritmo de aprendizaje
backpropagation conlleva una fase de propagación hacia adelante y otra fase de propagación
hacia atrás como se observa en la Figura 22. Ambas fases se realizan por cada patrón
presentado en la sesión de entrenamiento.

Figura 22. Diagrama de una red backpropagation.

Fuente: (Calvo, 2017)

Según (Antonio S. Emilio S & José Martín, 2010), este algoritmo puede dividirse en dos fases:

1. Propagación hacia adelante feedforward.

Se propagan las señales desde la capa de entrada hasta la de salida, determinándose la salida
de la red y el error cometido al comparar ésta con el valor de la salida deseada que se le facilita
a la red durante la etapa de aprendizaje.

2. Propagación hacia atrás feedback.

En función de los errores cometido en la capa de salida, el algoritmo se encarga de optimizar los
valores de los pesos sinápticos que determinan las conexiones entre neuronas mediante la
retropropagación de error desde la capa de salida a la entrada a través de las sucesivas capas
ocultas.

31
4.4.2.9. Redes dinámicas recurrentes.

(Cabezón, 2018), sostiene que las redes neuronales recurrentes (Recurrent Neural Networks) o
conocidas como RNR tienen una gran habilidad para aprender problemas difíciles que tratan
sobre datos con series temporales. Estas redes tienen estados ocultos distribuidos en el tiempo
que permiten almacenar mucha información sobre el pasado de forma eficiente.

Para (Gómez, 2013), para que una red sea dinámica, debe poseer memoria, hay básicamente
dos maneras de poner memoria a una red neuronal: con retrasos y recurrencia.

Según (Sepúlveda, 2011), las redes RNR tienen conexiones feedforward de la primera capa
(capa de entrada) hacia la segunda (capa de salida) y los de las conexiones feedback de la
segunda a la primera. Los valores de los pesos de estos tipos de conexiones no tienen por qué
coincidir, siendo diferentes en la mayor parte de los casos. La retroalimentación puede ocurrir
entre neuronas de diferentes capas, de la misma capa e, incluso, entre una misma neurona.

Fijémonos en la más sencilla red neuronal recurrente posible, compuesta por sólo una neurona
que recibe las entradas y que produce una salida y que este lo envía así misma como vemos en
la parte izquierda de la Figura 23.

Figura 23. Neurona recurrente (izquierda), desarrollo en el tiempo (derecha).

Fuente: (Géron, 2017)

(Bonet Cruz, 2007), las RNR son capaces de realizar una amplia variedad de tareas
computacionales incluyendo el tratamiento de secuencias, la continuación de una trayectoria la
predicción no lineal y la modelación de sistemas dinámicos. Estas redes también se conocen
coma redes espacio-temporales o dinámicas, son un intento de establecer una correspondencia
entre secuencias de entrada y de salida que no son más que patrones temporales.
Existen tres tipos de tareas esenciales que se pueden realizar con este tipo de redes:

32
Reconocimiento de secuencias: Se produce un patrón de salida particular cuando se
especifica una secuencia de entrada.

Reproducción de secuencias: La red debe ser capaz de generar el resto de una secuencia
cuando ve parte de ella.

Asociación temporal: En este caso una secuencia de salida particular se debe producir en
respuesta a una secuencia de entrada específica.

4.5. Matlab.
4.5.1. Generalidades.

Para (Pérez C. , 2011), MATLAB® es una plataforma de cálculo científico y programación de alto
nivel a través de un entorno interactivo que permite realizar tareas de cálculo complejas de forma
más rápida que con los lenguajes de programación tradicionales.

En el área de matemática, estadística y optimización (Ataurima, 2013) indica los toolboxs de

Matlab más usados:

▪ Symbolic Math Toolbox: Realiza cálculos matemáticos simbólicos.

▪ Partial Differential Equation Toolbox: Resuelve ecuaciones diferenciales parciales
usando métodos de elementos finitos.
▪ Statistics Toolbox: Realiza modelamiento y análisis estadístico.
▪ Curve Fitting Toolbox: Ajusta curvas y superficies a los datos usando regresión,
interpolación y suavizamiento.
▪ Optimization Toolbox: Resuelve problemas de optimización estándar y de gran escala.
▪ Global Optimization Toolbox: Resuelve problemas de optimización de múltiple máximo,
múltiple mínimo y sin suavizamiento.
▪ Neural Network Toolbox: Crea, entrena, y simula redes neuronales.
▪ Model-Based Calibration Toolbox: Calibra complejos sistemas de propulsión.

4.5.2. Redes neuronales en Matlab para series de tiempo.

(Hudson, Hagan, & Howard Demuth, 2010), indica tres tipos de redes neuronales para problemas
de series temporales:

a) NARX (Nonlinear Autorregresive Network with Exogenous inputs ).

En el primer tipo de problema de serie temporal, se puede predecir los valores futuros de una
serie temporal y(t) a partir de los valores pasados de esa serie temporal y los valores pasados

33
de una segunda serie temporal x(t) este tipo de red se describe su funcionalidad en la Ec 14 y
se representa gráficamente como en la Figura 24.

y(t) = f(y(t − 1), … , y(t − d), x(t − 1), … , x(t − d)) Ec: 14

Figura 24. Modelo de una red neuronal NARX.

Para (Bolaños, 2018), esta es una red dinámica recurrente autorregresiva no lineal con entradas
exógenas o externa. Estas redes pueden aprender a predecir una serie de tiempo dado los
valores anteriores de la misma serie de tiempo, la entrada de retroalimentación, y otra serie de
tiempo, llamado externa o exógena de series de tiempo.

La principal ventaja de la red NARX sobre una red feedforward es que permite ganar grados de
libertad al incluir la predicción de un período como dato en períodos siguientes, resumiendo
información de las variables exógenas, permitiendo incluir menos rezagos de las mismas y
resumiendo el número de parámetros “a estimar”.

Cuando el feedback loop está abierto en la red neuronal NARX, predice el próximo valor de y(t)
de los valores previos de y(t) y x(t) (insumos externos). Cuando el feedback loop está cerrado, la
red se puede utilizar para ejecutar predicciones varias pasas hacia adelante. Esto se debe a que
las predicciones de la variable dependiente en t, van a ser usadas en lugar de valores
efectivamente futuros de la misma.

El modelo estándar de una red NARX consta de tres capas: capa de entrada, capa oculta y capa
de salida como se indica en la Figura 25.

Figura 25. Modelo de una red neuronal NARX diseñada con feedback loop abierto.

34
 b) NAR (Red autoregresiva no lineal).

En el segundo tipo de problema de series de tiempo, solo hay una serie involucrada. Los valores
futuros de una serie de tiempo y(t) se predicen solo a partir de valores pasados de esa
serie. Esta forma de predicción se llama autorregresivo no lineal, o NAR, y se puede describir su
funcionalidad en la Ec 15 y su representación gráfica en la Figura 26.

y(t) = f(y(t − 1), … , y(t − d)) Ec: 15

Figura 26. Modelo de una red neuronal NAR.

c) No lineal de entradas y salidas.

El tercer problema de la serie temporal es similar al primer tipo, ya que hay dos series
involucradas, una serie de entrada x(t)y una serie de salida / objetivo y(t). Aquí desea predecir
valores de y(t) a partir de valores anteriores de x(t), pero sin conocer los valores anteriores
de y(t). Este modelo de entrada y salida se puede expresar de acuerdo a la Ec 16 y se representa
gráficamente como en la Figura 27.

y(t) = f(x(t − 1), … , x(t − d)) Ec: 16

Figura 27. Modelo de una red neuronal de entrada – salida.

El modelo NARX proporcionará mejores predicciones que este modelo de entrada-salida, ya que
utiliza la información adicional contenida en los valores anteriores de y(t). Sin embargo, puede
haber algunas aplicaciones en las que los valores anteriores de y(t) no estarían
disponibles. Esos son los únicos casos en los que desea utilizar el modelo de entrada-salida en
lugar del modelo NARX.

35
5. MATERIALES Y MÉTODOS.

5.1. MATERIALES.

Los recursos necesarios para desarrollar el presente trabajo, están comprendidos en la

bibliografía utilizada como: libros, softwares para análisis estadísticos, tratamientos e
interpretación de datos. En la Tabla 2 se muestran los principales materiales utilizados.

Tabla 2. Recursos para el desarrollo del proyecto.

ELEMENTOS DESCRIPCIÓN

Datos de generación Datos históricos de generación desde el año 2014 hasta 2018 de la “Central
“Central Eólica Villonaco” Eólica Villonaco”

Excel 2019

Softwares yEd Graph Editor®, para la elaboración de algoritmos y modelos matemáticos

MatLab® versión R2017a 64 bits, para programar y entrenar las RNAs

Los datos utilizados en este estudio fueron proporcionados por la Unidad de Negocios Gensur
EP, y corresponden a datos de: velocidad de viento, potencia activa, potencia reactiva, energía
generada y dirección del viento; de los 11 aerogeneradores de la Central eólica Villonaco; esta
información está en una frecuencia de 10 minutos desde el 01 de enero de 2014 al 31 de
diciembre de 2018. Estos datos constituyen la información para entrenar la red neuronal y validar
el modelo.

El software empleado para ordenar, tabular y analizar mediante gráficas estadísticas los datos
es Excel 2019.

Matlab® R2017a es una herramienta que permite programar, crear y entrenar redes neuronales.

El software yEd Graph Editor® es una herramienta útil para la creación de diagramas de flujo,
guía para el tratamiento de los datos y representación del algoritmo de las redes neuronales.

5.2. MÉTODOS.

La metodología planteada para el desarrollo del presente proyecto se detalla a continuación:

5.2.1. Procesamiento de los datos.

5.2.1.1. Revisión bibliográfica.

Se examinó bibliografía referente a energía eólica, tratamiento de datos censados por

aerogeneradores, inteligencia artificial, modelos matemáticos (MM), proyectos o trabajos afines
a modelos de predicción.

36
Tomando en cuenta trabajos afines a este proyecto se pudo establecer una metodología para
implementación del proyecto que costa de las siguientes fases:

Figura 28. Metodología en la elaboración del proyecto.

5.2.1.2. Preprocesamiento de la base de datos.

La base de datos se ordena en carpetas por año desde el 2014 hasta el 2018, cada año contiene
datos por meses, donde constan la base de datos para cada aerogenerador.

5.2.1.3. Procesamiento de datos faltantes o datos perdidos.

Para proyectos de series temporales es necesario que los datos tengan secuencia en el tiempo,
según (Jacinto, 2019) los datos atípicos ó datos faltantes se deben rellenar utilizando
metodologías propuestas en el área de aplicación.

Se trabaja con datos en periodo diezminutal que lo recomienda la norma española (AENOR,
2007). Se debe tomar en consideración que los años bisiestos tienen 366 días, ya que el mes de
febrero cuenta con 29 días, por lo que se debe eliminar el día 29 de la base de datos.

Una vez organizadas las tablas por aerogenerador y por año en Excel, se puede calcular la
cantidad de datos faltantes.

El siguiente paso es tener en la tabla de Excel las celdas en blanco perteneciente a la fecha y
hora del dato faltante, de esta manera debe tener secuencia en el tiempo, dando como resultado
52560 datos de cada variable por año.

37
Luego se procede a ordenar los datos en forma consecutiva desde enero del 2014 hasta
diciembre del 2018 teniendo como resultado 11 tablas en Excel una por cada unidad de
generación (UGE), teniendo una cantidad 262800.

5.2.2. Desarrollo del modelo matemático.

Para generar el modelo matemático (MM) se hace uso de un diagrama de flujo como una
metodología de interpretación eficaz y sencilla.

El propósito del planteamiento del MM es definir los procesos a realizarse para predecir la energía
generada de cada aerogenerador, por la cual se toma en cuenta la información proporcionada
por la Central Eólica Villonaco, de acuerdo con estas variables se pueden crear las bases de
datos adecuadas para el entrenamiento de las redes neuronales.

Una RNA es capaz de buscar patrones o tendencias, de acuerdo con la configuración y topología
dada como entrada, por lo que se consideran como variable independiente a la velocidad de
viento, la potencia y energía como dependientes, ya se pueden calcular a partir de la velocidad
de viento.

Según (Rodriguéz J, 2013), el horizonte de predicción de potencia eólica a corto plazo se

considera desde 48 horas, menor a esa se considera predicciones de muy corto plazo, mientras
que para largo plazo se considera a partir de un año.

El total de días que el modelo matemático pueda predecir se deja a consideración a la topología
de mejor ajuste en la etapa de entrenamiento de redes neuronales.

Véase en la Figura 29 para comprender la secuencia que el modelo matemático realiza para
obtener los valores de energía.

Figura 29. Flujograma de modelo matemático de predicción de energía generada.

38
5.2.3. Tratamiento de la base de datos.

5.2.3.1. Procesamiento de datos faltantes de velocidad.

Una vez que tenemos la misma cantidad de datos por cada año, y las celdas en blanco de los
datos faltantes se procede hacer el relleno de datos perdidos (missing values) de la velocidad de
viento, considerando que se tiene diferentes escenarios y para lo cual se clasifica de la siguiente
manera:
▪ Para un solo dato faltante en la serie temporal se utiliza la media aritmética que se
indica Ec 17. Considerando que el viento tiene tendencias crecientes o decrecientes.

vt−1 + vt+1 Ec: 17

vt =
n
Donde:
𝑣𝑡 Es el dato faltante a rellenar.
𝑣𝑡−1 Dato extremo anterior.
𝑣𝑡+1 Dato extremo siguiente.
𝑛 Es la cantidad de datos a promediar en este caso 2.

▪ Para dos o más datos faltantes en el mismo aerogenerador.

Se determina usar el método de la Razón de q, descrito por (Montoya, Palomino, & Martínez,
2019) para estaciones de medición cercanas en este caso aerogeneradores adyacentes, ejemplo
tenemos datos faltantes en el UGE A, primero encontramos la razón de correlación con el UGE
B (aerogenerador de alado) se indica en la Ec 18:

∑ vUGE−B
q= Ec: 18
[ ∑ vUGE−A ]
vt−A = q. vt−B

Donde:
𝑞 Coeficiente de correlación de datos entre UGE A Y UGE B.
𝑣𝑡−𝐴 Dato faltante a calcular para UGE A.
Σ𝑣𝑈𝐺𝐸−𝐵 Sumatoria de datos anteriores en el instante 𝑡 de 𝑣𝑡−𝐵 .
Σ𝑣𝑈𝐺𝐸−𝐴 Sumatoria de datos anteriores al dato faltante en el instante 𝑡 de (𝑣𝑡−𝐴 ).
▪ Para un mes completo.

Considerando que hay meses que no disponen de ningún dato para cierto aerogenerador. Se
determina usar la interpolación espacial, con métodos de geoestadística, como la interpolación
con polígonos de Voronoi descrita por (Geoinnova, 2009).

39
El objetivo de este método es asignar a todas las localizaciones sin datos el valor del registro
más cercano, mediante líneas que delimitan el área que pertenece al punto más cercano.

Figura 30. Diagramas de Voronoi aplicados a estaciones meteorológicas.

Fuente: (Geoinnova, 2009)

Al tratarse de aerogeneradores con emplazamiento geográficamente lineal, se considera los

datos de vecino más cercano para reemplazar el dato carente. En la Tabla 3, se indica las
distancias geográficas de los emplazamientos, según el plano de emplazamiento (Anexo 4).
Tabla 3. Distancia geográfica entre aerogeneradores.
UGE 01-02 02-03 03-04 04-05 05-06 06-07 07-08 08-09 09-10 10-11

Distancia 170.1 170.6 197.3 175.3 195.9 247.3 182.6 216,6 216.5 247.8
(m)
Fuente: (Autor, tomado de los planos de emplazamiento CEV)

5.2.3.2. Procesamiento de datos faltantes de potencia.

Con los datos de la curva de potencia garantizada proporcionados por (GOLDWIND, 2017), que
se muestran en la Tabla 4, para los aerogeneradores emplazados en la CEV modelo GW70/1500,
se obtiene la curva de potencia garantizada, debido a su complejidad se calcula por tramos para
luego ser empleada para obtener los datos faltantes de potencia activa.

Tabla 4. Datos para la curva de potencia garantizada para el aerogenerador GW70/1500.

Velocidad de 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9
viento (m/s)
Potencia 16 31 55 85 121 161 211 273 345 425 514 616 729
(kW)
Velocidad de 9.5 10 10.5 11 11.5 12 12.5 13 13.5 14 14.5 15 25
viento (m/s)
Potencia 854 984 1114 1234 1334 1409 1455 1481 1494 1500 1500 1500 1500
(kW)
Fuente: (GOLDWIND, 2017)

40
5.2.3.3. Relleno de datos faltantes de energía.

Para los datos que carecen del valor de energía se empleó la ecuación establecida por (Cucó,
2017) como se muestra a continuación:

E10min = P10min . t Ec: 19

Donde:
𝐸10𝑚𝑖𝑛 Es la energía media generada durante ese periodo de 10 minutos.
𝑃10𝑚𝑖𝑛 Es la potencia activa media generada durante un periodo de 10 minutos.
T Es el tiempo de medición en este caso 10 minutos (0.16667h).

5.2.3.4. Análisis de los datos viento en la detección de outliers.

Para la detección de datos atípicos en la serie de viento se empleó el método utilizado por (Jijón,
Constante, Moya, & Guerrón) en el año 2015 para el análisis de viento de una torre meteorológica
de la CEV; el cual consiste en dar ciertas condiciones secuenciales en la serie de viento donde
se realiza la comparación de cada dato a analizar con el anterior y el siguiente, tal como se
describe en la Ec 3.

Este método se puede aplicar en módulos de velocidad no superiores a 35.6 m/s, lo cual es viable
ya que el máximo alcanzado en la CEV es 31.8 m/s durante los 5 años de registro. También el
valor absoluto de la diferencia de 𝑣𝑡 con el dato anterior o el posterior debe ser menor a 7.8 m/s.
Si no se cumple estas dos condiciones se considera un dato sospechoso o atípico.

Los datos atípicos o outliers se deben eliminar y dejar en espacio vacío para rellenarlos con los
métodos antes descritos para relleno de datos de velocidad, potencia activa media, y para
energía.

Según (Jacinto, 2019), el graficar la serie de tiempo es una manera muy simple poder buscar
posibles datos atípicos en relación de la media móvil (color naranja) de cada serie, como se
indica a continuación en la Figura 31:

41
 Figura 31. Detección de datos atípicos en velocidad de viento.

En este paso se eliminan los datos atípicos utilizando la Ec 3 y posteriormente se los remplaza
con la metodología antes mencionaba para relleno de datos faltantes de velocidad de viento.

5.2.3.5. Método de bines para el tratamiento de datos de potencia.

Ya unificadas las tablas, tratados los datos de velocidad de viento, rellenados los datos faltantes
de potencia y energía, dada la recomendación de (Jacinto, 2019) se deben graficar la velocidad
de viento y la potencia activa con el fin de identificar posibles datos atípicos.

Se aplicó el método de Bines determinada por la norma española UNE-EN 61400-12-1 (AENOR,
2007), que es adaptada de la Norma Europea EN 61400-12-1:2006, que a su vez adopta la
Norma Internacional IEC 61400-12-1:2005; para el tratamiento de datos de potencia activa de
aerogeneradores productores de electricidad.

Lo que primero se debe normalizar los datos de velocidad de viento y potencia a valores de
densidad de aire de referencia. Una debe ser la densidad a nivel del mar según la atmosfera
estándar de ISO (1.225kg/m3 ). La otra debe ser el promedio de la densidad de aire medidos en
el emplazamiento durante el periodo de recogida de datos. Es necesario mencionar que este
paso no se realizó debido a que se contaba con la curva de potencia garantizada que permitió
dar referencia a las barras de error en primera instancia.

Cada bin agrupa por módulos de velocidad todos los registros de potencia media diezminutal que
están asociados a las velocidades diezminutales pertenecientes al mismo y se calcula en cada
bin la desviación típica 𝜎𝑃,𝑖 de conformidad a la Ec 9.

42
La desviación típica se utiliza para calcular el tamaño de las barras de error, estas barras
verticales se ubican centradas en la potencia media normalizada de cada bin e indican el rango
de confianza de los datos a procesar, aquellos datos que queden fuera del área marcada por las
barras de bines serán eliminados.

Para la aplicación de este método se considera tres etapas de iteraciones:

Primera iteración. – Se trata de la primera depuración de datos, usando la función matemática

de la curva garantizada para referenciar las barras de error. Es el punto de partida, que garantiza
la eliminación de datos que generan la mayor cantidad de ruido en la obtención de la curva
normalizada, vinculada por lo general con errores de medición del sistema SCADA.

En la Tabla 4 se muestra los datos de la potencia garantizada proporcionada por el fabricante,

curva que es utilizada en primera instancia como referencia.

Segunda iteración. – Elimina por general valores atípicos como limitaciones de potencia. Por lo
tanto, con la velocidad propuesta de cada bin y su potencia respectiva calculada, se obtienen los
puntos que permiten calcular por tramos la curva de potencia normalizada de la segunda
iteración, que permitirán dar referencia a las barras de error, se usa la curva garantizada para
rellenar los datos atípicos eliminados.

Tercera iteración. – Se realizó el mismo proceso de la segunda iteración que permite encontrar
la función matemática por tramos que se utilizó para calcular la potencia.

Este proceso permite obtener la nueva curva de generación de potencia activa normalizada para
cada UGE. Se recalca que cada iteración comprende los siguientes pasos:

• Calcular los puntos de velocidad de viento y potencia media de cada bin.

• Obtener la función matemática de la curva de potencia normalizada.
• Calcular la desviación típica de cada bin, que permiten referenciar las barras de error y
crear las bandas de confianza.
• Eliminar datos atípicos que se encuentran fuera de la banda de confianza.
• Rellenar los espacios vacíos resultado de eliminar datos atípicos con la curva de potencia
garantizada.

La curva de potencia normalizada para cada UGE, permite obtener los nuevos valores de
potencia a partir de los valores de velocidad de viento predichos por las RNAs.

43
5.2.4. Diseño y programación de la RNA.

5.2.4.1. Selección de la RNA.

El Neural Network Time Series ToolTM es una herramienta de Matlab que se especializa en
aplicaciones de predicción y reconocimiento de patrones en series de tiempo, presenta tres
modelos de redes neuronales tales como: redes NARX, redes NAR, redes INPUT-OUPUT.

De acuerdo con el historial de datos disponibles, en base a un análisis minucioso de los datos, y
en base a las recomendaciones teóricas de las guías de Matlab para la precisión en las
predicciones se opta por redes NARX.

Las redes NARX son redes dinámicas recurrentes que pueden predecir valores futuros de una
serie temporal de entrada y una segunda serie temporal de registros (velocidad de viento), esta
última a su vez servirá como retroalimentación del sistema neural y es la variable a predecir.

Para un correcto entrenamiento y selección del mejor modelo de RNA se siguió el siguiente
algoritmo que se muestra en la Figura 32.

Figura 32. Flujograma del algoritmo de desarrollo de las RNAs.

44
5.2.4.2. Desarrollo de la arquitectura de la RNA.

▪ Selección de las variables.

La selección de las variables de entrada, como los parámetros de la arquitectura se definen como
una metodología de prueba error, ya que no existe bibliografía o metodología precisa que defina
estos parámetros.

Al tratarse de redes NARX, se considera que las variables de entradas se deben conocer para
futuras predicciones, por lo que se descarta las variables dependientes como: potencia activa y
energía generada, que están vinculadas directamente con la velocidad de viento.

La fecha es una variable que se conoce a futuro; por lo tanto, se considera como entradas de la
red, tratándose de entrenamiento supervisado se utiliza la variable de velocidad de viento como
objetivo o salida de la red, esta marca el ajuste de los pesos en función con la fecha ingresada.

La topología de mejor ajuste se deja a consideración en la etapa experimental de entrenamiento

de las RNAs.

▪ Preproceso y postproceso.
Con la finalidad de alcanzar mayor eficiencia en la red neuronal se realiza un pre-proceso a los
datos que van a ingresar la red neuronal ya sean inputs o targets en valores interpretables por la
red, y también se realiza un post-proceso a los outputs que entrega la red, para que sean
proporcionales a las unidades inicialmente ingresadas. Esto se hace con la siguiente función:

net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
net.inputs{2}.processFcns = {'removeconstantrows','mapminmax'};

Esta función mapea por filas, extrae el valor máximo y mínimo, y transforma los datos ingresados
a la red en un rango de [−1,1], y convierte los valores de la salida de la red en datos interpretables
en las unidades de origen.

▪ Creación de la red neuronal.

Para la creación de la red Narx se ocuparon los siguientes comandos:

trainFcn = 'trainlm';
inputDelays = 1:2;
feedbackDelays = 1:2;
hiddenLayerSize = 20;
net = narxnet(inputDelays, feedbackDelays,hiddenLayerSize,'open',trainFcn);

45
El commando trainFcn = 'trainlm', permite elegir el algoritmo de aprendizaje en este caso
Levenberg Marquart Back Propagation, para casos de series de tiempo con poco ruido y su
particularidad es su poco gasto computacional.

Los inputDelays expresan los retardos en la capa de entrada, los feedbackDelays los retardos
en la capa oculta, el comando hiddenLayerSize expresa el número de neuronas en la capa oculta,
estos parámetros serán variados durante el entrenamiento de manera de elegir a la red con mejor
desempeño.

▪ Distribución del conjunto de datos.

Para generar datos para las diferentes etapas de entrenamiento, validación y prueba de la red
se utiliza los siguientes comandos:
net.divideFcn = 'dividerand';
net.divideMode = 'time';
net.divideParam.trainRatio = 70/100;
net.divideParam.valRatio = 15/100;
net.divideParam.testRatio = 15/100;

Tratándose de una serie de tiempo la función net.divideFcn = 'dividerand'; divide por bloques de
datos que se segmentan en 70% para entrenamiento, 15% para validación y 15% para prueba
de la RNA.

▪ Pesos y Bias.

Es necesario indicar a la red los pesos de inicio, como también los bias para la capa de entrada
y la capa oculta; mismos que se generan aleatoriamente con la función initlayl:
net.initFcn = 'initlay';
pesosEntrada = net.IW{1,1};
pesosCapa = net.LW{2,1};
bias_capa_oculta = net.b{1};
bias_capa_salida = net.b{2};

▪ Desempeño de la RNA.
Se especifica ciertas condiciones a la red neuronal que garantizan su aprendizaje y su
convergencia:
net.trainParam.lr = 0.8;
net.trainParam.mc = 0.95;

46
 net.performFcn = 'mse';

Esta función permite net.trainParam.lr = 0,8 acondicionar la taza de aprendizaje de este caso
0,8%, esta permite amortiguar los cambios en los pesos en cada iteración, el comando de
net.trainParam.mc = 0,95; es el factor momento que acelera la convergencia de los pesos.

Dadas estas condiciones para medir el desempeño de la red se utiliza el MSE (Mean Square
Error) expresado por el comando net.performFcn = 'mse'.El MSE se calcula de acuerdo a la Ec
20.
1 n Ec: 20
MSE = ∑ (Valor deseado − Valor de prediccionRNA)2
n i=1

Donde:
𝑛 Cantidad de datos de entrenamiento.
▪ Preparación de los datos.
Para preparar los datos de entrenamiento y simulación se ocupó la función preparets.

[x,xi,ai,t] = preparets(net,X,{},T);

Esta función crea una serie temporal que se ajusta a los parámetros de la red a simular o
entrenar, realizando desplazamientos temporales para crear los estados de retardo de la red, 𝑥
consistirá en los inputs y targets la serie de destino que se van a presentar a la red, 𝑥𝑖 son los
estados de demora de entrada iniciales, 𝑎𝑖 estados de retardo de capa (vacío en este caso, ya
que no hay retardos de capa a capa), y 𝑡 es la serie de retroalimentación cambiada. Cabe
mencionar que para realizar este procedimiento se debe transformar el tipo de datos a tipo cell.

5.2.4.3. Entrenamiento de la RNA.

▪ Etapa de entrenamiento.
Con los datos preparados se entrena la red utilizado el comando de:
[net,tr] = train(net,x,t,xi,ai);
El objetivo de entrenamiento es que la red aprenda a identificar patrones o tendencias de las
series temporales, el tiempo de entrenamiento depende de como se hayan configurado los
parámetros de la red y de la capacidad de procesamiento del ordenador donde se entrenan la
RNA. En la Figura 33, se muestra la interfaz gráfica (GUI) de Matlab durante el entrenamiento:

47
 Figura 33. Interfaz de entrenamiento de RNA en Matlab.

Una vez completado el proceso de entrenamiento se procede a cerrar el loop (lazo de

retroalimentación) de la red como se muestra en la Figura 34 para realizar predicciones múltiples
pasos en el tiempo con el siguiente comando:

netc = closeloop(net);

Figura 34. Diagrama de la red en lazo cerrado.

También se puede eliminar un retraso de tiempo de los datos de entrada, lo que da posibilidad
de predecir el siguiente dato usando el siguiente comando:

nets = removedelay(net);

48
En la Figura 35 podemos observar la representación de la red Narx luego de eliminar un retraso
de tiempo.

Figura 35. Diagrama de la red para predecir el siguiente dato.

▪ Evaluación del entrenamiento.

Se puede evaluar el entrenamiento mediante las gráficas:
Performance, se ejecuta con el siguiente con el comando de “plotperform(tr)” y permite ver como
mejoró el rendimiento de la red durante el entrenamiento, el rendimiento se mide en términos de
MSE (error cuadrático medio) y se muestra en la escala de registro, por lo tanto, es mejor
mientras más se acerca a cero. Este también se muestra para cada conjunto de datos de
entrenamiento, validación y prueba como se indica en la Figura 36.

Figura 36. Curva de rendimiento del algoritmo proporcionada por Matlab.

Como se puede observar en la Figura 36 el valor de performance es 0.0076683, lo que confirma

que es el mejor valor de rendimiento entre los valores de rendimiento, validación y prueba, que
se produce en la iteración 8.

49
Error histogram, se ejecuta con el siguiente con el comando de “ploterrhist(e)” y se muestra a
continuación en la Figura 37:

Figura 37. Histograma de error de entrenamiento de la RNA.

Los errores de estos conjuntos de datos empleados durante el entrenamiento pueden ser
evaluados mediante un histograma, en el cual se muestran diferenciados por colores los errores
de cada uno de los conjuntos. Las barras azules representan los datos de entrenamiento, las
barras verdes representan los datos de validación, y las barras rojas representan los datos de
prueba.

En este caso la mayor cantidad de errores se ubican entre -0.232 hasta 0.2294 lo cual es muy
bueno, por ser cercanos a cero, en el caso de aparición de errores del conjunto de entrenamiento
alejados de la línea de cero errores, estos probablemente corresponderán a fallos cometidos
durante el entrenamiento ante cambios bruscos en la entrada de datos, por lo que es
recomendable volver hacer el entrenamiento variando los parámetros de la red.

Regression, se ejecuta con el comando “plotregression(t,y)”, el valor de la regresión o 𝑅 2 se

genera en cada conjunto como se muestra en la Figura 38.

50
 Figura 38. Diagrama de regresión para las salidas de la RNA entrenada.

Las tres gráficas representan los datos de entrenamiento, validación y prueba. La línea
discontinua de cada gráfico a 45o representa el resultado perfecto - resultados = objetivos. La
línea sólida representa la línea de regresión lineal más adecuada entre los resultados y los
objetivos. Si R = 1, indica que existe una relación lineal exacta entre las salidas y los objetivos.
Si R está cerca de cero, entonces no hay una relación lineal entre las salidas y los objetivos.

Error autocorrelación, se ejecuta con el comando “ploterrcorr(e)”, esta gráfica se usa para
validar que los datos tienen correlación entre los datos de entrada y los predichos.

Figura 39. Diagrama de autocorrelación de error cuadrático medio.

La Figura 39 muestra la función de autocorrelación de error. Describe cómo los errores de

predicción están relacionados en el tiempo. Para un modelo de predicción perfecto, solo debe

51
haber un valor distinto de cero de la función de autocorrelación, y debe ocurrir con un retraso
cero. (Este es el error cuadrático medio). Si hubo una correlación significativa en los errores de
predicción, entonces debería ser posible mejorar la predicción, quizás aumentando el número de
demoras en las líneas de demora intervenidas. En este caso, las correlaciones, excepto la del
retraso cero, caen aproximadamente dentro de los límites de confianza del 95% alrededor de
cero, por lo que el modelo parece ser adecuado.

5.2.5. Simulación de la red entrenada.

Ya entrenada la red, se procede a simular con datos desconocidos es decir que no intervienen
en el proceso de entrenamiento.

Obtenidos los nuevos valores predichos de viento, estos permiten calcular los siguientes índices
que permiten evaluar la red: el MSE, el ERM considerados en este proyecto. Se indica en la
sección de resultados.

52
6. RESULTADOS.

6.1. Preprocesamiento de los datos faltantes de velocidad de viento.

Del proceso de igualar las bases de datos a la cantidad ideal excepto de fallos, tenemos datos
faltantes que se muestran a continuación en la Tabla 5,6,7,8 y 9.
Tabla 5. Datos faltantes durante el año 2014.
2014
UGE
01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 0 0 0 0 16 0 0 0 0 0 4
FEBRERO 91 0 0 0 0 0 0 0 0 58 0
MARZO 2 0 0 0 0 0 0 0 0 0 0
ABRIL 48 23 19 19 19 21 13 25 15 19 24
MAYO 24 25 27 22 21 22 21 27 20 23 22
JUNIO 26 24 24 25 62 24 25 23 23 24 23
JULIO 1 2 0 0 4 8 0 0 0 0 0
AGOSTO 6 0 0 0 0 0 0 0 0 0 0
SEPTIEMBRE 24 24 25 25 29 27 27 26 27 25 25
OCTUBRE 0 0 5 5 33 0 0 0 0 0 0
NOVIEMBRE 230 190 150 4320 270 4320 203 215 170 4320 96
DICIEMBRE 22 22 36 20 17 17 74 4464 25 20 18

Tabla 6. Datos faltantes durante el año 2015.

2015
UGE
01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 10 12 14 19 16 13 11 12 11 107 6
FEBRERO 47 61 60 52 41 39 68 66 133 135 135
MARZO 0 0 0 2 0 0 0 0 6 8 0
ABRIL 74 62 68 67 83 61 63 65 64 65 66
MAYO 4464 18 33 71 56 21 21 21 22 69 24
JUNIO 30 46 45 43 63 34 34 34 33 51 34
JULIO 0 600 20 0 28 0 0 0 0 4 0
AGOSTO 0 600 20 0 28 0 0 0 0 4 0
SEPTIEMBRE 0 2 12 11 82 0 0 4 0 7 0
OCTUBRE 44 42 49 53 4464 9 29 65 8 5 8
NOVIEMBRE 129 132 171 159 117 122 112 111 135 175 126
DICIEMBRE 94 109 46 86 35 37 110 84 96 35 96

Tabla 7. Datos faltantes durante el año 2016.

2016
UGE
01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 239 233 35 221 26 43 292 232 223 1 246
FEBRERO 12 96 4032 4032 98 123 4032 4032 89 4032 25
MARZO 23 79 4464 4464 102 109 4464 4464 67 4464 23
ABRIL 22 55 59 4320 55 16 9 28 16 7 8
MAYO 11 50 33 4464 8 3 5 9 3 23 7
JUNIO 4 3 4 4320 3 4 1 4 3 13 6
JULIO 6 10 7 4464 25 9 5 7 3 10 7
AGOSTO 13 71 54 4464 0 0 9 52 14 50 25
SEPTIEMBRE 5 0 0 4320 0 15 57 2 97 232 100
OCTUBRE 24 0 18 34 12 452 0 0 0 1 0
NOVIEMBRE 0 0 87 1 142 0 0 1 0 0 0
DICIEMBRE 0 102 115 102 17 13 0 156 0 5 0

53
 Tabla 8. Datos faltantes durante el año 2017.
2017
UGE
01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 154 206 176 191 131 110 107 159 111 122 4464
FEBRERO 54 112 55 72 181 207 58 55 197 34 33
MARZO 15 68 96 132 115 393 178 73 366 84 10
ABRIL 49 107 60 120 101 391 227 68 179 81 73
MAYO 0 0 73 0 0 2 0 0 0 0 0
JUNIO 0 0 27 33 2 1 1 19 5 0 1
JULIO 24 25 33 261 25 25 28 23 225 24 40
AGOSTO 22 23 22 23 22 23 22 22 23 22 36
SEPTIEMBRE 0 0 0 67 0 7 4 0 3 4 4
OCTUBRE 6 18 4 1 1 3 0 0 0 0 0
NOVIEMBRE 1178 1172 1186 1196 1133 1132 1017 991 982 978 978
DICIEMBRE 0 0 3 115 0 0 11 0 1 5 3

Tabla 9. Datos faltantes durante el año 2018.

2018
UGE
01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 0 0 0 0 0 0 0 0 0 0 0
FEBRERO 260 248 244 400 245 244 244 244 245 245 244
MARZO 34 58 49 205 42 45 39 39 43 34 37
ABRIL 22 21 622 23 549 625 21 21 22 22 23
MAYO 0 0 0 141 536 0 6 0 0 0 0
JUNIO 5 3 4 0 130 1 0 0 0 0 0
JULIO 0 0 0 0 544 0 0 0 1 0 0
AGOSTO 0 0 2 7 156 1 0 0 1 0 0
SEPTIEMBRE 0 0 0 0 13 0 0 0 0 0 0
OCTUBRE 173 172 174 178 172 170 176 175 180 185 181
NOVIEMBRE 24 21 43 81 34 31 19 19 21 69 22
DICIEMBRE 16 27 57 42 16 17 31 14 24 74 25

6.2. Tratamiento de la base de datos.

6.2.1. Procesamiento de los datos faltantes de velocidad de viento.

En este apartado se consideran tres casos:

▪ Para un solo dato faltante y con datos a los extremos se ocupa la Ec 17.
▪ Para dos o más datos faltantes se ocupa la Razón de Q descrita en la Ec 18.
▪ Para un mes faltante se aplicó el Método de polígonos de Voronoi descrito por
(Geoinnova, 2009), que establece que “el objetivo de este método es asignar a todas las
localizaciones sin datos el valor del registro más cercano”.

Tomando en cuenta su ubicación geográfica se asignan los datos del vecino cercano como los
dice el Método de Voronoi, la asignación de la UGE se indica en la Tabla 3, tomando en cuenta
los planos del emplazamiento que se indica en el Anexo 4.

54
 Tabla 10. Asignación de datos del UGE más cercano.
UGE
01 03 04 05 06 07 08 10 11
MES
2014
NOVIEMBRE UGE 05 UGE 05 UGE 09
DICIEMBRE UGE 07
2015
MAYO UGE 02
OCTUBRE UGE 04
2016
FEBRERO UGE 02 UGE 05 UGE 06 UGE 09 UGE 09
MARZO UGE 02 UGE 05 UGE 06 UGE 09 UGE 09
ABRIL UGE 05
MAYO UGE 05
JUNIO UGE 05
JULIO UGE 05
AGOSTO UGE 05
SEPTIEMBRE UGE 05
2017
ENERO UGE 10

En la Tabla 10 indica de cual UGE se tomaron los datos que sustituyen los datos faltantes.

6.2.2. Depuración de datos atípicos de velocidad de viento.

Teniendo completado los datos se procede a realizar una limpieza de datos atípicos (outliers)
haciendo uso de la Ec 3. La cantidad de outliers se indica en la Tabla 11. Esta representa los
datos atípicos por UGE donde se indica por años.

Tabla 11. Outliers encontrados en la dataset.

UGE
01 02 03 04 05 06 07 08 09 10 11
AÑO
2014 29 11 62 111 3 10 102 34 114 5 7
2015 33 72 181 37 15 49 24 12 93 51 89
2016 34 58 49 205 42 45 39 39 43 34 37
2017 81 21 62 23 63 18 21 213 22 44 23
2018 12 46 123 141 26 47 66 30 14 271 62

6.2.3. Relleno de datos de potencia activa.

Como se mencionó anteriormente los aerogeneradores emplazados en la CEV son del modelo
GW70/1500, por lo cual se cuenta con los datos normalizados de la curva de potencia
característica, lo que se persigue en este paso es determinar dicha función matemática de
potencia en función del viento 𝑃(𝑣) = 𝑓(𝑣), esta a su vez se calcula a trozos debido a la
complejidad de ajuste de otras funciones de regresión polinomial, como se muestra a
continuación en la tabla:

55
Tabla 12. Ecuación de la curva de potencia garantizada calculada por tramos para el modelo de UGE GW70/1500.
Rango Función matemática
v<3 0
3 ≤ v < 6.5 0.0103v 5 + 1.014v 4 − 20.631v 3 + 155.68v 2 − 472.9v + 505.98
6.5 ≤ v < 14 v − 8.5 6 v − 8.5 5 v − 8.5 4 v − 8.5 3 v − 8.5 2 v − 8.5
25 ( ) + 11 ( ) − 150 ( ) − 150 ( ) + 270 ( ) + 760 ( ) + 620
3.4 3.4 3.4 3.4 3.4 3.4
14 ≤ v < 25 1500
v ≥ 25 0

En la Tabla 12 podemos observar la función matemática encontrada que describe la potencia

activa garantizada del modelo de las UGEs emplazadas en la CEV. Esta ecuación se utiliza para
rellenar datos faltantes de esta variable ingresando la variable velocidad de viento.

En la Figura 40, se grafica la curva de potencia garantizada en color rojo y la curva de potencia
calculada por tramos, en donde se puede visualizar ambas con alta similitud.

Figura 40. Curva garantizada vs función matemática calculada por tramos.

6.2.4. Tratamiento de los datos de potencia.

El resultado de realizar las gráficas de velocidad y potencia, de cada aerogenerador, para los 5
años desde el 2014 hasta 2018, permite encontrar datos atípicos de potencia para las
condiciones normales en la que debe trabajar un aerogenerador como se puede ver en la Figura
41.

56
6.2.5. Método de bines para el tratamiento de datos atípicos de potencia.

Siguiendo la metodología planteada se procede a aplicar el método de bines para cada unidad
de generación. En esta sección se describe el proceso para la UGE 06 por ser el aerogenerador
que se encuentra en el centro del emplazamiento y dado que las condiciones eolográficas son
las mismas en toda la cumbre del cerro Villonaco como se demuestra en el estudio de (Ayala,
Maldonado, Paccha, & Riba, 2016), los análisis de los demás aerogeneradores se muestran en
el Anexo 1.

El método de bines es un proceso iterativo que trata de eliminar datos de potencia que se
encuentren fuera de unas barras de error que se calculan a partir de la desviación típica, este
método se usa para calcular la curva de potencia normalizada para cada unidad de generación,
que se obtiene en la tercera iteración. También permite depurar datos a través de tres iteraciones,
la primera iteración trata de eliminar datos atípicos basándose en la curva de potencia
normalizada obtenida a partir de datos meteorológicos del emplazamiento, en la segunda
iteración se obtiene la curva de potencia normalizada o curva de potencia de prueba, y en la
tercera iteración se obtiene la curva de potencia normalizada que se ocupa para el modelo, según
lo recomienda la norma española antes mencionada.

Primera iteración.

En la Figura 41 podemos ver los datos graficados de velocidad de viento y potencia activa desde
el año 2014 hasta el 2018 donde es apreciable ver la dispersión de datos.

Figura 41. Datos de potencia iniciales del UGE 06.

En la Figura 42 se indica en las barras verticales la desviación típica y en puntos azules la curva
de potencia garantizada, el tamaño de estas barras indica que hay mayor dispersión en los datos.

57
 Figura 42. Barras de error marcan la banda de confianza de datos del UGE 06.

La Figura 43 indica el estado de los datos tras la primera depuración donde se ve que no hay un
ajuste regular de los datos, aun se puede ver en la parte derecha una nube de puntos.

Figura 43. Depuración de datos atípicos de potencia primera iteración del UGE 06.

Los coeficientes calculados para este proceso se indica en el Anexo 1 para el UGE 06 y demás
unidades de generación. Es necesario recalcar que los datos eliminados son reemplazados con
datos calculados con la función de la curva de potencia garantizada que se indicó en la Tabla 12.

Segunda iteración.
Luego de la primera depuración, podemos observar curva de potencia normalizada en puntos de
color azul como se indica en la Figura 44 y las barras verticales que indican la desviación típica
con un mejor ajuste.

58
 Figura 44. Barras de error marcan la banda de confianza de datos del UGE 06.

A continuación, la Figura 45 indica los datos tras la segunda depuración, donde es notable la
reducción de datos atípicos.

Figura 45. Depuración de datos atípicos de potencia segunda iteración del UGE 06.

En la Tabla 13 se muestra la función matemática calculada por tramos de la curva de potencia

normalizada de la segunda iteración, misma que es utilizada para calcular los datos eliminados
de la segunda depuración.

Tabla 13. Función matemática para la curva de potencia normalizada para el UGE 06.
RANGO ECUACIÓN
0 ≤ v < 8,5 −0.004994v 5 − 0.1988v 4 + 3.167v 3 − 10.29v 2 + 9.124v − 0.9128
8,5 ≤ v < 15 −0.02056v 5 + 0.7797v 4 − 11.59v 3 + 95.62v 2 − 344.2v + 443.5
15 ≤ v < 25 1558
v ≥ 25 0

59
Tercera iteración.
Para la tercera iteración se observa en la Figura 46 la curva normalizada en puntos azules
resultado de la segunda iteración y las barras verticales indican el rango de confianza de los
datos a tratar.

Figura 46. Barras de error marcan la banda de confianza tercera iteración del UGE 06.

Los datos finales se indican en la Figura 47, a partir de estos se puede calcular la curva de
potencia normalizada final que se indica en la Tabla 14, misma que es empleada en el modelo
matemático para calcular valores de potencia futuros.

Figura 47. Datos de potencia depurados finales para UGE 06.

Tabla 14. Función matemática de la curva de potencia activa normalizada por tramos para la UGE 06.
RANGO ECUACIÓN
0 ≤ v < 2.5 0.6
2<v<5 5.5489v 4 − 77.301v 3 + 409.95v 2 − 953.36v + 813.29
5 ≤ v < 10.5 0.0851v 6 − 3.6839v 5 + 65.42v 4 − 610.28v 3 + 3170.4v 2 − 8669.6v + 9749.8
10.5 ≤ v < 15.5 −4.7874v 3 + 170.19v 2 − 1823v + 6725.7
15.5 ≤ v ≤ 17 0.0897v 4 − 3.8426v 3 + 36.032v 2 + 347.86v − 3384.9
17 < v ≤ 25 1558
v ≥ 25 0

60
6.3. Desarrollo modelo matemático.

En la Figura 48 se muestra la velocidad del viento en el diagrama de cajas para todas las
unidades de generación de la Central Eólica Villonaco, también en las tablas del Anexo 2 de
detallan los promedios mensuales y anuales desde el 2014 hasta el 2018, en el Anexo 3 se
muestra la gráfica de este comportamiento mensual del viento, donde también se visualiza el
desfase de las curvas de viento de todas las UGEs, este análisis gráfico y de promedios
mensuales, nos sirve para indicar que la UGE 06 tiene su curva de viento promedio a las demás
UGEs, razón por la que se toma como referencia a esta aerogenerador, cabe recalcar que estos
datos no se involucran en el proceso de entrenamiento.

Aquí se puede observar que la media velocidad de viento es similar en todas las UGE, es decir
no existen diferencias estadísticamente significativas. Además, como se puede observar la
mayoría de los valores se encuentran agrupados en el segundo y tercer cuartíl. El valor más
atípico lo registra la UGE2 con un valor de 27 m/s.

Figura 48. Diagrama de cajas y bigotes para todos las UGEs.

61
6.4. Desarrollo de la RNA.

6.4.1. Entrenamiento de las RNAs.

6.4.1.1. RNA de enero.

En incremento en el número de neuronas se lo hace progresivamente de 10 en 10, variaciones

de 5 o por unidades dependiendo de los resultados que se obtengan; evaluando el error
cuadrático medio en lazo cerrado, el MSE con datos desconocidos y el error relativo medio. Se
descartaron los entrenamientos que dan salidas negativas o MSE superiores a 25.

A continuación, en la Tabla 15 se describe los datos obtenidos del entrenamiento, donde se

observa que el entrenamiento 23 tiene los menores valores de MSE de predicción con datos
desconocidos y el error relativo medio es de 26.97% promedio de todo el mes de enero.

Tabla 15. Resultados de los entrenamientos para la RNA de enero.

ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 10 1.51 22.63 0.965 9 7.04 36.27%
2 trainlm 20 1.46 17.32 0.965 5 7.49 45.70%
3 trainlm 30 1.63 21.12 0.965 5 6.18 33.20%
4 trainlm 40 1.48 13.14 0.968 10 6.34 31.43%
5 trainlm 50 1.62 15.54 0.966 6 6.82 34.43%
6 trainlm 60 1.55 11.03 0.968 8 7.03 30.79%
7 trainlm 70 1.85 14.76 0.966 6 6.44 30.39%
8 trainlm 80 1.70 14.27 0.967 6 5.21 35.79%
9 trainlm 90 1.79 13.62 0.968 6 6.52 29.18%
10 trainlm 100 1.42 13.22 0.968 5 5.33 35.13%
11 trainlm 125 1.81 16.50 0.964 4 7.37 31.22%
12 trainlm 125 1.60 10.98 0.971 8 7.37 31.22%
13 trainlm 125 1.78 15.91 0.968 9 5.92 38.09%
14 trainlm 125 1.60 19.68 0.970 9 5.49 31.63%
15 trainlm 130 1.70 13.45 0.970 6 6.24 34.29%
16 trainlm 130 1.65 12.30 0.971 11 5.14 34.78%
17 trainlm 145 1.66 13.60 0.968 4 4.97 29.73%
18 trainlm 155 1.73 14.43 0.972 6 5.65 42.00%
19 trainlm 160 1.47 19.84 0.976 5 9.01 40.95%
20 trainlm 165 1.83 16.34 0.967 5 6.44 34.19%
21 trainlm 170 1.74 10.72 0.970 12 5.70 34.76%
22 trainlm 180 1.75 20.10 0.970 8 6.18 28.57%
23 trainbr 155 1.50 14.25 0.965 196 4.28 26.97%
24 trainlm 165 1.59 17.63 0.969 13 4.55 26.83%
25 trainlm 170 1.89 16.51 0.972 15 4.75 29.64%

En la Figura 49 se observa la curva de rendimiento evaluada en MSE del entrenamiento de la

red, donde la RNA ha conseguido el mínimo error en la novena iteración con un valor de
correlación R de 1,5043 en lazo abierto, ya que en lazo cerrado varía de acuerdo al reajuste de
pesos para la retroalimentación.

62
 Figura 49. Curva de rendimiento de la RNA de enero.

En la Figura 50 podemos observar el histograma de error de las salidas de entrenamiento de la

red neuronal, donde se observa que en la mayor cantidad de datos los errores son cercanos a
cero.

Figura 50. Histograma de error de la RNA de enero.

A continuación, se indica en la Figura 51 los coeficientes de correlación R resultados del

entrenamiento es 0.96409, en validación con 0.96024, para prueba 0.96991 y total de 0.96453.
La línea a 45 grados indica los datos reales y los círculos en negro indican los que predice la red,
lo ideal es tener todos los círculos negros sobrepuestos en la línea, pero tratándose de una serie
de tiempo se toma en cuenta el valor de correlación más cercano a 1.

63
 Figura 51. Coeficiente de correlación resultado del entrenamiento.

En la Figura 52 indica el comportamiento de la serie de tiempo real y las predichas por la red en
la etapa de entrenamiento, validación y prueba. Además, indica el comportamiento del error de
toda la serie de manera intuitiva.

Figura 52. Gráfica de respuesta de entrenamiento de la RNA de enero.

En la Figura 53, muestra la función de autocorrelación de error. Para un modelo de predicción

perfecta, sólo debe haber un valor distinto de cero de la función de autocorrelación, y debe ocurrir
en el intervalo cero (este es el error cuadrático medio.) Esto significaría que los errores de
predicción fueron correlacionados completamente uno con el otro. En este caso, las
correlaciones, a excepción de la que está en retraso cero, caen aproximadamente dentro de los
límites de confianza del 95% alrededor de cero.

64
 Figura 53. Gráfica de autocorrelación de error de la RNA de enero.

6.4.1.2. RNA de febrero.

Para la red neuronal de este mes se toma en consideración el ajuste del error cuadrático medio
del mes de enero que se empieza a ser menor a partir de las 100 neuronas en la capa oculta,
por lo que se decide para el mes de febrero empezar a variar la cantidad de neuronas a partir de
100 en adelante.

Debido a la variabilidad en los resultados con diferentes números de neuronas se procede a

realizar 10 entrenamientos con la misma cantidad de neuronas, y se selecciona la de mejor
resultado.

En la Tabla 16 se detalla los entrenamientos que mejores resultados han dado, descartando
entrenamientos que dan salidas negativas o que presenten anomalías en las gráficas de
entrenamientos que permiten evaluar el nivel de aprendizaje de la red neuronal, los cuales
permiten según la experiencia considerar si un entrenamiento ha caído en overfiting o sobre
aprendizaje.

Se puede observar que en el entrenamiento 18 con 167 neuronas en la capa oculta se obtiene
un MSE de predicción de 5.12 menor a los demás entrenamientos, dando como resultado de un
error relativo medio de 32.40% para todo el mes de febrero y con un MSE en lazo cerrado de
10.23 inferior a 25 se estableció como valor.

Nota. El valor del MSE de 25 máximo se estableció de acuerdo con la experiencia, luego de
evaluar cada entrenamiento, también probando la red con datos desconocidos, no se recomienda
para otro tipo de proyectos de investigación.

65
 Tabla 16. Resultados de los entrenamientos para la RNA de febrero.
ITÉM Algoritmo Neuronas en MSE Lazo MSE Lazo R Iteraciones MSE de ERM
la capa abierto de cerrado de predicción
oculta entrenamiento entrenamiento
1 trainlm 100 1.92 20.88 0.967 6 9.70 64.67%
2 trainlm 110 1.68 23.88 0.966 7 6.62 48.70%
3 trainlm 120 1.63 16.05 0.967 6 7.08 49.79%
4 trainlm 130 1.45 14.81 0.967 9 7.09 33.04%
5 trainlm 140 1.61 10.72 0.968 12 6.11 45.77%
6 trainlm 150 1.66 13.74 0.968 7 6.39 41.29%
7 trainlm 155 1.75 10.43 0.968 14 5.57 43.87%
8 trainlm 160 1.56 8.77 0.968 4 5.34 35.98%
9 trainlm 165 2.72 11.68 0.963 6 5.16 39.97%
10 trainlm 170 2.02 10.43 0.969 7 6.89 44.32%
11 trainlm 175 2.07 9.39 0.948 6 8.30 60.09%
12 trainlm 180 1.84 12.67 0.967 7 7.84 50.92%
13 trainlm 185 2.34 18.10 0.966 8 5.98 38.18%
14 trainlm 190 1.99 10.96 0.966 11 7.12 43.15%
15 trainlm 132 1.86 35.53 0.965 10 5.16 44.38%
16 trainlm 142 1.95 10.73 0.968 9 6.46 38.82%
17 trainlm 152 1.61 12.65 0.969 7 7.15 53.62%
18 trainlm 167 1.45 10.23 0.965 13 5.12 32.40%
19 trainlm 170 2.02 12.93 0.960 11 6.31 41.63%
20 trainlm 175 1.93 11.39 0.971 15 5.24 44.17%
21 trainlm 180 1.89 14.61 0.963 13 5.71 46.40%
22 trainlm 192 1.78 13.87 0.952 11 5.48 48.84%

A continuación, se puede observar las Figuras 54,55 y 56 que indican las gráficas de rendimiento,
histograma de error, coeficiente de correlación de Pearson, análisis de error relativo, y
autocorrelación de erros, estos permiten evaluar el entrenamiento de la red neuronal, como se
describe en la metodología planteada.

Figura 54. Curva de rendimiento e histograma de error de la RNA de febrero.

66
 Figura 55. Grafica de correlación y diagrama de respuesta de la RNA de febrero.

Figura 56. Gráfica de autocorrelación de error de la RNA de febrero.

6.4.1.3. RNA de marzo.

En la Tabla 17 se observa los resultados del entrenamiento para seleccionar la red neuronal que
tenga el mínimo error, se opta por el entrenamiento 9 con 152 neuronas, dando un MSE de
predicción de 6.62 y ERM de 35.65% en todo el mes de febrero.

67
 Tabla 17. Resultados de los entrenamientos para la RNA de marzo.
ITÉM Algoritmo Neuronas en MSE Lazo MSE Lazo R Iteraciones MSE de ERM
la capa abierto de cerrado de predicción
oculta entrenamiento entrenamiento
1 trainlm 100 1.92 15.76 0.960 6 12.78 47.93%
2 trainlm 110 1.87 20.56 0.957 7 15.54 49.85%
3 trainlm 120 1.72 13.69 0.956 4 14.02 47.81%
4 trainlm 130 1.91 13.79 0.960 6 13.00 37.23%
5 trainlm 140 1.65 15.63 0.960 8 11.33 41.27%
6 trainlm 143 1.69 14.23 0.959 10 9.52 40.38%
7 trainlm 145 1.89 14.12 0.971 12 8.36 38.12%
8 trainlm 150 1.81 13.14 0.962 9 10.08 42.40%
9 trainlm 152 1.65 12.94 0.973 14 6.62 35.65%
10 trainlm 157 1.74 13.82 0.971 16 10.69 46.83%
11 trainlm 157 1.92 15.05 0.968 13 11.51 56.45%
12 trainlm 160 2.05 25.96 0.958 10 9.34 39.10%
13 trainlm 161 2.12 24.21 0.956 8 7.98 40.07%
14 trainlm 165 1.98 22.41 0.959 7 12.55 54.08%
15 trainlm 170 1.92 16.15 0.957 11 9.44 41.18%
16 trainlm 171 1.85 17.63 0.962 14 9.02 42.86%
17 trainlm 175 1.86 16.23 0.963 13 12.23 49.85%
18 trainlm 190 1.92 14.58 0.957 17 9.30 39.40%
19 trainlm 250 1.83 18.37 0.967 9 16.67 53.49%
20 trainlm 225 1.87 19.96 0.961 11 19.48 66.61%

A continuación, en las Figuras 57,58 y 59 se indican las gráficas que permiten evaluar el
aprendizaje de la red neuronal.

Figura 57.Curva de rendimiento e histograma de error de la RNA de marzo.

68
 Figura 58. Gráfica de correlación y diagrama de respuesta de la RNA de marzo.

Figura 59. Gráfica de autocorrelación de error de la RNA de marzo.

6.4.1.4. RNA de abril.

Los resultados del proceso de entrenamiento para la red neuronal del mes de abril se detallan a
continuación en la Tabla 18, donde se constata el entrenamiento 7 con mejores resultados con
150 neuronas en la capa oculta, con 4.83 de MSE de predicción y con un error relativo medio de
28.15%.

69
 Tabla 18. Resultados de los entrenamientos para la RNA de abril.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 105 1.79 22.62 0.965 9 7.04 36.27%
2 trainlm 112 1.86 18.32 0.965 15 7.49 45.70%
3 trainlm 121 2.01 19.12 0.965 12 6.18 33.20%
4 trainlm 132 2.68 13.14 0.968 10 6.34 31.43%
5 trainlm 140 1.84 15.54 0.966 11 6.82 34.43%
6 trainlm 145 1.85 11.03 0.968 13 7.03 30.79%
7 trainlm 150 1.70 18.77 0.963 12 4.83 28.15%
8 trainlm 155 1.99 25.23 0.960 16 9.09 40.21%
9 trainlm 160 1.75 18.20 0.962 15 7.56 38.73%
10 trainlm 165 1.85 24.10 0.961 9 8.81 31.98%
11 trainlm 155 1.87 20.88 0.967 6 9.70 64.67%
12 trainlm 165 1.72 23.88 0.966 7 6.62 48.70%
13 trainlm 175 1.91 16.05 0.967 16 7.08 49.79%
14 trainlm 176 1.63 14.81 0.967 9 7.09 33.04%
15 trainlm 178 1.69 10.72 0.968 12 6.11 45.77%
16 trainlm 181 1.82 13.74 0.968 17 6.39 41.29%
17 trainlm 185 1.75 10.43 0.968 14 5.57 43.87%
18 trainlm 187 1.93 8.77 0.968 14 9.34 35.98%
19 trainlm 190 2.05 11.68 0.963 6 7.16 39.97%
20 trainlm 195 1.98 10.43 0.969 7 6.89 44.32%

La evaluación de esta red se la realiza con las gráficas que se indican en las Figuras 60,61 y 62.

Figura 60. Curva de rendimiento e histograma de error de la RNA de abril.

70
 Figura 61. Gráfica de correlación y diagrama de respuesta de la RNA de abril.

Figura 62.Gráfica de autocorrelación de error de la RNA de abril.

6.4.1.5. RNA de mayo.

Para el mes de mayo tenemos los mejores resultados en el entrenamiento 7 con 131 neuronas,
con un error cuadrático medio de 6.71 y un error relativo medio de 27.96% para todo el mes, se
detalla estos resultados en la Tabla 19.

71
 Tabla 19. Resultados de los entrenamientos para la RNA de mayo.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 95 1.77 15.36 0.983 14 13.1 46.23%
2 trainlm 104 1.67 13.03 0.971 9 8.11 36.39%
3 trainlm 115 1.54 17.47 0.969 7 8.28 35.16%
4 trainlm 121 1.66 16.87 0.970 7 7.15 46.49%
5 trainlm 128 1.89 45.73 0.971 14 12.18 45.92%
6 trainlm 129 1.61 19.57 0.971 15 7.46 39.62%
7 trainlm 131 1.54 12.00 0.971 10 6.71 27.94%
8 trainlm 136 2.07 14.39 0.948 6 7.30 30.09%
9 trainlm 139 1.83 20.00 0.969 13 13.17 42.06%
10 trainlm 142 1.93 19.23 0.967 12 7.65 39.61%
11 trainlm 149 1.96 16.12 0.968 11 12.68 33.28%
12 trainlm 155 1.437 17.96 0.961 9 8.47 31.91%
13 trainlm 165 1.553 22.20 0.966 14 8.42 33.13%
14 trainlm 172 1.739 24.10 0.968 17 7.86 34.07%
15 trainlm 179 1.437 20.88 0.963 18 7.69 38.21%
16 trainlm 186 1.64 23.88 0.973 21 7.55 31.93%
17 trainlm 189 1.72 18.05 0.969 23 8.32 32.64%
18 trainlm 192 1.78 15.69 0.968 14 9.31 41.16%
19 trainlm 197 1.89 18.23 0.963 26 10.56 42.49%
20 trainlm 205 1.70 17.60 0.962 29 14.38 41.92%

A continuación, se indican las gráficas que permiten evaluar el aprendizaje de la red neuronal
para el mes de mayo, se muestran en las Figuras 63, 64 y 65.

Figura 63. Curva de rendimiento e histograma de error de la RNA de mayo.

72
 Figura 64. Gráfica de correlación y diagrama de respuesta de la RNA de mayo.

Figura 65. Gráfica de autocorrelación de error de la RNA de mayo.

6.4.1.6. RNA de junio.

Los resultados obtenidos del mes de enero se describen en la Tabla 20, donde el error relativo
medio mínimo conseguido se da en el entrenamiento 12 con un valor de 11.95% y 4.11 de MSE.

73
 Tabla 20. Resultados de los entrenamientos para la RNA de junio.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 121 1.81 14.56 0.971 15 10.23 14.56%
2 trainlm 125 1.75 13.89 0.978 13 9.56 13.79%
3 trainlm 130 1.78 10.84 0.970 12 7.98 12.73%
4 trainlm 133 1.78 11.23 0.963 14 6.89 13.21%
5 trainlm 137 1.70 14.69 0.973 16 4.98 12.03%
6 trainlm 140 1.85 13.36 0.969 12 6.85 13.77%
7 trainlm 143 1.76 12.49 0.970 11 5.03 13.34%
8 trainlm 145 1.73 17.65 0.970 13 4.76 13.19%
9 trainlm 150 1.74 10.66 0.971 11 6.10 13.62%
10 trainlm 155 1.81 21.64 0.970 14 5.66 13.06%
11 trainlm 160 1.81 12.96 0.971 12 4.84 12.42%
12 trainlm 165 1.68 14.89 0.971 12 4.11 11.95%
13 trainlm 155 1.81 19.53 0.967 16 4.96 12.83%
14 trainlm 165 1.79 19.68 0.966 12 7.66 14.13%
15 trainlm 175 1.78 17.63 0.967 11 7.23 14.89%
16 trainlm 178 1.83 18.97 0.967 13 6.98 13.33%
17 trainlm 180 1.76 17.14 0.968 9 6.33 15.11%
18 trainlm 196 1.82 15.81 0.962 8 7.14 14.44%
19 trainlm 200 1.91 14.97 0.972 15 8.90 13.93%
20 trainlm 203 1.93 14.98 0.973 13 8.77 15.16%

A continuación, en las Figuras 66, 67 y 68 se indican las gráficas que permiten evaluar el
aprendizaje de la red neuronal para este presente mes.

Figura 66. Curva de rendimiento e histograma de error de la RNA de junio.

74
 Figura 67. Gráfica de correlación y diagrama de respuesta de la RNA de junio.

Figura 68. Gráfica de autocorrelación de error de la RNA de junio.

6.4.1.7. RNA de julio.

En la Tabla 21 se detallan los resultados del entrenamiento para el mes de julio, siendo la más
optima el entrenamiento 11 con 155 neuronas, proporcionando un error cuadrático medio de
predicción 4.50 y un error relativo medio de 11.29%.

75
 Tabla 21. Resultados de los entrenamientos para la RNA de julio.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 102 1.77 14.56 0.973 15 9.63 15.23%
2 trainlm 113 1.96 15.63 0.969 16 9.24 14.93%
3 trainlm 127 1.23 14..18 0.968 18 8.36 13.59%
4 trainlm 130 1,41 13,94 0,965 13 6,20 14,09%
5 trainlm 132 1,61 14,94 0,975 16 6,20 14,09%
6 trainlm 135 1,38 7,52 0,956 17 6,00 12,92%
7 trainlm 140 1,19 9,14 0,968 7 6,99 14,79%
8 trainlm 125 1,31 12,53 0,964 14 6,16 14,92%
9 trainlm 145 1,56 11,51 0,967 15 5,71 13,82%
10 trainlm 150 1,52 9,37 0,966 13 5,05 12,27%
11 trainlm 155 1,47 9,61 0,957 14 4,50 11,29%
12 trainlm 160 1,93 12,88 0.973 11 5,23 13,72%
13 trainlm 162 2.03 13.56 0.969 9 5.57 14.69%
14 trainlm 167 2.15 13.89 0.968 8 6.12 15.81%
15 trainlm 172 1.98 14.36 0.973 12 7.85 13.66%
16 trainlm 179 1.67 14.78 0.969 11 6.93 16.23%
17 trainlm 180 1.28 17.96 0.965 13 8.25 14.55%
18 trainlm 194 1.64 18.63 0.973 17 8.97 14.51%
19 trainlm 199 1.58 18.77 0.969 20 9.23 13.96%
20 trainlm 210 1.63 21.21 0.968 13 7.89 13.83%

A continuación, en las Figuras 69,70 y 71 se puede observar las gráficas de evaluación del
entrenamiento de la red neuronal para el mes de julio.

Figura 69. Curva de rendimiento e histograma de error de la RNA de julio.

76
 Figura 70. Gráfica de correlación y diagrama de respuesta de la RNA de julio.

Figura 71. Gráfica de autocorrelación de error de la RNA de julio.

6.4.1.8. RNA de agosto.

En la Tabla 22 se muestra los resultados del proceso de entrenamiento del mes de agosto
considerando al entrenamiento 13 como es más optimo por los resultados con datos
desconocidos de MSE de 4.76 y ERM de 11.53%.

77
 Tabla 22. Resultados de los entrenamientos para la RNA de agosto.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 107 1.77 14.56 0.973 12 8.63 14.23%
2 trainlm 116 1.96 15.63 0.969 9 8.24 12.93%
3 trainlm 129 1.23 14..18 0.968 11 8.36 13.59%
4 trainlm 131 1.71 12.89 0.969 9 7.25 12.91%
5 trainlm 135 2.11 14.65 0.966 7 6.42 13.06%
6 trainlm 141 1.74 24.26 0.967 7 5.63 11.59%
7 trainlm 146 1.54 19.90 0.968 14 5.45 11.50%
8 trainlm 147 1.51 12.46 0.966 15 5.76 13.04%
9 trainlm 151 1.59 16.45 0.967 13 6.25 12.02%
10 trainlm 155 1.70 16.81 0.968 12 5.65 12.41%
11 trainlm 160 1.49 12.66 0.967 11 5.08 11.78%
12 trainlm 167 1.57 9.50 0.975 13 5.25 11.41%
13 trainlm 169 1.71 18.21 0.969 18 4.76 11.53%
14 trainlm 170 2.15 13.89 0.968 8 6.12 12.81%
15 trainlm 172 1.98 14.36 0.973 12 7.85 13.66%
16 trainlm 179 1.67 14.78 0.969 11 6.93 13.23%
17 trainlm 180 1.29 17.96 0.965 13 7.25 12.55%
18 trainlm 194 1.74 18.63 0.973 13 7.97 12.51%
19 trainlm 199 1.68 18.77 0.971 19 7.23 12.96%
20 trainlm 210 1.73 21.21 0.968 13 8.89 15.83%

En las Figuras 72, 73 y 74 se muestran las gráficas a continuación son el resultado de la

evaluación del entrenamiento 13 que resultó ser el óptimo.

Figura 72. Curva de rendimiento e histograma de error de la RNA de agosto.

78
 Figura 73. Gráfica de correlación y diagrama de respuesta de la RNA de agosto.

Figura 74. Gráfica de autocorrelación de error de la RNA de agosto.

6.4.1.9. RNA de septiembre.

Continuando con la metodología planteada se muestra en la Tabla 23 los resultados de los

entrenamientos del mes de septiembre, se considera el óptimo el entrenamiento 12 con MSE de
predicción de 4.25 y ERM de 10.41% promedio de todo el mes.

79
 Tabla 23. Resultados de los entrenamientos para la RNA de septiembre.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 109 1.74 24.59 0.967 15 14.63 15.12%
2 trainlm 112 1.68 23.87 0.968 12 13.89 16.96%
3 trainlm 121 1.73 20.63 0.967 13 11.23 14.23%
4 trainlm 133 1.71 16.89 0.969 9 11.25 12.91%
5 trainlm 135 2.11 14.65 0.966 12 10.42 13.06%
6 trainlm 140 1.74 14.26 0.967 11 9.63 11.59%
7 trainlm 140 1.54 16.90 0.968 14 8.45 11.50%
8 trainlm 145 1.51 12.46 0.966 15 8.76 13.04%
9 trainlm 145 1.59 16.45 0.967 13 7.25 12.02%
10 trainlm 155 1.70 16.81 0.968 12 6.65 12.41%
11 trainlm 160 1.49 10.66 0.967 11 5.08 11.78%
12 trainlm 171 1.43 9.50 0.967 14 4.25 10.41%
13 trainlm 177 1.69 13.56 0.970 13 7.89 13.89%
14 trainlm 183 1.89 13.89 0.971 14 6.32 14.39%
15 trainlm 189 1.75 14.96 0.968 16 7.21 16.89%
16 trainlm 193 1.86 15.36 0.963 19 8.89 17.86%
17 trainlm 198 1.89 14.91 0.962 21 9.33 18.12%
18 trainlm 201 2.21 16.92 0.933 12 8.96 13.45%
19 trainlm 207 1.89 17.96 0.966 16 12.76 11.53%
20 trainlm 215 3.56 16.87 0.964 11 17.96 15.89%

A continuación, en las Figuras 75, 76 y 77, se observa las gráficas de evaluación de aprendizaje
de la red neuronal.

Figura 75. Curva de rendimiento e histograma de error de la RNA de septiembre.

80
 Figura 76. Gráfica de correlación y diagrama de respuesta de la RNA de septiembre.

Figura 77. Gráfica de autocorrelación de error de la RNA de septiembre.

6.4.1.10. RNA de octubre.

Para este mes se detalla los resultados del proceso de entrenamiento en la Tabla 24, se
selecciona el entrenamiento 9 con 141 neuronas, con un MSE de predicción de 5.70 resultando
un 25.76% de ERM.

81
 Tabla 24. Resultados de los entrenamientos para la RNA de octubre.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la capa abierto de cerrado de predicción
oculta entrenamiento entrenamiento
1 trainlm 105 2.13 15.36 0.967 17 13.1 46.23%
2 trainlm 111 2.63 16.91 0.968 21 8.11 43.39%
3 trainlm 119 1.97 16.92 0.967 15 8.28 38.16%
4 trainlm 123 1.96 17.96 0.969 13 7.15 36.49%
5 trainlm 125 1.85 16.87 0.966 18 12.18 35.92%
6 trainlm 127 1.87 13.36 0.967 16 7.46 39.62%
7 trainlm 136 1.83 16.91 0.968 14 9.01 40.95%
8 trainlm 137 1.82 16.92 0.967 11 6.44 34.19%
9 trainlm 141 1.79 17.96 0.971 12 5.70 25.76%
10 trainlm 147 1.69 16.87 0.967 9 9.84 27.49%
11 trainlm 152 2.00 15.06 0.969 11 8.86 29.63%
12 trainlm 159 1.79 19.10 0.966 12 12.05 31.77%
13 trainlm 163 1.89 17.63 0.967 16 9.84 32.49%
14 trainlm 164 1.88 16.25 0.968 14 8.75 41.52%
15 trainlm 170 1.85 15.96 0.967 15 10.87 42.12%
16 trainlm 187 1.89 15.00 0.968 13 10.79 48.63%
17 trainlm 196 1.86 17.36 0.967 12 6.40 40.00%
18 trainlm 205 1.83 16.21 0.969 11 8.30 37.07%
19 trainlm 207 1.79 16.44 0.966 13 8.69 43.41%
20 trainlm 115 184 15.23 0.967 16 9.84 51.49%

En las siguientes gráficas de las Figuras 78, 79 y 80, se valida el aprendizaje de la red neuronal
del entrenamiento 9.

Figura 78. Curva de rendimiento e histograma de error de la RNA de octubre.

82
 Figura 79. Gráfica de correlación y diagrama de respuesta de la RNA de octubre.

Figura 80. Gráfica de autocorrelación de error de la RNA de octubre.

6.4.1.11. RNA de noviembre.

En la Tabla 25 se observa los resultados de los 2 mejores entrenamientos para la selección del
más optimo, por cual se opta por el entrenamiento 16 con 178 neuronas en la capa oculta, que
da un MSE de predicción 6.96 y un ERM de 32.3% promedio de todo el mes.

83
 Tabla 25. Resultados de los entrenamientos para la RNA de noviembre.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 123 3.25 24.29 0.957 17 11.32 45.21%
2 trainlm 131 2.96 21.68 0.955 16 13.2 58.56%
3 trainlm 142 2.29 25.63 0.960 14 9.28 69.1%
4 trainlm 143 2.10 18.65 0.960 12 9.80 63.7%
5 trainlm 145 2.63 24.59 0.960 13 9.01 45.7%
6 trainlm 150 2.89 23.87 0.957 13 7.79 53.6%
7 trainlm 155 3.21 20.63 0.956 9 7.78 55.2%
8 trainlm 160 3.33 17.89 0.960 10 7.33 54.6%
9 trainlm 165 2.45 22.63 0.960 14 9.21 55.5%
10 trainlm 155 3.20 17.32 0.973 13 9.46 66.7%
11 trainlm 165 2.36 21.12 0.969 12 6.85 47.6%
12 trainlm 175 1.99 19.53 0.968 15 8.99 55.4%
13 trainlm 178 4.63 19.68 0.965 18 6.96 52.3%
14 trainlm 180 3.28 17.63 0.968 21 7.06 54.7%
15 trainlm 196 2.36 18.97 0.961 22 9.74 49.2%
16 trainlm 178 2.21 17.63 0.961 11 6.96 32.3%
17 trainlm 180 2.36 15.23 0.968 11 7.06 54.7%
18 trainlm 196 1.81 16.37 0.961 9 9.74 56.7%
19 trainlm 200 2.08 13.97 0.966 8 10.32 55.5%
20 trainlm 203 2.54 17.61 0.968 7 11.5 66.7%

Las Figuras 81, 82 y 83, son el resultado de validar dicha red neuronal.

Figura 81. Curva de rendimiento e histograma de error de la RNA de noviembre.

84
 Figura 82. Gráfica de correlación y diagrama de respuesta de la RNA de noviembre.

Figura 83. Gráfica de autocorrelación de error de la RNA de noviembre.

6.4.1.12. RNA de diciembre.

La red neuronal óptima para el mes de diciembre se da en el entrenamiento 16 como se muestra

en la Tabla 26, resultando un MSE de 4.33 y un ERM de 20.31% promedio de todo el mes.

85
 Tabla 26. Resultados de los entrenamientos para la RNA de diciembre.
ITÉM Algoritmo Neuronas MSE Lazo MSE Lazo R Iteraciones MSE de ERM
en la abierto de cerrado de predicción
capa entrenamiento entrenamiento
oculta
1 trainlm 105 2.13 15.36 0.967 17 13.1 46.23%
2 trainlm 111 2.63 16.91 0.968 21 8.11 43.39%
3 trainlm 119 1.97 16.92 0.967 15 8.28 38.16%
4 trainlm 123 1.96 17.96 0.969 13 7.15 36.49%
5 trainlm 125 1.85 16.87 0.966 18 12.18 35.92%
6 trainlm 127 1.97 16.22 0.971 14 5.20 23.28%
7 trainlm 131 1.48 13.03 0.971 10 5.22 21.10%
8 trainlm 136 1.89 10.50 0.972 13 4.62 22.27%
9 trainlm 139 1.79 12.51 0.955 14 5.12 22.12%
10 trainlm 143 1.89 11.23 0.960 15 4.72 21.24%
11 trainlm 150 1.88 10.89 0.960 13 4.95 21.09%
12 trainlm 155 1.85 9.54 0.960 12 4.97 21.43%
13 trainlm 160 1.89 12.63 0.957 11 5.05 24.57%
14 trainlm 187 1.86 8.12 0.956 13 4.70 22.38%
15 trainlm 191 1.83 9.78 0.960 15 5.82 25.06%
16 trainlm 195 1.79 11.26 0.960 17 4.33 20.31%
17 trainlm 201 1.83 14.89 0.973 16 5.21 23.77%
18 trainlm 205 1.83 16.21 0.969 11 8.30 37.07%
19 trainlm 207 1.79 16.44 0.966 13 8.69 43.41%
20 trainlm 210 184 15.23 0.967 16 9.84 51.49%

En las gráficas siguientes son el resultado del entrenamiento 16 en ellas se puede evaluar el
aprendizaje de la red, como se menciona en la metodología, véase las Figuras 84, 85 y 86.

Figura 84. Curva de rendimiento e histograma de error de la RNA de diciembre.

86
Figura 85. Gráfica de correlación y diagrama de respuesta de la RNA de diciembre.

Figura 86.Gráfica de autocorrelación de error de la RNA de diciembre.

87
6.4.1.13. Resultados del entrenamiento

El proceso de entrenamiento comprende una etapa experimental de prueba error como indica
(Bolaños, 2018). Se obtiene 12 redes neuronales una por cada mes año, tomándose de esta
manera los años desde el 2014 al 2017 como datos de entrenamiento y el 2018 para validar el
modelo, agrupando los datos por meses, para luego ser importados para entrenar las redes
neuronales, se hizo uso del script que se indica en el Anexo 5 para entrenar todas las RNAs.
Posteriormente para la simulación de las RNAs con datos desconocidos y su validación se hizo
uso del script descrito en el Anexo 6, como se detalla en la Tabla 28.

La configuración de las RNAs es la misma para todos los meses, se hace uso de una red NARX
multicapa con tres capas: capa de entrada, capa oculta y una capa de salida, véase la Figura 87
y 88 que indica la configuración base de las RNAs entrenadas, que constan de 2 retrasos en la
entrada de la Red.

Figura 87. Red neuronal Narx en lazo abierto.

Figura 88. Red neuronal Narx en lazo cerrado.

Los algoritmos de aprendizaje empleados son:

• Levenberg-Marquadrt backpropagation (trainlm)
• Bayesian regularization backpropagation (trainbr)

El proceso de entrenamiento trata de un aprendizaje supervisado, en la Tabla 27 se indica las

variables de entrada (inputs) a la red y la variable de salida(target). Las variables de entrada
comprenden los datos conocidos en este caso son: año, día, hora; por otro lado, la variable de
salida es la velocidad de viento, es la variable que se requiere predecir.

88
La variable de entrada año, está ordenada consecutivamente desde el año 2014 hasta el año
2017; en cambio los días están ordenados desde el 1 al 28, 30 o 31 dependiendo la cantidad de
días por mes, las horas van desde 0 a 23 y se repite progresivamente. Esta agrupación horaria
le da la particularidad a la red neuronal de predecir con un horizonte de 24 horas. En la Tabla 28
se indica el resumen de los entrenamientos seleccionados con mejor aprendizaje para hacer uso
de las redes neuronales para predicción de viento con horizonte de un día.

Tabla 27. Muestra de la base de datos para entrenamiento para la RNA de enero.
INPUTS TARGET
ANIO DIA HORA WIND
2014 1 0 3,603
2014 1 1 5,563
2014 1 2 7,427
2014 1 3 9,712
2014 1 4 9,01
2014 1 5 9,207
2014 1 6 10,1
2014 1 7 12,03
2014 1 8 10,28
2014 1 9 10,2
2014 1 10 12,51
2014 1 11 13,32
2014 1 12 15,65
2014 1 13 15
2014 1 14 14,53
2014 1 15 12,2
2014 1 16 10,27
2014 1 17 10,18
2014 1 18 10,86
2014 1 19 10,32
2014 1 20 8,772
2014 1 21 8,818
2014 1 22 9,458
2014 1 23 9,22
2014 2 0 10,06
2014 2 1 9,81
2014 2 2 9,06
2014 2 3 8,07
2014 2 4 8,117
2014 2 5 7,055
2014 2 6 6,547
2014 2 7 5,87
2014 2 8 6,782
2014 2 9 9,75
2014 2 10 10,85
2014 2 11 11,5
2014 2 12 12,43
2014 2 13 10,95
2014 2 14 9,105
2014 2 15 7,815
2014 2 16 7,027
2014 2 17 6,202
2014 2 18 5,473
2014 2 19 6,83
2014 2 20 5,918
2014 2 21 5,037
2014 2 22 5,052
2014 2 23 5,645

89
 Tabla 28. Resumen de los resultados de los entrenamientos de las RNAs.
Mes Datos Datos para Datos Subdivisión de datos para Algoritmo Neuronas Iteraciones R MSE MSE MSE de ERM
totales entrenamiento para entrenamiento en la capa Lazo Lazo predicción (%)
2014 a 2014 a 2017 validación Training Validation Test oculta abierto cerrado
2018 80% 2018 70% 15% 15%
(20%)
Enero 3720 2976 744 2082 447 447 trainbr 155 196 0.965 1.50 14.25 4.28 26.97
Febrero 3360 2688 672 1880 404 404 trainlm 167 13 0.965 1.45 10.23 5.12 32.40
Marzo 3720 2976 744 2082 447 447 trainlm 152 14 0.973 1.65 12.94 6.62 35.65
Abril 3600 2880 720 2016 432 432 trainlm 150 12 0.963 1.70 18.77 4.83 28.15
Mayo 3720 2976 744 2082 447 447 trainlm 131 10 0.971 1.54 12.00 6.71 27.94
Junio 3600 2880 720 2016 432 432 trainlm 165 12 0.971 1.68 14.89 4.11 11.95
Julio 3720 2976 744 2082 447 447 trainlm 155 14 0,957 1,47 9,61 4,50 11,29
Agosto 3720 2976 744 2082 447 447 trainlm 169 18 0.969 1.71 18.21 4.76 11.53
Septiembre 3600 2880 720 2016 432 432 trainlm 171 14 0.967 1.43 9.50 4.25 10.41
Octubre 3720 2976 744 2082 447 447 trainlm 141 12 0.971 1.79 17.96 5.70 25.76
Noviembre 3600 2880 720 2016 432 432 trainlm 178 11 0.961 2.21 17.63 6.96 32.3
Diciembre 3720 2976 744 2082 447 447 trainlm 195 17 0.960 1.79 11.26 4.33 20.31

90
6.4.2. Resultados de la predicción de velocidad de viento.

Para el proceso de simulación de las RNAs seleccionadas, se divide la base de datos del año
2018 por meses, luego se procede a simular cada red neuronal con los datos respectivos de
cada mes, es necesario ingresar los dos últimos valores de velocidad de viento del dia anterior
seguido de los datos de entrada (año-día-hora) hasta un día, este proceso se repite por los días
que tenga el mes, a continuación se indica los resultado obtenidos para todos los meses del año
2018.

6.4.2.1. Enero.

Es necesario mencionar que estas RNAs predicen las siguientes 24, en la Figura 89 se muestra
una compilación de todas las predicciones diarias a lo largo del mes de enero, para optimizar
este proceso se hace uso del código descrito en el Anexo 6, que hace simulaciones diarias
consecutivas. También se hace una comparación entre los datos reales en color negro y los
datos que predice la RNA. Los datos predichos tienen bastante ajuste en comparación con los
reales en la gráfica se puede observar que desde la 216 a 288 horas tenemos la curva de
predicción por debajo de la real notablemente.

Figura 89. Predicción de velocidad de viento enero 2018.

La Figura 90 muestra el análisis de error, se indica en (.) los datos reales y en (+) los datos
predichos por la red, también podemos ver en áreas rayadas de color naranja que indican el
error.

91
 Figura 90. Análisis de error de enero 2018.

Los datos de potencia activa son calculados con la curva de potencia normalizada que se indicó
en la Tabla 13, a partir de la velocidad de viento predicha con la RNA del mes de enero, la
comparación entre los datos reales y los predichos se indica en la Figura 91.

Figura 91. Predicción de potencia activa de enero 2018.

Los datos de energía acumulada se calculan con la Ec 19, y es el resultado de las sumas
parciales de energía por horas haciendo uso de la potencia activa predicha, en la Figura 92 se
indica en comportamiento de los datos la energía predicha frente a la energía real.

92
 Figura 92. Predicción de energía generada de enero 2018.

6.4.2.2. Febrero.

Los resultados de predicción de la RNA de febrero se indica en la Figura 93 donde se puede

observar que la red proporciona mejores resultados en donde hay ciclos repetitivos o similares,
y poca eficiencia en ciclos variados como en las 480 hasta las 528 horas.

Figura 93. Predicción de velocidad de viento febrero 2018.

La Figura 94 indica el comportamiento del error relativo a lo largo del mes de febrero, lo ideal
sería que no existan áreas de color naranja que se sitúan sobre o bajo la curva de color negro
que son los datos reales.

93
 Figura 94. Análisis de error febrero 2018.

Para los datos de potencia activa predicha se hizo uso de la función a tramos de la curva de
potencia normalizada de la Tabla 13, que funciona para todos los meses específicamente del
UGE 06. Se indica en la Figura 95 los datos predichos vs datos reales de potencia activa.

Figura 95. Predicción de potencia activa de febrero 2018.

La Figura 96 nos indica que los datos de energía predichos están por encima de la curva de
energía real, lo ideal sería tener las dos curvas sobrepuestas.

94
 Figura 96. Predicción de energía generada febrero 2018.

6.4.2.3. Marzo.

El comportamiento del mes de marzo 2018 es difícil diferenciar patrones repetitivos por lo que se
observa en la Figura 97 que los datos que arroja la RNA de este mes, tienen un comportamiento
sin un patrón vidente. En la Figura 98 se observa el análisis de error que indican picos positivos
y negativos, entre 10 y -10 m/s de variación respecto a la curva real.

Figura 97. Predicción de velocidad de viento marzo 2018.

95
 Figura 98. Análisis de error marzo 2018.

Figura 99. Predicción de potencia activa de marzo 2018.

La Figura 99 indica el comportamiento de la potencia activa predicha en comparación con los

datos reales, donde podemos ver variaciones más significativas en el lapso de horas de 72 a 96
(picos positivos), de 120 a 144 (picos negativos), de 504 a 528(picos positivos) y desde 576 a
600 (picos negativos) ms relevantes. Los picos más grandes son lo que ocasionan el mayor
desface de la curva de energía predicha en comparación con la curva de datos reales como se
muestra en la Figura 100, la curva de predicción está por encima de la curva real.

96
 Figura 100. Predicción de energía generada de marzo 2018.

6.4.2.4. Abril.

La Figura 101 muestra los datos predichos del mes de abril, donde se puede ver un gran ajuste
de los datos predichos vs reales sin variaciones significativas, para una mejor interpretación
véase la Figura 102 del análisis de error.

Figura 101. Predicción de velocidad de viento abril 2018.

97
 Figura 102. Análisis de error abril 2018.

Figura 103. Predicción de potencia activa de abril 2018.

La potencia predicha con la potencia real tiene bastante similitud, como se muestra en la Figura
103, este ajuste a su vez se ve reflejado en la energía predicha que se indica en la Figura 104.

Figura 104. Predicción de energía generada de abril 2018.

98
6.4.2.5. Mayo.

El mes de mayo tiene un comportamiento más estocástico y esto dificulta a que la red pueda
encontrar patrones de comportamientos, a continuación de muestra en la Figura 105 el
comportamiento del viento.

Figura 105. Predicción de velocidad de viento mayo 2018.

En el análisis de error mostrado en la Figura 104 se observa fluctuaciones del error en picos
positivos y negativos, que influyen en la potencia predicha que se indica en la Figura 106.

Figura 106. Análisis de error mayo 2018.

99
 Figura 107. Predicción de potencia activa de mayo 2018.

En la Figura 107 observamos el que la potencia predicha tiene variaciones positivas y negativas,
lo que se compensa en parte en los resultados de energía predicha como se indica en la Figura
108.

Figura 108. Predicción de energía generada de mayo 2018.

6.4.2.6. Junio.

Los resultados de predicción de viento de la RNA del mes junio, indican bastante similitud entre
los datos predichos y los datos históricos reales, tal como se indican en la Figura 109.

100
 Figura 109. Predicción de velocidad de viento junio 2018.

Figura 110. Análisis de error junio 2018.

El análisis de error de la Figura 110 permite interpretar si las variaciones de error son positivas o
negativas, que también se ven reflejadas en el cálculo de potencia activa como se muestra en la
Figura 111. Cuando el error relativo en magnitud es casi iguales tanto positivo como negativo, se
puede obtener una curva de energía predicha y energía real muy similares como se indica en la
Figura 112.

101
 Figura 111. Predicción de potencia activa de junio 2018.

Figura 112. Predicción de energía generada de junio 2018.

6.4.2.7. Julio.

Los resultados de predicción obtenidos de la RNA de julio indican en la Figura 113, un buen
ajuste desde las 384 hasta las 744 horas, esta interpretación la podemos ver mejor expresada
en el ajuste de error indicada en la Figura 114.

Figura 113. Predicción de velocidad de viento julio 2018.

102
 Figura 114. Análisis de error julio 2018.

Figura 115. Predicción de potencia activa de julio 2018.

La Figura 115 indica los datos de la potencia predicha comparada con los datos reales, donde
es apreciable ver picos positivos prolongados y picos negativos con cortos periodos de tiempo,
esta percepción se interpreta de mejor manera en la gráfica de energía acumulada que se
muestra en la Figura 116, donde podemos ver la curva de energía predicha está por encima de
la curva real, lo que indica que los datos de potencia tuvieron más error relativo positivo.

103
 Figura 116. Predicción de energía generada de julio 2018.

6.4.2.8. Agosto.

La Figura 117 que representa los datos del mes de agosto, en esta gráfica se observa patrones
comunes entre días a excepción del día 3 (va desde 48 a 72 horas), donde la curva de predicción
va por encima de la curva real. Este error es más notable en la gráfica de error de la Figura 118,
también provoca perturbación en el cálculo de potencia activa como se indica en la Figura 119,
los errores causan desfasamiento de las curvas predicha que está por encima de la curva real,
véase la Figura 120.

Figura 117. Predicción de velocidad de viento agosto 2018.

104
 Figura 118. Análisis de error agosto 2018.

Figura 119. Predicción de potencia activa de agosto 2018.

Figura 120. Predicción de energía generada de agosto 2018.

105
6.4.2.9. Septiembre.

El mes de septiembre tiene un comportamiento similar a los anteriores meses descritos, en las
Figuras 121, 122, 123 y 124 se muestran las gráficas del comportamiento de viento, análisis de
error, potencia activa y energía acumulada.

Figura 121. Predicción de velocidad de viento septiembre 2018.

Figura 122. Análisis de error septiembre 2018.

106
 Figura 123. Predicción de potencia activa de septiembre 2018.

Figura 124. Predicción de energía generada de septiembre 2018.

6.4.2.10. Octubre.

El comportamiento del viento del mes de octubre, se puede apreciar un comportamiento muy
particular de la curva predicha en los días 5 y 6 (están en las horas 96 a 144), donde la red
neuronal arroja datos de dos picos, lo cual la curva real indica ser un solo pico durante dos días
teniendo un máximo en las 120 horas, se deduce que en el histórico que se utilizó para su
entrenamiento no se cuenta con este tipo de casos, por lo que la red no fue capaz de identificar
este tipo de patrón.

107
 Figura 125. Predicción de velocidad de viento octubre 2018.

El Figura 126 se puede ver un área de error muy destacable en las horas de 100 a 120, esto
también influye notablemente en la potencia predicha, ver la Figura 127.

Figura 126. Análisis de error octubre 2018.

Figura 127. Predicción de potencia activa de octubre 2018.

108
La Figura 128 indica la gráfica de la energía y ayuda a dar una mejor interpretación del
comportamiento de la potencia activa.

Figura 128. Predicción de energía generada de octubre 2018.

6.4.2.11. Noviembre.

Al inicio del mes de noviembre podemos identificar que tiene un comportamiento no común, como
ya lo habíamos visto con el mes de octubre, para la red dificulta predecir este tipo de
comportamiento, por lo que son zonas donde se presencia la mayor cantidad de error, para una
mejor interpretación vea la Figura 129, 130, 131 y 132, donde de indican graficas comparativas
de las series predichas frente a las reales.

Figura 129. Predicción de velocidad de viento noviembre 2018.

109
 Figura 130. Análisis de error noviembre 2018.

Figura 131. Predicción de potencia activa de noviembre 2018.

Figura 132. Predicción de energía generada de noviembre 2018.

La Figura 132 nos muestra como la energía predicha está por debajo de la real y se muestra en
un inicio muy similares, luego se desfasa en negativo y se mantiene casi paralela (no hay
incremento notable de error).

110
6.4.2.12. Diciembre.

Los resultados obtenidos por la RNA del mes de diciembre son similares a los meses anteriores,
para esto ver las gráficas de velocidad de viento, análisis de error relativo, potencia activa que
se muestran en las Figuras 133, 134 y 135.

Figura 133. Predicción de velocidad de viento diciembre 2018.

Figura 134. Análisis de error diciembre 2018.

111
 Figura 135. Predicción de potencia activa de diciembre 2018.

La gráfica de energía predicha que se muestra a continuación en la Figura 136, indica como el
error es mínimo al inicio hasta 168 horas, y luego incrementa en negativo hasta
aproximadamente las 576 horas y vuelve a posicionarse sobrepuesta a la curva real lo que indica
valores muy cercanos a lo ideal, lo que respecta a energía generada.

Figura 136. Predicción de energía generada de diciembre 2018.

112
7. DISCUSIÓN.

Un estudio realizado por (Reyes, et al., 2017) denominado Wind Power Forecasting for the
Villonaco Wind, es uno de los primeros estudios realizados con fines de predicción de velocidad
de viento en la CEV. En este estudio se presenta un modelo de predicción de la energía eólica a
partir de un histórico dato, que predice un promedio mensual, este modelo utiliza una
combinación de técnicas de inteligencia artificial como RNAs ARIMA y redes bayesianas
dinámicas. Los resultados obtenidos son un coeficiente de correlación de 0,8949, mientras que
el coeficiente de correlación en este estudio es de 0,967.

En la Tabla 28 se presenta un resumen de otros estudios de predicción de velocidad de viento y

potencia generada utilizando diferentes tipos de modelos basados en RNAs para parque eólicos.

En este sentido se pude mencionar el estudio realizado por (Alexiadis, Dokopoulos,

Sahsamanoglou, & Manousaridis, 1999), en el cual se utiliza una RNA para predicción de
velocidad a corto plazo (2 horas), el autor concluye que el modelo es satisfactorio, alcanzando
un error relativo medio (ERM) de 27%. En este trabajo de titulación el ERM obtenido es de
10,41% para el mejor mes (septiembre), siendo el mejor resultado alcanzado en términos de
ERM.

Tabla 29. Resumen de estado de arte de modelos de predicción.

Referencia Variable de Tipo modelo Horizonte Criterio de Mejora
predicción evaluación respecto a
persistente
(Kariniotakis, Stavrakakis, & Nogaret, Potencia Red neuronal 2 horas MSE 13.5
1996) eléctrica
(Alexiadis, Dokopoulos, Velocidad de Red neuronal 2 horas ERM 27%
Sahsamanoglou, & Manousaridis, viento
1999)
(Sfetsos T. , 2001) Velocidad de ARIMA, Red 1 hora MSE 4.9
viento neuronal,
neuro-difuso
(Sfetsos A. , 2002) Velocidad de ARIMA 1 hora MSE 2-5
viento
(Monteiro, Santos, Fernandez, Velocidad de Neuro-difuso- 1 hora MSE 9
Ramirez, & Terreros, 2013) viento Fourier
(Torres, García, De Blas, & De Velocidad de ARIMA 10 horas MSE 12-20
Francisco, 2005) viento
(Damousis, Alexiadis, Theocharis, & Velocidad de Fuzzy- GA 4 horas MSE 18.2
Dokopoulos, 2004) viento
(Johnson, Negnevitsky, & Muttaqi, Velocidad de Neuro-difuso 2.5min ERM 87%
2008) viento
Ramirez04b Potencia Regresion 6 horas MSE 14.1
eléctrica
(Erbetta, 2010) Potencia Red neuronal 6 horas MSE 7
eólica MLP
Autor: Editado de (Fernández, 2008)

113
Otro resultado importante a destacar es el alcanzado por (Sfetsos T. , 2001), en el cual se
presenta un estudio para predicción de velocidad de viento con horizonte de una hora, y los
resultados muestran que el modelo propuesto tiene un MSE de 4,9. En este trabajo de tesis el
mejor valor de MSE corresponde al mes de septiembre con un valor de 4,2.

114
8. CONCLUSIONES.

• Se realizó el procesamiento de los datos de velocidad de viento y potencia activa de los 11

aerogeneradores de la CEV para el periodo comprendido entre los años 2014 al 2018, con el
objetivo de adecuar la base de datos a los parámetros recomendados en Matlab para la
elaboración del modelo de predicción.

El procesamiento de los datos se lo realizó en dos fases: en la primera fase se identificaron

los datos faltantes (missing values), que fueron 131 879 de un total de 2 890 800 datos de
velocidad de viento de todos las UGEs, y los datos atípicos (outliers) que fueron 3198; en
segunda fase se hizo uso del método de los bines para suprimir datos atípicos de potencia
activa, y calcular las curvas de potencia normalizadas para cada UGE.

• Se entrenaron diversos tipos de redes neuronales, usando la herramienta de MatLab® nntool,

que consta con modelos de RNAs para tratamiento de datos estáticos lineales, entre los tipo
de redes neuronales utilizadas fueron: feed-forward backprop, cascade-forward backprop,
feed-forward time-delay, sin obtener resultados positivos. Razón por lo cual se optó por
emplear la herramienta de ntstool que se especializa en tratamiento de series de tiempo, con
entrada de datos no lineales, de las cuales tenemos tres disponibles: NARX, NAR, Nonlinear
input-output, los tres modelos presentaron índices de aprendizaje, destacándose la RNA
NARX con menor MSE, considerándose como óptima para este caso de estudio.

Se desarrolló una arquitectura base y se entrenaron las RNAs con diversas tipologías de
bases de datos, como: en periodo diezminutal desde el año 2014 hasta el 2017, por semanas,
por días, por horas, en periodo horario por meses, siendo esta última configuración la que
mejores resultados generó. Para estos entrenamientos se dividió la base de datos en dos
subconjuntos, los datos de entrenamiento 35040 datos (desde el 2014 al 2017) y los de
validación 8760 datos (año 2018).

• Se validaron las redes neuronales y se seleccionaron las que dieron mejores resultados en
aprendizaje, con menor MSE y ERM con datos desconocidos, obteniéndose 12 RNAs una
por cada mes del año con horizonte de predicción de 24 horas (un día), ingresando las
variables de entrada en formato de año-día-hora (datos de entrada o inputs) y los dos últimos

115
valores velocidad de viento (salidas o targets) del día anterior para predecir el día siguiente.
La guía de uso de este modelo de predicción se describe en el Anexo 7.
En el proceso de simulación se obtuvo los mejores resultados de predicción para el mes de
septiembre, alcanzando un error cuadrático medio (MSE) de 4.25, un coeficiente de
correlación de Pearson R de 0.967 entre la salida de la red neuronal y la salida deseada y un
ERM de 10.41%, lo que demuestra que las RNAs son fiables para predicción de producción
de energía a corto plazo.

116
9. RECOMENDACIONES.

• Es necesario contar con los datos actualizados de producción de energía y para preprocesar
la base datos utilizando métodos estadísticos para clasificar la información y hacer un sondeo
de posibles patrones antes de rentrenar las redes para comparar resultados con el modelo
de predicción propuesto en este trabajo.

• Dado que el viento tiene un comportamiento estocástico, es recomendable probar otro tipo
de red neuronal para la predicción de este recurso; se recomienda profundizar en este estudio
utilizando redes LSTM (Long Short-Term Memory) que se presentan como una alternativa y
evolución de las RNA y que permiten mantener la información introduciendo bucles en el
diagrama de la red, lo que genera una especie de memoria de los estados previos para
afectar los estados siguientes, lo cual no se puede configurar en redes NARX.

• Es recomendable crear una interfaz gráfica que minimice el proceso de importar datos y
grafique automáticamente los resultados obtenido.

117
10. BIBLIOGRAFÍA.
AENOR, (. E. (Junio de 2007). Aerogenradores. NORMA ESPAÑOLA-UNE EN 61400-12-1. Madrid, España.

Alemán, M. (7 de Septiembre de 2015). ALGORITMOS, DIAGRAMAS DE FLUJO Y PSEUDOCÓDIGOS.

Lógica de programación. Guerra Los, Tamaulipas, México.

Alexiadis, M., Dokopoulos, P. S., Sahsamanoglou, H. S., & Manousaridis, I. M. (Julio de 1999). SHORT-
TERM FORECASTING OF WIND SPEED AND RELATED ELECTRICAL POWER. Solar Energy, 61(1), 8.
doi:10.1016 / S0038-092X (98) 00032-2

Antonio S. Emilio S & José Martín. (2010). OpenCourseWare. REDES NEURONALES ARTIFICIALES.
Valencia, España.

Ataurima, M. (2013). MATLAB & SIMULINK PARA INGENIERÍA (Vol. 1). Lima, Comas, Perú: Universidad de
Ciencias y Humanidades. Facultad de Ciencia e Ingeniería .

Ayala, M., Maldonado, J., Paccha, E., & Riba, C. (7 de Septiembre de 2016). Wind power resource
assessment in complex terrain: Villonaco case-study using computational fluid dynamics
analysis. Energy Procedia, 8.

Bolaños, P. (Marzo de 2018). PREDICCIÓN DE LA VELOCIDAD DEL VIENTO MEDIANTE REDES

NEURONALES, PARA LA ESTACIÓN METEORELÓGICA CHIMBORAZO. Riobamba, Ecuador.
Obtenido de http://dspace.espoch.edu.ec/handle/123456789/8308

Bonet Cruz, I. &.-5. (Diciembre de 2007). Redes neuronales recurrentes para el análisis de secuencias.
Revista Cubana de Ciencias Informáticas, 48-57.

Bosogain, X. (Diciembre de 2008). Redes neuronales y sus aplicaciones. Curso de Redes Neuronales.
Bilbao, España. Obtenido de
https://ocw.ehu.eus/pluginfile.php/9047/mod_resource/content/1/redes_neuro/Course_listing
.html

Cabezón, M. (1 de Septiembre de 2018). Predicción demanda eléctrica española. Implementación de

redes neuronales recurrentes en Python. Trabajo de fin de máster en Ingeniería Matemática.
Madrid, España: Universidad Complutense de Madrid. Obtenido de
https://eprints.ucm.es/49444/1/2018-MIGUEL%20CABEZON%20Memoria.pdf

Caicedo Eduardo, L. J. (2017). UNA APROXIMACIÓN PRÁCTICA A LAS REDES NEURONALES ARTIFICIALES.
Cali, Colombia: Universal del Valle.

Caicedo, E., & López, J. (2009). Una aplicación práctica a las Redes Neuronales Artificiales. Cali,
Colombia: Programa edotorial Universidad del Valle.

Calvo, D. (12 de Julio de 2017). Diego Calvo. Obtenido de Red Neuronal:

http://www.diegocalvo.es/definicion-de-red-neuronal/neural-network/#main

Caparrini, F. (2017). Redes Neuronales Visión Superficial. A Modeling Tool.

Carta, J., Calero, R., Colmenar, A., & Castro, M. (2009). Centrales de energías renovables: generación
eléctrica con energías renovables. Madrid: PEARSON EDUCACIÓN, S.A.

118
Carta, J., Calero, R., Colmenar, A., & Manuel, C. (2009). Centrales de energías renovables: Generación
eléctrica con energías renovables (1 ed.). Madrid: Pearson Educación S.A.

Celi, J. (Agosto de 2018). DISEÑO DE TRANSMISIONES DE POTENCIA POR CORREAS TRAPEZOIDALES, TIPO
NORMAL, MEDIANTE REDES NEURONALES. Loja, Ecuador.

Cucó, S. (2017). Manual de energía eólica desarrollo de proyectos e instalaciones. Valencia, España:
Universidad politecnica de Valencia.

Damousis, I., Alexiadis, M., Theocharis, J., & Dokopoulos, P. (2004). A fuzzy model for wind speed
prediction and power generation in wind parks using spatial correlation. IEEE Transactions on
Energy Conversion, 19(2), 352-361. doi:10.1109/TEC.2003.821865

Erbetta, I. (Noviembre de 2010). PREDICCIÓN DE LA POTENCIA PARA LA OPERACIÓN DE PARQUES.

Santiago de Chile, Chile. Obtenido de https://www.cec.uchile.cl/~dsaez/wp-
content/uploads/2017/03/cf-erbetta_im.pdf

Fernández, L. (2008). Modelos avanzados para la predicción a corto plazo de la producción eléctrica en
parques eólicos. Universidad de la Rioja.

FOCER. (2002). Manuales sobre energías renovables EÓLICA. San José, Costa Rica: San José C.R.

García, M. (2010). Métodos de predicción de la generción agregada de energía eólica. Madrid, España.

Geoinnova. (2009). Métodos de interpolación espacial. Obtenido de https://geoinnova.org/blog-

territorio/que-es-la-interpolacion-espacial-de-datos/

Géron, A. (Marzo de 2017). Hands-On Machine Learning with Scikit-Learn and TensorFlow:
Concepts,Tools, and Techniques to Build Intelligent Systems. Sebastopol, Ucrania: O’Reilly .

GOLDWIND. (2017). PMDD WIND TURBINE. 1.5MW. Chicago, Estados Unidos. Obtenido de
http://www.goldwindamericas.com/

Gómez, P. (23 de Abril de 2013). C261-69 Tópicos Avanzados: Redes Neuronales Artificiales. Redes
Recurrentes. San Andrés Cholula, México: INAOE(Instituto Nacional de Astrofísica, Óptica y
Electrónica).

Haykin, S. (2005). NEURAL NETWORKS (Segunda ed.). Hamilton, Canadá: Pearson Education.

Heizer J y Render B. (2009). Principio de administración de operaciones (Séptima ed.). (P. M. Rosas, Ed.)
México, México: PEARSON EDUCACIÓN. Obtenido de http://139.62.234.29/rid=1TSVV2PLH-
XL3D42-1Q0/Principios-De-Administracion-De-Operacio.pdf

HOSTINGER. (25 de Noviembre de 2012). Inteligencia Artificial. Obtenido de Identificación de los

determinantes de la estadía en Unidades de Cuidados Intensivos usando redes neuronales
artificiales: http://konocimientointeligenciaartificial.blogspot.com/

Hudson, M., Hagan, M., & Howard Demuth. (2010). Neural Network Toolbox™ 7 User’s Guide (Séptima
ed.). Natick, Massachusetts, Estado Unidos: The MathWorks,Inc.

119
Instituto Interamericano de Cooperación para la Agricultura. (2014). Uso y acceso a las energías
renovables en territorios rurales. San José, Costa Rica: Imprenta del IICA.

Jacinto, R. (2019). REDES NEURONALES PARA LA PREDICCIÓN DE CONTAMINACIÓN DEL AIRE EN

CARABAYLLO-LIMA. Lima, Perú. Obtenido de
http://repositorio.unfv.edu.pe/bitstream/handle/UNFV/3428/UNFV_JACINTO_HERRERA_RAUL_
TRINIDAD_MAESTRIA_2019.pdf?sequence=1&isAllowed=y

Jijón, D., Constante, J., Moya, M., & Guerrón, G. (30 de Diciembre de 2015). Methods to homogenize
and fill the wind data from the meteorological tower of Villonaco Wind Farm in Loja-Ecuador. (C.
Z. Ph.D., Ed.) Avances en Ciencias e Ingeniería , 7, 9.

Johnson, P., Negnevitsky, M., & Muttaqi, K. (9 de Enero de 2008). Short term wind power forecasting
using adaptive neuro-fuzzy inference systems. Australasian Universities Power Engineering
Conference, 1-6. doi:10.1109/AUPEC.2007.4548099

Juganaru, M. (2004). INTRODUCCIÓN A LA PROGRAMACIÓN. Mexico: Grupo editorial Patria.

Kariniotakis, G. N., Stavrakakis, G., & Nogaret, E. (1996). Wind power forecasting using advanced neural
networks models. IEEE Transactions on Energy Conversion, 11(4), 762-767.

Kishurim, T. T. (2013). El modelamiento matemático en la formación del ingeniero (Primera ed.). (L. F.
Granados, Ed.) Bogotá, Colombia: Ediciones Fundación Universidad Central .

Layarroz, I. (02 de Julio de 2014). Redes Neuronales para la simulación de sistemas dinámicos en
aerogeneradores. Trabajo final de máster, 49. Madrid, España.

Ledesma, S. (2015). LAS REDES NEURONLES implementación y consideraciones prácticas. International

Conference on Artificial Intelligence (pág. 50). Guanajuato: Publicciones Universidad de
Guanajuato.

Lizalda, J. (Julio de 2019). MODELO DEL DESEMPEÑO DE LA DISTRIBUCIÓN LOGÍSTICA EN MERCANCÍAS.

Nuevo León, México. Obtenido de http://eprints.uanl.mx/17858/1/1080288726.pdf

Lopéz Alvárez P. Velo Sabín R & Maseda Eimil P. (Septiembre de 2007). ESTIMACIÓN DE LA VELOCIDAD
DE VIENTO MEDIANTE REDES NEURONALES. XI CONGRESO INTERNACIONAL DE INGENIERIA DE
PROYECTOS, 10. Obtenido de
https://www.aeipro.com/files/congresos/2007lugo/ciip07_1083_1092.501.pdf

Lopéz, J. (Diciembre de 2012). Modelación matemática en la enseñanza de sistemas de ecuaciones

lineales. Xalapa Enriquéz, Veracruz, México.

María B. Isidro A. Elena F. José P & Ruth A. (s.f.). Papel de la modelación matemática en la formación de
los ingenieros.

MathWorks. (29 de Septiembre de 2019). Matlab. Natick, Massachusetts, Estados Unidos.

Matich, D. (Marzo de 2001). Redes Neuronales: . El Rosario, Santa Fe, Argentina.

MIDEPLAN . (Julio de 2009). Guia para la elaboración de diagramas de flujo.

120
Monteiro, C., Santos, T., Fernandez, A., Ramirez, I., & Terreros, S. (2013). Short-Term Power Forecasting
Model for Photovoltaic Plants Based on Historical Similarity. energies, 2624-2643.
doi:10.3390/en6052624

Montoya, S., Palomino, C., & Martínez, M. (9 de Abril de 2019). Gidahatari. Obtenido de Métodos de
estimación para completar datos de precipitación: http://gidahatari.com/ih-es/metodos-
estimacion-completar-datos-precipitacion

Morata, J. (Octubre de 2013). GENERACIÓN DE CURVAS HISTÓRICAS(HISTÓRICO DE COMPORTAMIENTO)

DE AEROGENERADORES. 7-10. Zaragoza, España.

Morata, J. (Octubre de 2016). Generación de curvas históricas (hitórico de comportamiento) de

aerogenerados. Zaragoza, España.

Mur, J. (2008). CURSO DE ENERGÍA EÓLICA. Zaragoza, España: Universidad de Zaragoza.

Pérez, C. (2011). MATLAB a través de ejemplos (Primera ed.). Madrid, España: IBERGARCETA
PUBLICACIONES.

Pérez, M. (Marzo de 2018). Aerodinámica de un aerogenerador de eje horizontal de 500 Kw. Trabajo de
fin de grado. Logroño, España.

Plata, R. W. (2002). Matlab & Redes Neuronales.

Plaza, L. (Octubre de 2016). Modelación matemática en ingeniería. Scielo, 11. Obtenido de

http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-85502016000200047

Ponce, P. (2010). INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERÍA. (A. Herrera, Ed.)
Mexico: Alfaomega Grupo Editor. Obtenido de http://www.alfaomega.com.mx

Reyes, A., Ibarguengoytia, P., Jijón, D., Guerrero, T., García, U., & Borunda, M. (2017). Wind Power
Forecasting for the Villonaco Wind Farm Using AI techniques. Springer International Publishing,
11. doi:10.1007/978-3-319-62428-0_19

Rodriguéz J, B. J. (2013). SISTEMAS EÓLICOS DE PRODUCCIÓN DE ENERGÍA ELÉCTRICA. Madrid: Rueda.

Sepúlveda, P. (Diciembre de 2011). REDES NEURONALES RECURRENTES CON ALGORITMO DE

OPTIMIZACIÓN POR ENJAMBRE DE PARTÍCULAS PARA PRONÓSTICO MULTIVARIADO DE
CAPTURA DE ANCHOVETAS EN EL NORTE DE CHILE. Valparaíso, Chile.

Sfetsos, A. (2002). A novel approach for the forecasting of mean hourly wind speed time series.
Renewable Energy, 27(2), 163-174. doi:https://doi.org/10.1016/S0960-1481(01)00193-8

Sfetsos, T. (septiembre de 2001). A comparison of various forecasting techniques applied to mean

hourly wind speed time series. Renewable Energy, 23-35. doi:10.1016/S0960-1481(99)00125-1

Talayero, A. P. (2008). Energía eólica. Zaragoza, España: Prensas Universitarias de Zaragoza.

Torres, J. L., García, A., De Blas, M., & De Francisco, A. (2005). Forecast of hourly average wind speed
with ARMA models in Navarre (Spain). Solar Energy, 79(1), 65-77.
doi:https://doi.org/10.1016/j.solener.2004.09.013

121
Villarrubia, M. (2004). ENERGÍA EÓLICA (Primera ed.). Barcelona, España: Ceac.

Viñuela P, G. I. (2004). Redes de Neuronas Artificiales Un Enfoque Práctico. (D. F. ARAGÓN, Ed.) Madrid,
ESPAÑA: PEARSON EDUCACIÓN S.A.

Wan, H., L, X., & Swall, V. (1 de Marzo de 2010). Homogenization and Trend Analysis of Canadian Near-
Surface Wind Speeds. Climate Research Division, Atmospheric Science and Technology
Directorate, Science and Technology Branch., 17.

Wismark, R. (2008). MatLab & Redes Neuronales. Revista de información, Tecnología y

Sociedad(No.1.ISSN1957-4044), 7.

Yegnanarayana, B. (2006). ARTIFICIAL NEURAL NETWORKS. Nueva Delhi, India: Rajkamal Electric Press.

122
 11. ANEXOS.
Anexo 1. Método de bines.
UGE 01.
Tabla 30. Coeficientes calculados para aplicar el método de bines para el UGE 01.
Iteraciones Pimera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 8.0 -8.0 8.0 0.0 0.0 0.0 0.0
0.75 1.25 0.3 37.6 -37.3 37.9 0.0 10.0 -10.0 10.0 0.0 0.6 -0.6 0.6
1.25 1.75 0.3 48.1 -47.7 48.4 0.1 8.0 -7.9 8.1 0.1 2.7 -2.6 2.8
1.75 2.25 0.5 44.7 -44.2 45.1 0.0 10.0 -10.0 10.0 0.0 0.3 -0.3 0.3
2.25 2.75 1.6 11.2 -9.6 12.8 1.4 11.2 -9.8 12.6 1.4 10.4 -9.0 11.8
2.75 3.25 8.5 22.1 -13.7 30.6 8.4 22.1 -13.7 30.6 8.4 20.0 -11.6 28.4
3.25 3.75 2.3 39.0 -16.7 61.2 22.2 39.0 -16.8 61.2 22.2 30.0 -7.8 52.2
3.75 4.25 41.1 53.4 -12.3 94.5 41.0 53.4 -12.4 94.4 41.0 40.0 1.0 81.0
4.25 4.75 64.1 67.7 -3.6 131.8 64.0 67.7 -3.7 131.7 64.0 50.0 14.0 114.0
4.75 5.25 92.1 76.5 15.7 168.6 96.5 76.5 20.0 172.9 96.5 62.6 34.0 159.1
5.25 5.75 12.8 88.6 37.2 214.4 129.9 88.6 41.4 218.5 130.0 81.1 48.8 211.1
5.75 6.25 17.2 103.1 67.1 273.3 173.6 103.1 70.5 276.8 173.7 104.1 69.5 277.8
6.25 6.75 223.0 126.5 96.5 349.4 226.6 126.5 100.2 353.1 226.7 131.1 95.6 357.8
6.75 7.25 284.2 151.4 132.8 435.6 288.9 151.4 137.5 440.3 289.0 149.5 139.5 438.6
7.25 7.75 352.6 175.8 176.8 528.4 357.7 175.8 181.9 533.5 357.8 178.7 179.0 536.5
7.75 8.25 432.2 199.5 232.8 631.7 437.3 199.5 237.9 636.8 437.4 199.8 237.6 637.3
8.25 8.75 516.4 213.4 303.0 729.8 522.1 213.4 308.7 735.5 522.2 206.5 315.8 728.7
8.75 9.25 603.1 233.8 369.3 836.9 609.1 233.8 375.2 842.9 609.2 216.7 392.5 825.9
9.25 9.75 689.6 246.1 443.5 935.6 696.0 246.1 450.0 942.1 696.1 224.2 471.9 920.3
9.75 10.25 783.0 251.7 531.3 1034.8 788.5 251.7 536.7 1040.2 788.6 234.7 553.9 1023.3
1.25 10.75 881.4 257.9 623.5 1139.2 886.3 257.9 628.4 1144.2 886.3 248.8 637.5 1135.2
10.75 11.25 984.5 251.4 733.1 1235.8 988.0 251.4 736.7 1239.4 988.1 259.2 728.9 1247.2
11.25 11.75 1091.0 268.3 822.6 1359.3 1094.9 268.3 826.5 1363.2 1094.9 278.2 816.6 1373.1
11.75 12.25 1198.0 296.5 901.5 1494.5 1203.0 296.5 906.5 1499.5 1203.0 292.5 910.6 1495.5
12.25 12.75 1300.2 315.0 985.2 1615.2 1306.1 315.0 991.1 1621.1 1306.1 296.3 1009.8 1602.4
12.75 13.25 1387.0 365.9 1021.1 1752.9 1395.8 320.0 1075.8 1715.8 1396.1 287.7 1108.5 1683.8
13.25 13.75 1454.8 325.3 1129.5 1780.1 1461.5 325.3 1136.2 1786.8 1461.5 267.2 1194.3 1728.8
13.75 14.25 1498.6 300.0 1198.6 1798.6 1512.5 290.0 1222.5 1802.5 1512.6 225.9 1286.7 1738.5
14.25 14.75 1529.1 230.0 1299.1 1759.2 1542.2 280.0 1262.2 1822.2 1542.3 185.5 1356.7 1727.8
14.75 15.25 1545.1 226.1 1319.0 1771.2 1557.5 270.0 1287.5 1827.5 1557.5 164.5 1393.0 1722.0
15.25 15.75 1550.8 229.5 1321.3 1780.2 1563.5 250.0 1313.5 1813.5 1563.5 158.7 1404.8 1722.2
15.75 16.25 1554.2 225.5 1328.7 1779.7 1565.6 230.0 1335.6 1795.6 1565.6 144.0 1421.6 1709.7
16.25 16.75 1554.4 221.0 1333.4 1775.4 1566.2 210.0 1356.2 1776.2 1566.3 124.9 1441.3 1691.2
16.75 17.25 1555.2 216.4 1338.8 1771.6 1565.9 190.0 1375.9 1755.9 1566.1 103.8 1462.3 1669.8
17.25 17.75 1555.6 211.0 1344.6 1766.7 1565.9 170.0 1395.9 1735.9 1565.9 90.3 1475.6 1656.3
17.75 18.25 1559.0 169.8 1389.2 1728.8 1565.6 160.0 1405.6 1725.6 1565.6 85.3 1480.3 1651.0
18.25 18.75 1553.2 230.4 1322.9 1783.6 1564.4 160.0 1404.4 1724.4 1564.7 94.8 1469.9 1659.4
18.75 19.25 1548.3 271.7 1276.6 1820.0 1564.2 160.0 1404.2 1724.2 1564.3 84.3 1480.0 1648.6
19.25 19.75 1535.6 381.3 1154.4 1916.9 1561.4 160.0 1401.4 1721.4 1563.6 85.9 1477.7 1649.5
19.75 20.25 1531.8 388.7 1143.1 1920.4 1559.8 160.0 1399.8 1719.8 1563.2 100.2 1463.0 1663.4
20.25 20.75 1515.0 511.0 1004.0 2026.0 1559.8 160.0 1399.8 1719.8 1566.1 78.1 1488.0 1644.1
20.75 21.25 1500.0 694.3 805.7 2194.3 1559.8 160.0 1399.8 1719.8 1566.1 75.2 1490.9 1641.3
21.25 21.75 1490.0 816.3 673.7 2306.3 1559.8 198.2 1361.6 1758.0 1566.1 92.4 1473.7 1658.5
21.75 22.25 1475.0 881.0 594.0 2356.0 1559.8 293.4 1266.5 1853.2 1566.1 94.1 1472.0 1660.2
22.25 22.75 1460.0 910.0 550.0 2370.0 1559.8 314.2 1245.6 1874.0 1566.1 97.8 1468.2 1663.9
22.75 23.25 1450.0 930.0 520.0 2380.0 1559.8 354.8 1205.0 1914.6 1566.1 84.0 1482.1 1650.1
23.25 23.75 1440.0 970.0 470.0 2410.0 1559.8 434.0 1125.8 1993.8 1566.1 96.0 1470.1 1662.1
23.75 24.25 1425.0 1072.0 353.0 2497.0 1559.8 521.4 1038.4 2081.3 1566.1 104.0 1462.1 1670.1
24.25 24.75 1390.0 1160.0 230.0 2550.0 1559.8 573.7 986.1 2133.5 1566.1 110.0 1456.1 1676.1
24.75 25.25 1375.0 1190.0 185.0 2565.0 1559.8 430.0 1129.8 1989.8 1566.1 12.0 1554.1 1578.1

123
 Figura 137. Aplicación del método de bines para el UGE 01.

Figura 138. Datos de potencia depurados para UGE 01.

Tabla 31. Función matemática para la curva de potencia normalizada para el UGE01.
RANGO ECUACIÓN
0 ≤ v < 9.5 −0,1055v 4 + 2.564v 3 − 7.79v 2 + 6.784v − 1.016
6.5 ≤ v < 14 −0.0002877v 7 + 0.01017v 6 − 0.0838v 5 − 1.125v 4 + 25.77v 3 − 172.6v 2 + 521.3v − 594.5
14 ≤ v < 25 1566
v ≥ 25 0

Tabla 32. Ecuación a tramos final normalizada para potencia activa del UGE 01.
RANGO ECUACIÓN
0 ≤ v < 2.5 0
2 < v < 11 0.0124v 6 − 0.4755v 5 + 7.1064v 4 − 52.302v 3 + 210.09v 2 − 413.85v + 307.07
11 < v ≤ 15.5 1.4844v 4 − 80.224v 3 + 1588.8v 2 − 13526v + 42573
15.5 < v ≤ 25 1565
v ≥ 25 0

124
 UGE 02.
Tabla 33. Coeficientes calculados para aplicar el método de bines para el UGE 02.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.4 16.6 -16.2 17.0 0.0 8.0 -8.0 8.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 4.0 -4.0 4.0 0.0 0.0 0.0 0.0
0.75 1.25 2.2 87.5 -85.3 89.7 0.0 10.0 -10.0 10.0 0.0 0.4 -0.4 0.4
1.25 1.75 3.3 108.1 -104.7 111.4 0.2 10.0 -9.8 10.2 0.1 2.0 -1.9 2.1
1.75 2.25 2.2 84.6 -82.4 86.7 0.0 12.0 -12.0 12.0 0.0 0.1 -0.1 0.1
2.25 2.75 3.2 11.5 -8.3 14.7 2.2 11.5 -9.4 13.7 2.0 9.1 -7.1 11.2
2.75 3.25 11.3 24.8 -13.5 36.1 10.3 24.8 -14.4 35.1 10.2 25.9 -15.8 36.1
3.25 3.75 25.2 36.5 -11.3 61.7 24.4 36.5 -12.1 60.9 24.3 43.6 -19.2 67.9
3.75 4.25 45.1 49.2 -4.1 94.3 44.3 49.2 -4.9 93.6 44.3 59.8 -15.5 104.1
4.25 4.75 69.7 60.3 9.4 129.9 73.3 60.3 13.0 133.6 73.4 56.5 16.9 129.9
4.75 5.25 101.1 72.3 28.8 173.4 104.0 72.3 31.8 176.3 104.1 70.7 33.4 174.8
5.25 5.75 137.4 91.8 45.7 229.2 139.7 91.8 47.9 231.4 139.7 94.6 45.1 234.3
5.75 6.25 183.5 114.8 68.7 298.3 185.8 114.8 71.0 300.5 185.8 121.3 64.5 307.1
6.25 6.75 239.4 139.5 99.8 378.9 241.8 139.5 102.3 381.3 241.9 150.7 91.2 392.6
6.75 7.25 306.8 163.5 143.2 470.3 309.8 163.5 146.3 473.3 309.9 174.3 135.6 484.2
7.25 7.75 384.0 193.1 190.8 577.1 389.9 193.1 196.8 583.1 390.2 204.5 185.6 594.7
7.75 8.25 463.7 218.6 245.1 682.3 471.8 200.0 271.8 671.8 472.3 223.6 248.6 695.9
8.25 8.75 549.6 230.0 319.6 779.5 558.0 220.0 338.0 778.0 558.5 234.6 323.8 793.1
8.75 9.25 637.3 240.8 396.6 878.1 646.2 230.0 416.2 876.2 646.7 242.5 404.2 889.1
9.25 9.75 725.8 265.3 460.5 991.1 736.3 240.0 496.3 976.3 736.3 250.6 485.7 986.9
9.75 10.25 820.4 296.5 523.9 1116.9 833.6 250.0 583.6 1083.6 833.9 267.7 566.2 1101.6
10.25 10.75 917.5 310.8 606.7 1228.2 931.1 260.0 671.1 1191.1 931.4 281.3 650.0 1212.7
10.75 11.25 1018.3 359.0 659.2 1377.3 1036.7 270.0 766.7 1306.7 1038.1 299.8 738.3 1337.9
11.25 11.75 1122.6 392.2 730.5 1514.8 1144.5 280.0 864.5 1424.5 1146.1 312.2 833.9 1458.2
11.75 12.25 1222.5 417.6 804.9 1640.1 1246.4 290.0 956.4 1536.4 1249.7 322.0 927.7 1571.8
12.25 12.75 1317.3 418.5 898.8 1735.7 1341.0 300.0 1041.0 1641.0 1344.6 321.0 1023.6 1665.6
12.75 13.25 1402.0 396.9 1005.1 1798.9 1422.8 310.0 1112.8 1732.8 1424.7 291.0 1133.7 1715.6
13.25 13.75 1460.7 369.6 1091.1 1830.2 1480.7 300.0 1180.7 1780.7 1482.7 241.1 1241.6 1723.8
13.75 14.25 1500.9 343.1 1157.9 1844.0 1520.3 290.0 1230.3 1810.3 1524.2 221.7 1302.5 1745.9
14.25 14.75 1525.8 299.7 1226.1 1825.5 1544.4 250.0 1294.4 1794.4 1544.8 191.7 1353.0 1736.5
14.75 15.25 1536.7 282.5 1254.2 1819.2 1554.5 230.0 1324.5 1784.5 1554.7 186.7 1368.0 1741.4
15.25 15.75 1544.5 286.9 1257.6 1831.4 1562.8 190.0 1372.8 1752.8 1563.1 160.1 1403.0 1723.2
15.75 16.25 1548.2 303.4 1244.8 1851.7 1568.2 160.0 1408.2 1728.2 1568.5 153.1 1415.4 1721.6
16.25 16.75 1551.3 293.7 1257.6 1844.9 1570.2 150.0 1420.2 1720.2 1570.4 116.4 1454.0 1686.8
16.75 17.25 1554.9 269.6 1285.4 1824.5 1570.9 144.0 1426.9 1714.9 1571.1 93.1 1478.0 1664.3
17.25 17.75 1557.5 240.8 1316.6 1798.3 1570.8 146.0 1424.8 1716.8 1570.8 94.1 1476.7 1664.9
17.75 18.25 1559.8 229.1 1330.7 1788.9 1570.7 148.0 1422.7 1718.7 1570.7 93.9 1476.8 1664.6
18.25 18.75 1554.9 284.3 1270.6 1839.2 1570.5 140.0 1430.5 1710.5 1570.6 78.2 1492.4 1648.8
18.75 19.25 1555.4 273.5 1281.9 1828.9 1569.9 142.0 1427.9 1711.9 1570.1 80.8 1489.3 1650.8
19.25 19.75 1549.8 321.1 1228.7 1870.8 1569.8 150.0 1419.8 1719.8 1569.8 77.6 1492.2 1647.4
19.75 20.25 1538.8 403.5 1135.3 1942.2 1567.7 170.0 1397.7 1737.7 1569.1 91.1 1477.9 1660.2
20.25 20.75 1515.0 482.2 1032.8 1997.2 1567.7 230.0 1337.7 1797.7 1570.1 83.8 1486.3 1653.8
20.75 21.25 1500.0 580.4 919.6 2080.4 1567.7 270.0 1297.7 1837.7 1570.1 85.8 1484.3 1655.8
21.25 21.75 1490.0 674.7 815.3 2164.7 1567.7 280.0 1287.7 1847.7 1570.1 88.6 1481.4 1658.7
21.75 22.25 1475.0 876.0 599.0 2351.0 1567.7 310.0 1257.7 1877.7 1570.1 95.3 1474.8 1665.4
22.25 22.75 1460.0 1055.9 404.1 2515.9 1567.7 340.0 1227.7 1907.7 1570.1 100.7 1469.3 1670.8
22.75 23.25 1450.0 1085.8 364.2 2535.8 1567.7 420.0 1147.7 1987.7 1570.1 101.4 1468.7 1671.4
23.25 23.75 1440.0 1177.0 263.0 2617.0 1567.7 500.0 1067.7 2067.7 1570.1 108.7 1461.4 1678.7
23.75 24.25 1425.0 1297.4 127.6 2722.4 1567.7 570.0 997.7 2137.7 1570.1 124.9 1445.2 1694.9
24.25 24.75 1390.0 1306.3 83.7 2696.3 1567.7 650.0 917.7 2217.7 1570.1 131.7 1438.4 1701.7
24.75 25.25 1375.0 1100.8 274.2 2475.8 1567.7 780.0 787.7 2347.7 1570.1 135.2 1434.8 1705.3

125
 Figura 139. Aplicación del método de bines para el UGE 02.

Figura 140. Datos de potencia depurados para UGE 02.

Tabla 34. Función matemática para la curva de potencia normalizada para el UGE 02.
RANGO ECUACIÓN
0 ≤ v < 8.5 −0.06746v 4 + 2.024v 3 − 4.791v 2 + 1.964v + 0.1887
6.5 ≤ v < 14 −0.00012037v 7 + 0.0002115v 6 + 0.1647v 5 − 4.477v 4 + 51.71v 3 − 281.1v 2 + 774.9v − 822.1
14 ≤ v < 25 1570
v ≥ 25 0

Tabla 35. Ecuación a tramos final normalizada para potencia activa del UGE 02.
RANGO ECUACIÓN
0 ≤ v < 2.5 0
2<v≤9 −0.1246v 5 + 3.2445v 4 − 31.54v 3 + 155.69v 2 − 355.41v + 297.53
9 < v ≤ 13 0.001v 4 − 3.9356v 3 + 126.76v 2 − 1159.1v + 3678
13 < v ≤ 16.5 −4.4397v 4 + 273.62v 3 − 6324.2v 2 + 64988v − 249033
16.5 < v ≤ 25 1570
v > 25 0

126
 UGE 03.

Tabla 36. Coeficientes calculados para aplicar el método de bines para el UGE 03.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 0.3 26.1 -25.8 26.4 0.0 0.5 -0.4 0.5 0.0 0.0 0.0 0.0
1.25 1.75 0.3 33.4 -33.0 33.7 0.1 1.8 -1.6 1.9 0.0 0.2 -0.2 0.2
1.75 2.25 0.5 31.0 -30.6 31.5 0.0 0.5 -0.5 0.5 0.0 0.0 0.0 0.0
2.25 2.75 1.6 7.8 -6.1 9.4 1.1 5.0 -3.9 6.1 0.4 3.4 -3.0 3.8
2.75 3.25 8.5 15.7 -7.2 24.2 8.8 17.3 -8.5 26.1 8.8 24.5 -15.7 33.3
3.25 3.75 22.3 27.8 -5.6 50.1 25.0 31.7 -6.7 56.8 25.0 44.9 -19.9 70.0
3.75 4.25 41.1 40.1 1.0 81.2 51.4 30.0 21.3 81.4 52.1 39.4 12.7 91.5
4.25 4.75 64.1 48.8 15.3 112.9 75.5 37.1 38.4 112.6 75.8 50.6 25.2 126.5
4.75 5.25 92.1 60.0 32.1 152.2 105.6 45.9 59.7 151.5 105.7 62.6 43.1 168.3
5.25 5.75 125.8 75.5 50.3 201.3 143.1 59.4 83.8 202.5 143.7 81.4 62.4 225.1
5.75 6.25 170.2 94.5 75.7 264.8 192.2 77.5 114.7 269.7 193.2 105.6 87.7 298.8
6.25 6.75 223.0 122.3 100.6 345.3 251.6 97.4 154.2 349.0 253.1 131.4 121.7 384.5
6.75 7.25 284.2 149.5 134.7 433.7 319.4 117.9 201.5 437.3 321.4 157.7 163.8 479.1
7.25 7.75 352.6 177.8 174.8 530.4 396.8 139.2 257.6 536.0 399.4 185.2 214.2 584.6
7.75 8.25 432.2 203.1 229.1 635.3 478.2 159.0 319.2 637.2 480.5 214.4 266.1 695.0
8.25 8.75 516.4 229.0 287.4 745.4 563.2 172.1 391.1 735.4 564.8 226.8 337.9 791.6
8.75 9.25 603.1 244.9 358.2 848.0 648.4 178.7 469.7 827.1 649.3 232.9 416.4 882.3
9.25 9.75 689.6 263.2 426.4 952.8 739.5 190.1 549.4 929.6 739.8 246.0 493.8 985.7
9.75 10.25 783.0 282.3 500.7 1065.3 833.0 205.4 627.6 1038.5 833.0 264.5 568.4 1097.5
10.25 10.75 881.4 300.3 581.1 1181.6 929.5 221.9 707.5 1151.4 929.8 285.5 644.3 1215.3
10.75 11.25 984.5 319.7 664.8 1304.2 1032.8 239.6 793.2 1272.4 1033.5 308.1 725.4 1341.5
11.25 11.75 1091.0 353.9 737.1 1444.8 1144.4 260.8 883.6 1405.2 1143.7 332.9 810.7 1476.6
11.75 12.25 1198.0 374.1 823.9 1572.1 1256.0 269.4 986.6 1525.4 1260.5 347.0 913.4 1607.5
12.25 12.75 1300.2 380.0 920.2 1680.2 1355.0 246.0 1109.0 1601.0 1363.2 311.6 1051.6 1674.8
12.75 13.25 1387.0 370.0 1017.0 1757.0 1432.7 211.5 1221.3 1644.2 1446.0 235.5 1210.5 1681.5
13.25 13.75 1454.8 360.0 1094.8 1814.8 1485.3 166.3 1319.0 1651.6 1498.5 162.8 1335.7 1661.2
13.75 14.25 1498.6 344.5 1154.1 1843.2 1514.5 124.7 1389.8 1639.2 1525.5 142.4 1383.2 1667.9
14.25 14.75 1529.1 310.0 1219.1 1839.1 1532.5 110.0 1422.5 1642.5 1536.2 135.0 1401.2 1671.2
14.75 15.25 1545.1 280.0 1265.1 1825.1 1540.5 116.0 1424.5 1656.5 1540.9 105.1 1435.7 1646.0
15.25 15.75 1550.8 250.0 1300.8 1800.8 1545.7 130.0 1415.7 1675.7 1545.8 89.8 1456.0 1635.7
15.75 16.25 1554.2 225.5 1328.7 1779.7 1547.9 140.0 1407.9 1687.9 1547.9 80.2 1467.7 1628.1
16.25 16.75 1554.4 221.0 1333.4 1775.4 1548.6 130.0 1418.6 1678.6 1548.6 84.4 1464.2 1633.0
16.75 17.25 1555.2 216.4 1338.8 1771.6 1548.1 128.0 1420.1 1676.1 1548.2 77.9 1470.3 1626.1
17.25 17.75 1555.6 211.0 1344.6 1766.7 1547.8 116.0 1431.8 1663.8 1547.8 71.6 1476.2 1619.5
17.75 18.25 1559.0 200.0 1359.0 1759.0 1547.5 124.0 1423.5 1671.5 1547.5 65.6 1481.9 1613.1
18.25 18.75 1553.2 230.4 1322.9 1783.6 1547.0 112.0 1435.0 1659.0 1547.0 64.4 1482.6 1611.5
18.75 19.25 1548.3 271.7 1276.6 1820.0 1546.1 118.0 1428.1 1664.1 1547.5 66.4 1481.1 1613.9
19.25 19.75 1535.6 381.3 1154.4 1916.9 1544.2 142.0 1402.2 1686.2 1547.5 62.7 1484.8 1610.3
19.75 20.25 1531.8 388.7 1143.1 1920.4 1546.7 126.0 1420.7 1672.7 1547.5 68.9 1478.6 1616.4
20.25 20.75 1515.0 511.0 1004.0 2026.0 1546.7 124.7 1422.0 1671.4 1547.5 63.5 1484.0 1611.1
20.75 21.25 1500.0 694.3 805.7 2194.3 1546.7 121.0 1425.7 1667.7 1547.5 62.1 1485.4 1609.7
21.25 21.75 1490.0 816.3 673.7 2306.3 1546.7 170.0 1376.7 1716.7 1547.5 68.9 1478.6 1616.4
21.75 22.25 1475.0 881.0 594.0 2356.0 1546.7 224.0 1322.7 1770.7 1547.5 79.5 1468.0 1627.0
22.25 22.75 1460.0 1052.1 407.9 2512.1 1546.7 250.0 1296.7 1796.7 1547.5 85.7 1461.8 1633.2
22.75 23.25 1450.0 1134.2 315.8 2584.2 1546.7 300.0 1246.7 1846.7 1547.5 92.2 1455.3 1639.7
23.25 23.75 1440.0 1229.2 210.8 2669.2 1546.7 380.0 1166.7 1926.7 1547.5 94.9 1452.6 1642.4
23.75 24.25 1425.0 1260.0 165.0 2685.0 1546.7 500.0 1046.7 2046.7 1547.5 111.3 1436.2 1658.8
24.25 24.75 1390.0 1240.0 150.0 2630.0 1546.7 560.0 986.7 2106.7 1547.5 101.0 1446.5 1648.5
24.75 25.25 1375.0 1230.0 145.0 2605.0 1546.7 430.0 1116.7 1976.7 1547.5 106.0 1441.5 1653.5

127
 Figura 141. Aplicación del método de bines para el UGE 03.

Figura 142. Datos de potencia depurados para UGE 03.

Tabla 37. Función matemática para la curva de potencia normalizada para el UGE 03.
RANGO ECUACIÓN
0 ≤ v < 13.5 −0.002057v 6 + 0.08109v 5 − 1.298v 4 + 10.5v 3 − 30.19v 2 + 29.08v − 4.268
14 ≤ v < 25 1548
v ≥ 25 0

Tabla 38. Ecuación a tramos final normalizada para potencia activa del UGE 03.
RANGO ECUACIÓN
0 ≤ v < 2.5 0.5
2 < v ≤ 8.5 0.0303v 6 − 1.1007v 5 + 15.784v 4 − 113.44v 3 + 441.76v 2 − 858.76v + 644.02
8.5 < v < 12 0.001v 4 − 3.9356v 3 + 126.76v 2 − 1159.1v + 3678
12 ≤ v ≤ 13.5 −19.146v 3 + 690.07v 2 − 8090.9v + 32059
13.5 < v < 16 6.2248v 3 − 282.62v 2 + 4288.4v − 20205
16 ≤ v ≤ 25 1547
v ≥ 25 0

128
 UGE 04.
Tabla 39. Coeficientes calculados para aplicar el método de bines para el UGE 04.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 4.0 108.3 -104.3 112.3 0.1 5.8 -5.6 5.9 0.0 0.3 -0.3 0.3
1.25 1.75 17.9 236.7 -218.9 254.6 0.3 8.0 -7.7 8.3 0.1 1.4 -1.3 1.5
1.75 2.25 12.7 222.4 -209.7 235.2 0.0 0.1 -0.1 0.1 0.0 0.1 -0.1 0.1
2.25 2.75 8.4 188.6 -180.2 197.1 2.7 13.0 -10.3 15.8 1.4 7.5 -6.1 8.9
2.75 3.25 10.6 109.5 -98.9 120.1 8.8 25.5 -16.7 34.2 6.9 20.9 -14.0 27.8
3.25 3.75 21.7 41.6 -19.9 63.3 20.5 37.6 -17.1 58.1 19.6 38.4 -18.8 58.0
3.75 4.25 41.6 56.1 -14.5 97.7 40.6 53.5 -13.0 94.1 40.0 57.3 -17.4 97.3
4.25 4.75 65.5 68.8 -3.3 134.4 64.4 66.2 -1.7 130.6 63.9 71.4 -7.5 135.3
4.75 5.25 95.8 85.6 10.2 181.4 97.7 71.1 26.5 168.8 96.7 71.8 24.9 168.5
5.25 5.75 130.5 108.8 21.7 239.3 132.4 93.0 39.4 225.4 130.4 93.9 36.4 224.3
5.75 6.25 174.2 133.6 40.6 307.8 174.4 117.0 57.4 291.3 171.8 118.1 53.7 289.9
6.25 6.75 225.0 166.0 59.0 391.1 226.0 148.3 77.7 374.3 223.5 153.3 70.2 376.8
6.75 7.25 283.4 192.9 90.5 476.3 284.1 171.8 112.3 456.0 282.2 177.9 104.3 460.1
7.25 7.75 350.5 229.7 120.8 580.1 354.5 201.4 153.1 555.9 352.7 207.4 145.3 560.1
7.75 8.25 425.0 254.9 170.1 680.0 430.5 220.5 210.0 651.0 429.7 222.9 206.8 652.6
8.25 8.75 501.1 271.7 229.4 772.8 507.7 233.9 273.8 741.6 505.6 239.7 265.9 745.3
8.75 9.25 582.9 278.9 304.0 861.8 588.4 235.6 352.7 824.0 586.6 238.9 347.7 825.5
9.25 9.75 667.6 290.4 377.2 958.1 671.2 243.8 427.4 915.0 668.8 243.9 425.0 912.7
9.75 10.25 753.5 304.2 449.3 1057.6 755.7 255.9 499.8 1011.6 752.1 259.8 492.3 1011.9
10.25 10.75 845.6 319.5 526.1 1165.1 847.3 272.4 574.9 1119.6 842.8 279.2 563.6 1122.0
10.75 11.25 938.8 343.8 595.0 1282.6 944.7 289.3 655.4 1234.0 940.9 296.2 644.8 1237.1
11.25 11.75 1021.5 397.9 623.6 1419.4 1038.5 298.4 740.1 1336.9 1034.9 304.2 730.7 1339.1
11.75 12.25 1121.8 385.1 736.7 1506.9 1136.5 295.2 841.2 1431.7 1137.4 306.2 831.2 1443.6
12.25 12.75 1221.3 377.5 843.8 1598.7 1234.5 284.2 950.2 1518.7 1237.2 294.9 942.3 1532.2
12.75 13.25 1318.3 374.6 943.7 1692.9 1332.9 290.0 1042.9 1622.9 1335.7 275.3 1060.4 1611.0
13.25 13.75 1395.0 359.6 1035.4 1754.6 1410.5 296.0 1114.5 1706.5 1411.9 236.4 1175.5 1648.3
13.75 14.25 1458.5 293.0 1165.5 1751.5 1470.4 300.0 1170.4 1770.4 1471.5 203.3 1268.2 1674.8
14.25 14.75 1493.4 299.4 1194.0 1792.8 1509.2 270.0 1239.2 1779.2 1509.8 175.5 1334.3 1685.3
14.75 15.25 1518.5 272.0 1246.5 1790.5 1533.3 250.0 1283.3 1783.3 1533.5 143.8 1389.7 1677.4
15.25 15.75 1534.3 233.3 1300.9 1767.6 1545.4 230.0 1315.4 1775.4 1545.4 115.5 1429.9 1660.9
15.75 16.25 1539.2 244.1 1295.1 1783.2 1551.9 190.0 1361.9 1741.9 1552.0 101.0 1451.0 1653.0
16.25 16.75 1544.5 194.9 1349.5 1739.4 1554.1 150.0 1404.1 1704.1 1554.3 87.8 1466.5 1642.1
16.75 17.25 1545.5 210.2 1335.4 1755.7 1554.9 130.0 1424.9 1684.9 1555.0 78.9 1476.2 1633.9
17.25 17.75 1544.0 237.5 1306.5 1781.4 1555.3 120.0 1435.3 1675.3 1555.4 75.2 1480.3 1630.6
17.75 18.25 1543.9 238.8 1305.1 1782.7 1555.2 116.0 1439.2 1671.2 1555.3 75.9 1479.5 1631.2
18.25 18.75 1541.0 268.3 1272.7 1809.4 1554.1 126.0 1428.1 1680.1 1554.8 80.5 1474.2 1635.3
18.75 19.25 1542.4 244.8 1297.6 1787.2 1553.9 128.0 1425.9 1681.9 1554.3 72.9 1481.4 1627.2
19.25 19.75 1537.5 288.1 1249.4 1825.6 1552.3 124.0 1428.3 1676.3 1555.0 76.7 1478.3 1631.8
19.75 20.25 1523.5 392.6 1130.9 1916.0 1551.1 118.0 1433.1 1669.1 1555.0 81.4 1473.7 1636.4
20.25 20.75 1515.0 331.1 1183.9 1846.1 1552.3 128.0 1424.3 1680.3 1555.0 79.0 1476.0 1634.1
20.75 21.25 1500.0 540.9 959.1 2040.9 1552.3 122.0 1430.3 1674.3 1555.0 74.8 1480.3 1629.8
21.25 21.75 1490.0 649.9 840.1 2139.9 1552.3 140.0 1412.3 1692.3 1555.0 79.7 1475.4 1634.7
21.75 22.25 1475.0 895.7 579.3 2370.7 1552.3 190.0 1362.3 1742.3 1555.0 92.5 1462.5 1647.6
22.25 22.75 1460.0 1055.9 404.1 2515.9 1552.3 240.0 1312.3 1792.3 1555.0 95.8 1459.2 1650.9
22.75 23.25 1450.0 1118.3 331.7 2568.3 1552.3 380.0 1172.3 1932.3 1555.0 93.9 1461.1 1648.9
23.25 23.75 1440.0 1112.4 327.6 2552.4 1552.3 420.0 1132.3 1972.3 1555.0 93.3 1461.8 1648.3
23.75 24.25 1425.0 1289.8 135.2 2714.8 1552.3 540.0 1012.3 2092.3 1555.0 98.0 1457.0 1653.0
24.25 24.75 1390.0 1344.9 45.1 2734.9 1552.3 520.0 1032.3 2072.3 1555.0 104.0 1451.0 1659.0
24.75 25.25 1375.0 1333.1 41.9 2708.1 1552.3 570.0 982.3 2122.3 1555.0 112.0 1443.0 1667.0

129
 Figura 143. Aplicación del método de bines para el UGE 04.

Figura 144. Datos de potencia depurados para UGE 04.

Tabla 40. Función matemática para la curva de potencia normalizada para el UGE 04.
RANGO ECUACIÓN
0 ≤ v < 2.5 0
2.5 ≤ v < 7.5 −0.0008164v 7 + 0.04437v 6 − 0.9836v 5 + 11.38v 4 − 73.56v 3 + 26.9v 2 − 545.8v + 428.4
7.5 ≤ v < 14.5 −0.3846v 4 + 14.6v 3 − 198.4v 2 + 1306v ± 3226
14.5 ≤ v < 25 1555
v ≥ 25 0

Tabla 41. Ecuación a tramos final normalizada para potencia activa del UGE 04.
RANGO ECUACIÓN
0≤v≤2 0.15
2 < v < 4.5 −4.8151v 3 + 60.213v 2 − 208.13v + 221.28
4.5 ≤ v < 9 −0.0228v 6 + 1.1716v 5 − 24.345v 4 + 260.89v 3 − 1503.6v 2 + 4468.2v − 5350.97
9 ≤ v < 13 −0.5982v 5 + 30.7v 4 − 627.85v 3 + 6402.6v 2 − 32413v + 65293
13 ≤ v ≤ 14.5 −10.116v 3 + 382.49v 2 − 4660.2v + 19496
14.5 < v ≤ 16 5.7167v 3 − 279.42v 2 + 4562.5v − 23335
16 < v < 25 1555
v ≥ 25 0

130
 UGE 05.
Tabla 42. Coeficientes calculados para aplicar el método de bines para el UGE 05.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.0 0.1 0.1
0.25 0.75 0.0 0.0 0.0 0.0 0.0 1.0 -1.0 1.0 0.2 0.0 0.2 0.2
0.75 1.25 6.8 236.9 -230.1 243.7 0.1 4.0 -3.9 4.1 0.3 0.5 -0.2 0.8
1.25 1.75 16.6 381.6 -365.0 398.2 0.4 3.0 -2.6 3.4 0.4 0.4 0.0 0.8
1.75 2.25 11.3 335.2 -323.9 346.5 0.0 1.5 -1.5 1.5 0.5 1.5 -1.0 2.0
2.25 2.75 7.6 311.6 -304.0 319.2 2.3 16.9 -14.6 19.1 1.6 8.0 -6.4 9.6
2.75 3.25 10.5 183.2 -172.7 193.7 8.7 21.9 -13.2 30.6 8.2 20.4 -12.2 28.6
3.25 3.75 21.7 54.9 -33.2 76.6 21.4 35.7 -14.3 57.1 21.0 36.6 -15.6 57.6
3.75 4.25 39.1 76.5 -37.4 115.6 38.7 49.9 -11.2 88.6 38.3 52.5 -14.2 90.9
4.25 4.75 62.0 88.2 -26.3 150.2 61.6 59.3 2.3 120.9 66.7 37.1 29.7 103.8
4.75 5.25 88.7 100.8 -12.1 189.5 88.5 69.2 19.3 157.6 93.5 41.2 52.3 134.8
5.25 5.75 119.7 115.5 4.2 235.1 124.4 54.3 70.1 178.7 124.6 46.3 78.3 170.9
5.75 6.25 160.4 141.9 18.5 302.3 165.5 67.3 98.3 232.8 166.1 62.8 103.3 228.8
6.25 6.75 209.1 171.2 37.9 380.3 214.2 88.6 125.6 302.7 214.9 81.9 133.0 296.8
6.75 7.25 262.9 200.8 62.1 463.7 267.1 110.5 156.7 377.6 269.3 102.2 167.1 371.5
7.25 7.75 325.6 248.7 76.9 574.3 331.1 136.4 194.6 467.5 332.8 126.9 205.9 459.7
7.75 8.25 394.3 294.7 99.6 689.0 401.7 157.5 244.2 559.3 402.8 147.1 255.6 549.9
8.25 8.75 470.9 322.5 148.4 793.4 478.5 172.9 305.6 651.4 479.5 165.5 314.0 645.0
8.75 9.25 550.6 345.2 205.4 895.7 558.4 181.5 376.9 740.0 559.7 173.9 385.8 733.5
9.25 9.75 628.9 389.7 239.2 1018.7 639.2 190.6 448.6 829.8 639.8 186.3 453.5 826.1
9.75 10.25 716.0 376.5 339.5 1092.5 722.9 197.5 525.4 920.4 721.9 196.7 525.2 918.5
10.25 10.75 805.3 390.7 414.6 1196.1 811.4 211.8 599.6 1023.2 809.7 213.6 596.1 1023.2
10.75 11.25 894.9 427.8 467.1 1322.7 902.3 229.6 672.7 1131.9 901.1 234.2 666.9 1135.3
11.25 11.75 982.6 522.1 460.5 1504.7 997.0 241.7 755.3 1238.7 995.7 246.3 749.4 1242.0
11.75 12.25 1088.9 544.7 544.3 1633.6 1103.0 254.7 848.3 1357.7 1102.4 262.5 839.9 1364.9
12.25 12.75 1197.7 544.0 653.7 1741.7 1209.9 261.7 948.2 1471.6 1209.8 269.4 940.3 1479.2
12.75 13.25 1300.2 530.6 769.6 1830.8 1310.9 256.0 1054.9 1566.9 1312.1 271.2 1041.0 1583.3
13.25 13.75 1391.4 484.7 906.6 1876.1 1400.0 225.3 1174.6 1625.3 1404.4 226.2 1178.2 1630.5
13.75 14.25 1453.0 463.1 989.9 1916.1 1462.3 184.3 1277.9 1646.6 1467.6 220.7 1246.9 1688.2
14.25 14.75 1490.9 483.9 1007.0 1974.9 1502.9 147.6 1355.3 1650.5 1508.7 180.2 1328.5 1688.8
14.75 15.25 1519.2 365.8 1153.4 1884.9 1526.0 117.1 1408.9 1643.1 1530.4 136.0 1394.4 1666.4
15.25 15.75 1528.5 398.9 1129.6 1927.4 1536.9 110.3 1426.6 1647.2 1541.7 133.8 1407.9 1675.5
15.75 16.25 1536.7 356.0 1180.7 1892.7 1546.9 95.0 1451.9 1641.9 1547.7 93.6 1454.0 1641.3
16.25 16.75 1537.9 369.9 1168.0 1907.8 1548.6 85.0 1463.6 1633.6 1549.8 86.8 1463.1 1636.6
16.75 17.25 1539.6 350.9 1188.7 1890.4 1549.9 70.0 1479.9 1619.9 1550.7 76.7 1474.0 1627.4
17.25 17.75 1539.8 360.6 1179.2 1900.4 1550.3 60.0 1490.3 1610.3 1551.5 61.4 1490.0 1612.9
17.75 18.25 1539.3 334.9 1204.4 1874.2 1549.9 62.0 1487.9 1611.9 1550.8 69.2 1481.6 1620.0
18.25 18.75 1539.2 371.3 1167.9 1910.5 1550.0 63.0 1487.0 1613.0 1550.5 69.2 1481.3 1619.7
18.75 19.25 1537.6 399.6 1138.0 1937.2 1546.7 64.0 1482.7 1610.7 1549.5 73.5 1476.0 1623.0
19.25 19.75 1528.9 528.8 1000.1 2057.8 1544.4 65.0 1479.4 1609.4 1548.4 78.8 1469.7 1627.2
19.75 20.25 1521.5 633.4 888.1 2154.9 1544.6 75.0 1469.6 1619.6 1547.4 81.8 1465.5 1629.2
20.25 20.75 1515.0 835.1 679.9 2350.1 1546.7 85.0 1461.7 1631.7 1550.5 90.2 1460.3 1640.7
20.75 21.25 1500.0 900.0 600.0 2400.0 1546.7 90.0 1456.7 1636.7 1550.5 100.9 1449.6 1651.4
21.25 21.75 1490.0 1040.0 450.0 2530.0 1546.7 120.0 1426.7 1666.7 1550.5 94.5 1456.0 1645.0
21.75 22.25 1475.0 1050.0 425.0 2525.0 1546.7 150.0 1396.7 1696.7 1550.5 93.6 1456.9 1644.0
22.25 22.75 1460.0 1080.0 380.0 2540.0 1546.7 190.0 1356.7 1736.7 1550.5 97.1 1453.3 1647.6
22.75 23.25 1450.0 1120.0 330.0 2570.0 1546.7 210.0 1336.7 1756.7 1550.5 118.8 1431.7 1669.3
23.25 23.75 1440.0 1160.0 280.0 2600.0 1546.7 230.0 1316.7 1776.7 1550.5 112.2 1438.3 1662.7
23.75 24.25 1425.0 1200.0 225.0 2625.0 1546.7 285.0 1261.7 1831.7 1550.5 132.9 1417.6 1683.4
24.25 24.75 1390.0 1230.0 160.0 2620.0 1546.7 190.0 1356.7 1736.7 1550.5 95.5 1454.9 1646.0
24.75 25.25 1375.0 1260.0 115.0 2635.0 1546.7 150.0 1396.7 1696.7 1550.5 95.8 1454.7 1646.3

131
 Figura 145. Aplicación del método de bines para el UGE 05.

Figura 146. Datos de potencia depurados para UGE 05.

Tabla 43. Función matemática para la curva de potencia normalizada para el UGE 05.
RANGO ECUACIÓN
0≤v<5 −0.2256v 5 + 2.593v 4 − 8.516v 3 + 10.48v 2 − 3.984v + 0.1892
5 ≤ v < 14.5 −0.02056v 5 + 0.7797. v 4 − 11.59v 3 + 95.62v 2 − 344.2v + 443.5
14.5 ≤ v < 25 1550
v ≥ 25 0

Tabla 44. Ecuación a tramos final normalizada para potencia activa del UGE 05.
RANGO ECUACIÓN
0 ≤ 𝑣 < 2.5 0.15
2 < 𝑣 < 6.5 0.6436𝑣 5 − 12.648𝑣 4 + 96.6𝑣 3 − 348.62𝑣 2 + 611.88𝑣 − 426.29
6.5 ≤ 𝑣 ≤ 13 −0.2232𝑣 3 + 14.089𝑣 2 − 41.616𝑣 − 43.515
13 < 𝑣 ≤ 14.5 −10.116𝑣 3 + 382.49𝑣 2 − 4660.2𝑣 + 19496
14.5 < 𝑣 ≤ 16 5.7167𝑣 3 − 279.42𝑣 2 + 4562.5𝑣 − 23335
16 < 𝑣 ≤ 25 1555
𝑣 ≥ 25 0

132
 UGE 06.
Tabla 45. Coeficientes calculados para aplicar el método de bines para el UGE 06.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 5.4 135.8 -130.4 141.3 0.1 3.0 -2.9 3.1 0.0 0.4 -0.4 0.5
1.25 1.75 15.2 235.3 -220.1 250.5 0.3 5.0 -4.7 5.3 0.1 1.3 -1.3 1.4
1.75 2.25 9.2 207.8 -198.7 217.0 0.0 0.0 0.0 0.0 0.1 0.0 0.1 0.1
2.25 2.75 7.1 238.4 -231.3 245.5 0.9 11.8 -10.9 12.7 0.6 5.3 -4.7 5.9
2.75 3.25 6.6 141.7 -135.1 148.3 4.4 17.2 -12.8 21.7 4.1 16.4 -12.3 20.5
3.25 3.75 12.8 33.7 -20.9 46.5 12.6 31.6 -19.0 44.2 12.5 34.0 -21.5 46.5
3.75 4.25 27.3 50.5 -23.2 77.8 27.2 49.4 -22.2 76.5 27.2 53.4 -26.2 80.5
4.25 4.75 47.9 64.4 -16.5 112.3 47.7 63.0 -15.3 110.7 47.7 68.2 -20.5 115.9
4.75 5.25 73.7 78.1 -4.4 151.8 73.5 76.7 -3.2 150.2 73.5 83.0 -9.5 156.4
5.25 5.75 104.2 92.1 12.1 196.3 110.9 67.5 43.5 178.4 111.5 67.4 44.1 178.9
5.75 6.25 142.6 116.6 26.0 259.2 149.5 90.0 59.5 239.5 150.0 93.6 56.4 243.6
6.25 6.75 188.5 141.4 47.1 329.9 194.6 115.4 79.2 310.0 195.0 120.1 75.0 315.1
6.75 7.25 243.3 170.6 72.8 413.9 250.1 139.0 111.1 389.1 250.6 144.9 105.7 395.5
7.25 7.75 307.0 200.5 106.5 507.4 314.2 160.7 153.6 474.9 314.9 165.4 149.5 480.4
7.75 8.25 374.9 227.1 147.8 601.9 383.6 182.2 201.5 565.8 384.8 186.9 197.9 571.7
8.25 8.75 451.8 254.2 197.6 706.0 460.6 202.9 257.8 663.5 462.1 208.7 253.4 670.8
8.75 9.25 532.9 274.9 257.9 807.8 542.0 217.1 324.8 759.1 544.4 221.2 323.2 765.5
9.25 9.75 618.3 294.2 324.1 912.5 627.0 236.1 390.9 863.1 628.8 243.0 385.8 871.8
9.75 10.25 705.1 309.1 396.0 1014.2 712.6 257.5 455.1 970.0 714.2 266.4 447.8 980.6
10.25 10.75 796.1 321.4 474.7 1117.4 801.3 279.9 521.4 1081.3 802.2 292.7 509.5 1094.9
10.75 11.25 885.0 349.0 536.0 1234.0 890.6 303.2 587.4 1193.8 891.5 317.0 574.5 1208.5
11.25 11.75 978.1 393.1 585.0 1371.1 986.0 332.9 653.1 1318.8 986.0 347.7 638.3 1333.8
11.75 12.25 1070.0 430.8 639.2 1500.8 1080.4 352.6 727.8 1433.0 1081.2 369.4 711.8 1450.6
12.25 12.75 1160.0 488.3 671.7 1648.3 1176.8 364.2 812.6 1541.0 1179.5 381.9 797.6 1561.4
12.75 13.25 1262.1 452.9 809.2 1714.9 1274.8 351.1 923.7 1626.0 1280.4 360.9 919.5 1641.3
13.25 13.75 1343.3 440.5 902.7 1783.8 1355.9 324.0 1031.9 1679.9 1362.9 325.9 1037.0 1688.8
13.75 14.25 1413.7 348.7 1065.0 1762.3 1422.3 264.8 1157.5 1687.2 1432.7 250.3 1182.3 1683.0
14.25 14.75 1462.3 333.6 1128.6 1795.9 1472.0 212.3 1259.7 1684.3 1484.8 176.9 1307.9 1661.7
14.75 15.25 1502.9 259.2 1243.7 1762.2 1512.5 140.9 1371.6 1653.4 1522.3 141.7 1380.6 1664.1
15.25 15.75 1520.4 286.2 1234.2 1806.5 1532.4 136.0 1396.4 1668.4 1537.5 108.1 1429.3 1645.6
15.75 16.25 1538.8 197.4 1341.4 1736.1 1545.6 130.0 1415.6 1675.6 1546.7 88.1 1458.5 1634.8
16.25 16.75 1545.0 209.1 1336.0 1754.1 1553.2 126.0 1427.2 1679.2 1553.3 75.4 1478.0 1628.7
16.75 17.25 1550.3 168.7 1381.6 1719.0 1556.8 124.0 1432.8 1680.8 1556.8 63.6 1493.2 1620.4
17.25 17.75 1551.6 168.2 1383.4 1719.8 1558.2 120.0 1438.2 1678.2 1558.2 66.1 1492.1 1624.3
17.75 18.25 1552.3 179.8 1372.6 1732.1 1558.7 118.0 1440.7 1676.7 1558.7 62.5 1496.1 1621.2
18.25 18.75 1551.1 196.1 1354.9 1747.2 1558.6 140.0 1418.6 1698.6 1558.6 60.9 1497.8 1619.5
18.75 19.25 1546.3 269.9 1276.4 1816.2 1558.7 142.0 1416.7 1700.7 1558.7 59.0 1499.7 1617.8
19.25 19.75 1547.8 290.3 1257.5 1838.1 1558.8 148.0 1410.8 1706.8 1558.9 61.5 1497.4 1620.4
19.75 20.25 1540.3 375.0 1165.3 1915.4 1557.6 142.0 1415.6 1699.6 1558.9 57.4 1501.5 1616.3
20.25 20.75 1515.0 500.8 1014.2 2015.8 1558.8 138.0 1420.8 1696.8 1558.8 56.4 1502.4 1615.2
20.75 21.25 1500.0 747.0 753.0 2247.0 1558.8 160.0 1398.8 1718.8 1558.8 63.5 1495.3 1622.3
21.25 21.75 1490.0 789.1 700.9 2279.1 1558.8 190.0 1368.8 1748.8 1558.8 55.5 1503.3 1614.3
21.75 22.25 1475.0 1052.5 422.5 2527.5 1558.8 230.0 1328.8 1788.8 1558.8 70.4 1488.4 1629.3
22.25 22.75 1460.0 1064.8 395.2 2524.8 1558.8 300.0 1258.8 1858.8 1558.8 73.8 1485.0 1632.6
22.75 23.25 1450.0 1101.1 348.9 2551.1 1558.8 440.0 1118.8 1998.8 1558.8 94.3 1464.5 1653.1
23.25 23.75 1440.0 1113.2 326.8 2553.2 1558.8 350.0 1208.8 1908.8 1558.8 78.1 1480.7 1636.9
23.75 24.25 1425.0 1173.7 251.3 2598.7 1558.8 470.0 1088.8 2028.8 1558.8 73.4 1485.4 1632.3
24.25 24.75 1390.0 1258.4 131.6 2648.4 1558.8 380.0 1178.8 1938.8 1558.8 71.6 1487.2 1630.4
24.75 25.25 1375.0 1318.9 56.1 2693.9 1558.8 440.0 1118.8 1998.8 1558.8 77.7 1481.1 1636.5

133
 UGE 07.
Tabla 46. Coeficientes calculados para aplicar el método de bines para el UGE 07.
Iteraciones Pimera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 8.8 50.0 -41.2 58.8 0.0 1.2 -1.2 1.2 0.0 0.1 -0.1 0.1
1.25 1.75 25.2 60.0 -34.8 85.2 0.4 14.7 -14.4 15.1 0.1 2.2 -2.2 2.3
1.75 2.25 13.6 50.0 -36.4 63.6 0.0 1.3 -1.3 1.3 0.1 0.0 0.1 0.1
2.25 2.75 5.2 60.0 -54.8 65.2 1.5 17.0 -15.5 18.6 1.1 8.1 -7.0 9.2
2.75 3.25 8.1 70.0 -61.9 78.1 7.1 33.6 -26.5 40.7 6.5 24.9 -18.3 31.4
3.25 3.75 19.1 50.8 -31.7 69.9 18.2 51.8 -33.7 70.0 18.2 46.2 -28.0 64.4
3.75 4.25 37.6 66.3 -28.7 103.8 36.9 72.9 -36.1 109.8 36.9 65.0 -28.1 101.8
4.25 4.75 60.6 78.5 -17.9 139.1 60.1 89.6 -29.5 149.6 60.1 79.8 -19.8 139.9
4.75 5.25 88.5 86.5 2.0 175.0 92.4 72.8 19.6 165.2 93.0 59.5 33.6 152.5
5.25 5.75 122.4 100.8 21.7 223.2 126.9 84.7 42.2 211.5 127.1 73.6 53.6 200.7
5.75 6.25 166.9 123.2 43.8 290.1 171.5 111.1 60.4 282.6 171.6 97.8 73.8 269.4
6.25 6.75 222.6 145.6 77.0 368.2 226.9 137.6 89.4 364.5 227.1 121.7 105.4 348.8
6.75 7.25 284.5 172.6 111.9 457.0 289.5 163.5 126.0 453.0 289.7 144.5 145.2 434.2
7.25 7.75 355.6 210.5 145.1 566.1 362.1 192.5 169.6 554.7 362.6 168.6 194.0 531.2
7.75 8.25 437.7 238.4 199.3 676.1 444.2 223.4 220.8 667.6 444.6 196.6 247.9 641.2
8.25 8.75 523.1 282.5 240.6 805.7 532.2 248.9 283.3 781.1 532.7 218.1 314.7 750.8
8.75 9.25 615.0 307.6 307.4 922.6 624.8 263.8 361.0 888.5 625.1 232.0 393.1 857.1
9.25 9.75 713.4 326.0 387.4 1039.4 722.5 284.6 437.9 1007.1 723.0 249.4 473.6 972.4
9.75 10.25 817.0 323.0 494.0 1139.9 823.2 309.0 514.2 1132.2 823.4 274.2 549.1 1097.6
10.25 10.75 924.6 312.8 611.8 1237.4 928.3 324.8 603.4 1253.1 928.3 289.5 638.8 1217.7
10.75 11.25 1026.7 351.5 675.1 1378.2 1032.8 338.6 694.2 1371.4 1032.9 301.1 731.8 1334.0
11.25 11.75 1124.4 412.8 711.6 1537.2 1135.5 337.2 798.2 1472.7 1136.4 294.8 841.6 1431.2
11.75 12.25 1227.0 387.2 839.8 1614.2 1236.4 308.9 927.5 1545.3 1236.9 272.3 964.5 1509.2
12.25 12.75 1320.0 359.0 961.0 1679.0 1327.6 283.3 1044.3 1611.0 1328.3 248.5 1079.8 1576.7
12.75 13.25 1402.3 308.4 1093.9 1710.8 1407.8 250.5 1157.2 1658.3 1409.1 215.3 1193.8 1624.3
13.25 13.75 1456.5 350.1 1106.4 1806.6 1464.8 230.0 1234.8 1694.8 1468.5 164.3 1304.3 1632.8
13.75 14.25 1498.2 283.8 1214.3 1782.0 1507.0 200.0 1307.0 1707.0 1507.1 120.4 1386.8 1627.5
14.25 14.75 1519.3 290.4 1228.9 1809.7 1529.1 170.0 1359.1 1699.1 1529.2 115.6 1413.7 1644.8
14.75 15.25 1531.2 268.8 1262.4 1800.0 1540.2 140.0 1400.2 1680.2 1540.4 110.9 1429.5 1651.2
15.25 15.75 1538.4 227.3 1311.1 1765.7 1545.4 136.0 1409.4 1681.4 1545.4 98.3 1447.1 1643.8
15.75 16.25 1539.4 247.9 1291.5 1787.3 1548.0 142.0 1406.0 1690.0 1548.0 94.2 1453.8 1642.1
16.25 16.75 1541.4 221.1 1320.4 1762.5 1548.8 130.0 1418.8 1678.8 1548.8 81.0 1467.8 1629.9
16.75 17.25 1543.0 229.6 1313.3 1772.6 1549.0 106.0 1443.0 1655.0 1549.1 73.3 1475.7 1622.4
17.25 17.75 1540.7 253.4 1287.4 1794.1 1548.9 114.0 1434.9 1662.9 1549.0 72.9 1476.1 1621.9
17.75 18.25 1546.0 260.0 1286.0 1806.0 1548.9 126.0 1422.9 1674.9 1548.9 69.4 1479.5 1618.3
18.25 18.75 1544.7 290.0 1254.7 1834.7 1548.8 104.0 1444.8 1652.8 1548.8 64.3 1484.4 1613.1
18.75 19.25 1540.0 315.5 1224.5 1855.6 1548.9 100.0 1448.9 1648.9 1548.9 58.0 1490.9 1607.0
19.25 19.75 1533.2 412.4 1120.7 1945.6 1548.9 136.0 1412.9 1684.9 1548.9 55.1 1493.8 1604.0
19.75 20.25 1527.6 447.8 1079.8 1975.4 1548.9 150.0 1398.9 1698.9 1548.9 59.0 1490.0 1607.9
20.25 20.75 1515.0 623.8 891.2 2138.8 1548.9 172.0 1376.9 1720.9 1548.9 80.5 1468.4 1629.4
20.75 21.25 1500.0 693.9 806.1 2193.9 1548.9 190.0 1358.9 1738.9 1548.9 91.7 1457.2 1640.6
21.25 21.75 1490.0 965.3 524.7 2455.3 1548.9 220.0 1328.9 1768.9 1548.9 70.5 1478.5 1619.4
21.75 22.25 1475.0 1241.5 233.5 2716.5 1548.9 250.0 1298.9 1798.9 1548.9 97.0 1451.9 1646.0
22.25 22.75 1460.0 1270.0 190.0 2730.0 1548.9 300.0 1248.9 1848.9 1548.9 89.3 1459.7 1638.2
22.75 23.25 1450.0 1290.0 160.0 2740.0 1548.9 470.0 1078.9 2018.9 1548.9 91.8 1457.1 1640.8
23.25 23.75 1440.0 1320.0 120.0 2760.0 1548.9 340.0 1208.9 1888.9 1548.9 54.0 1495.0 1602.9
23.75 24.25 1425.0 1340.0 85.0 2765.0 1548.9 430.0 1118.9 1978.9 1548.9 91.2 1457.7 1640.1
24.25 24.75 1390.0 1300.0 90.0 2690.0 1548.9 380.0 1168.9 1928.9 1548.9 79.9 1469.0 1628.9
24.75 25.25 1375.0 1250.0 125.0 2625.0 1548.9 520.0 1028.9 2068.9 1548.9 83.3 1465.6 1632.3

134
 Figura 147. Aplicación del método de bines para el UGE 07.

Figura 148. Datos de potencia depurados para UGE 07.

Tabla 47. Función matemática para la curva de potencia normalizada para el UGE 07.
RANGO ECUACIÓN
0≤v<9 −0.00368v 5 − 0.004292v 4 + 1.721v 3 − 5.04v 2 + 2.858v + 0.1046
9 ≤ v < 14 −0.1834v 4 + 4.762v 3 − 28.59v 2 + 85.32v − 104.6
14 ≤ v < 25 1548
v ≥ 25 0

Tabla 48. Ecuación a tramos final normalizada para potencia activa del UGE 07.
RANGO ECUACIÓN
0≤v≤2 0.5
2<v<5 2.2733v 4 − 32.72v 3 + 185.36v 2 − 451.04v + 393.64
5 ≤ v < 9.5 −0.7321v 3 + 31.847v 2 − 202.64v + 405.98
9.5 ≤ v ≤ 14 −0.6021v 4 + 23.018v 3 − 324.81v 2 + 2203.4v − 5725.18
14; v ≤ 16 5.3894v 3 − 256.99v 2 + 4090.2v − 20184
16 < v ≤ 25 1548
v ≥ 25 0

135
 UGE 08.
Tabla 49. Coeficientes calculados para aplicar el método de bines para el UGE 08.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 30.0 -30.0 30.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 2.8 64.0 -61.2 66.8 0.0 0.3 -0.3 0.4 0.0 0.0 0.0 0.0
1.25 1.75 5.1 90.0 -84.9 95.1 0.1 4.2 -4.0 4.3 0.0 0.6 -0.6 0.6
1.75 2.25 2.8 60.0 -57.2 62.8 0.0 0.0 0.0 0.0 0.0 0.8 -0.8 0.8
2.25 2.75 2.6 50.0 -47.4 52.6 1.7 7.8 -6.1 9.4 1.0 4.6 -3.6 5.6
2.75 3.25 9.3 40.0 -30.7 49.3 8.6 19.2 -10.6 27.8 8.0 15.8 -7.8 23.8
3.25 3.75 21.9 35.8 -13.9 57.7 21.7 31.8 -10.0 53.5 21.5 28.4 -6.9 49.9
3.75 4.25 41.0 49.9 -8.9 91.0 40.9 44.9 -4.0 85.8 40.8 40.5 0.3 81.2
4.25 4.75 64.8 61.4 3.4 126.2 69.7 38.3 31.4 108.1 69.8 30.1 39.8 99.9
4.75 5.25 94.8 73.7 21.0 168.5 99.1 47.5 51.6 146.7 98.9 37.6 61.3 136.5
5.25 5.75 132.5 93.7 38.8 226.2 136.3 64.4 71.9 200.7 135.5 52.6 82.9 188.0
5.75 6.25 178.4 118.8 59.6 297.2 181.7 88.0 93.8 269.7 180.2 72.8 107.4 252.9
6.25 6.75 234.8 146.6 88.2 381.4 237.7 110.5 127.1 348.2 236.5 91.9 144.5 328.4
6.75 7.25 300.5 179.6 120.9 480.1 302.1 136.6 165.6 438.7 299.8 111.5 188.3 411.4
7.25 7.75 375.5 217.8 157.7 593.3 378.3 168.1 210.2 546.5 374.5 136.4 238.1 510.8
7.75 8.25 455.3 245.9 209.4 701.2 458.3 194.0 264.3 652.3 455.3 161.7 293.6 617.0
8.25 8.75 544.4 281.4 263.1 825.8 549.0 221.0 328.0 770.0 546.4 184.7 361.6 731.1
8.75 9.25 639.0 300.3 338.7 939.3 642.1 237.7 404.4 879.8 640.0 198.7 441.3 838.7
9.25 9.75 737.8 335.2 402.6 1073.0 741.8 264.6 477.2 1006.3 739.0 222.7 516.3 961.7
9.75 10.25 836.4 355.7 480.7 1192.1 837.7 287.1 550.6 1124.8 835.2 241.4 593.8 1076.6
10.25 10.75 944.4 396.8 547.6 1341.3 947.3 323.9 623.4 1271.2 942.4 273.5 668.9 1215.9
10.75 11.25 1049.4 421.2 628.2 1470.6 1053.5 344.9 708.5 1398.4 1048.8 291.4 757.4 1340.2
11.25 11.75 1156.1 437.0 719.0 1593.1 1162.3 354.6 807.7 1516.9 1162.9 306.0 856.9 1468.9
11.75 12.25 1257.5 432.7 824.8 1690.2 1264.8 339.6 925.2 1604.5 1268.9 297.7 971.2 1566.6
12.25 12.75 1340.3 408.0 932.3 1748.4 1348.8 293.9 1054.9 1642.8 1354.2 252.2 1102.0 1606.4
12.75 13.25 1412.3 345.5 1066.8 1757.8 1418.9 250.0 1168.9 1668.9 1427.6 201.9 1225.7 1629.5
13.25 13.75 1458.9 342.3 1116.6 1801.1 1467.6 204.2 1263.4 1671.8 1477.3 190.2 1287.1 1667.5
13.75 14.25 1491.6 313.0 1178.6 1804.7 1503.2 145.5 1357.8 1648.7 1511.2 153.2 1358.0 1664.4
14.25 14.75 1513.3 293.1 1220.2 1806.4 1525.7 105.8 1419.9 1631.5 1533.4 131.0 1402.4 1664.4
14.75 15.25 1529.8 253.5 1276.4 1783.3 1539.8 110.0 1429.8 1649.8 1541.8 118.1 1423.7 1660.0
15.25 15.75 1532.7 307.6 1225.1 1840.3 1546.6 112.0 1434.6 1658.6 1547.2 104.9 1442.3 1652.1
15.75 16.25 1538.2 274.6 1263.6 1812.7 1550.4 114.0 1436.4 1664.4 1550.5 100.2 1450.4 1650.7
16.25 16.75 1534.1 219.8 1314.4 1753.9 1552.1 116.0 1436.1 1668.1 1552.2 88.8 1463.4 1641.0
16.75 17.25 1538.7 198.6 1340.1 1737.3 1552.5 118.0 1434.5 1670.5 1552.6 85.0 1467.5 1637.6
17.25 17.75 1532.0 242.7 1289.2 1774.7 1552.5 116.0 1436.5 1668.5 1552.7 79.7 1473.1 1632.4
17.75 18.25 1534.9 235.9 1299.0 1770.8 1553.0 108.0 1445.0 1661.0 1553.0 70.3 1482.7 1623.3
18.25 18.75 1535.0 229.9 1305.1 1765.0 1552.4 112.0 1440.4 1664.4 1552.4 72.4 1480.0 1624.7
18.75 19.25 1522.0 304.7 1217.3 1826.7 1551.4 102.0 1449.4 1653.4 1552.2 71.2 1481.0 1623.3
19.25 19.75 1501.7 414.6 1087.1 1916.4 1549.8 96.0 1453.8 1645.8 1551.9 67.8 1484.0 1619.7
19.75 20.25 1498.6 401.1 1097.5 1899.7 1546.7 98.0 1448.7 1644.7 1550.2 68.9 1481.3 1619.2
20.25 20.75 1515.0 435.4 1079.6 1950.4 1553.0 118.9 1434.1 1671.9 1553.0 63.2 1489.8 1616.2
20.75 21.25 1500.0 648.1 851.9 2148.1 1553.0 108.7 1444.3 1661.7 1553.0 57.9 1495.1 1610.9
21.25 21.75 1490.0 810.4 679.6 2300.4 1553.0 220.0 1333.0 1773.0 1553.0 61.0 1492.0 1614.0
21.75 22.25 1475.0 986.7 488.3 2461.7 1553.0 246.0 1307.0 1799.0 1553.0 84.0 1469.0 1637.0
22.25 22.75 1460.0 920.9 539.1 2380.9 1553.0 192.5 1360.5 1745.5 1553.0 70.0 1483.0 1623.0
22.75 23.25 1450.0 756.7 693.3 2206.7 1553.0 170.0 1383.0 1723.0 1553.0 62.9 1490.1 1615.9
23.25 23.75 1440.0 1029.2 410.8 2469.2 1553.0 250.0 1303.0 1803.0 1553.0 72.0 1481.0 1625.0
23.75 24.25 1425.0 1144.5 280.5 2569.5 1553.0 340.0 1213.0 1893.0 1553.0 71.1 1481.9 1624.1
24.25 24.75 1390.0 1027.6 362.4 2417.6 1553.0 312.0 1241.0 1865.0 1553.0 60.4 1492.6 1613.4
24.75 25.25 1375.0 1030.0 345.0 2405.0 1553.0 194.0 1359.0 1747.0 1553.0 65.0 1488.0 1618.0

136
 Figura 149. Aplicación del método de bines para el UGE 08.

Figura 150. Datos de potencia depurados para UGE 08.

Tabla 50. Función matemática para la curva de potencia normalizada para el UGE 08.
RANGO ECUACIÓN
0 ≤ v < 5.5 −0.1103v 5 + 1.212v 4 − 2.666v 3 + 0.5627v 2 + 1.396v − 0.1863
5.5 ≤ v < 14 −0.215v 4 + 5.652v 3 − 37.54v 2 + 26.5v − 169.9
14 ≤ v < 25 1553
v ≥ 25 0

Tabla 51. Ecuación a tramos final normalizada para potencia activa del UGE 08
RANGO ECUACIÓN
0≤v≤2 0.5
2 < v < 5.5 2.2545v 4 − 34.72v 3 + 206.26v 2 − 515.83v + 456.77
5.5 ≤ v < 12.5 −0.0629v 5 + 2.6412v 4 − 44.765v 3 + 394.99v 2 − 1679.3v + 2775.4
12.5 ≤ v ≤ 15 −0.8024v 4 + 49.626v 3 − 1165v 2 + 12302v − 47734
15 < v ≤ 16.5 5.3894v 3 − 256.99v 2 + 4090.2v − 20184
16.5 < v ≤ 25 1552
v ≥ 25 0

137
 UGE 09.
Tabla 52. Coeficientes calculados para aplicar el método de bines para el UGE 09.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 20.0 -20.0 20.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 5.3 50.0 -44.7 55.3 0.0 3.0 -3.0 3.1 0.0 0.4 -0.4 0.4
1.25 1.75 14.4 70.0 -55.6 84.4 0.4 10.0 -9.6 10.4 0.1 1.6 -1.5 1.7
1.75 2.25 10.2 100.0 -89.8 110.2 0.0 2.3 -2.3 2.3 0.0 0.0 0.0 0.0
2.25 2.75 8.5 160.0 -151.5 168.5 0.9 6.8 -5.9 7.7 0.3 2.6 -2.3 3.0
2.75 3.25 6.4 120.7 -114.3 127.1 4.8 16.1 -11.3 21.0 4.3 13.1 -8.9 17.4
3.25 3.75 14.9 32.8 -17.9 47.7 14.6 30.2 -15.6 44.8 14.4 28.3 -13.9 42.7
3.75 4.25 31.0 47.3 -16.3 78.3 30.8 44.3 -13.6 75.1 30.7 42.3 -11.5 73.0
4.25 4.75 50.4 60.6 -10.2 111.0 50.4 57.4 -7.0 107.8 50.3 54.8 -4.5 105.1
4.75 5.25 74.1 72.4 1.7 146.5 79.1 50.1 29.0 129.2 80.6 40.2 40.4 120.7
5.25 5.75 102.3 83.9 18.4 186.2 106.9 59.4 47.5 166.2 108.0 47.8 60.2 155.7
5.75 6.25 136.5 100.7 35.9 237.2 139.8 79.2 60.6 219.0 141.4 67.0 74.4 208.3
6.25 6.75 176.7 130.2 46.5 306.9 180.6 104.1 76.5 284.7 182.4 89.8 92.6 272.2
6.75 7.25 224.6 160.7 63.9 385.4 229.4 130.2 99.2 359.6 231.9 112.3 119.5 344.2
7.25 7.75 281.5 181.3 100.2 462.8 285.8 146.4 139.4 432.1 288.1 126.9 161.2 415.0
7.75 8.25 338.9 213.8 125.1 552.7 345.5 171.3 174.2 516.8 348.4 147.5 201.0 495.9
8.25 8.75 407.9 237.8 170.0 645.7 414.3 191.8 222.5 606.1 415.6 168.0 247.6 583.6
8.75 9.25 482.5 258.3 224.2 740.8 488.6 209.7 279.0 698.3 488.9 185.8 303.1 674.6
9.25 9.75 559.9 277.3 282.6 837.1 566.0 227.6 338.3 793.6 566.1 201.2 364.9 767.4
9.75 10.25 638.4 305.9 332.5 944.2 645.6 246.7 398.9 892.2 644.7 217.7 427.0 862.4
10.25 10.75 725.0 300.1 424.9 1025.0 727.6 254.4 473.2 982.0 725.7 227.7 498.0 953.4
10.75 11.25 807.1 338.4 468.7 1145.6 811.0 260.0 551.0 1071.0 804.7 235.4 569.3 1040.1
11.25 11.75 890.5 369.2 521.2 1259.7 896.1 270.0 626.1 1166.1 887.7 248.8 638.8 1136.5
11.75 12.25 988.9 380.6 608.3 1369.4 992.8 280.0 712.8 1272.8 983.9 267.9 716.0 1251.8
12.25 12.75 1079.4 419.2 660.2 1498.5 1087.6 290.0 797.6 1377.6 1079.6 282.4 797.2 1362.0
12.75 13.25 1177.1 432.3 744.8 1609.4 1187.2 300.0 887.2 1487.2 1182.7 294.6 888.1 1477.3
13.25 13.75 1264.9 415.3 849.6 1680.1 1274.7 310.0 964.7 1584.7 1276.5 295.1 981.4 1571.6
13.75 14.25 1349.2 357.6 991.6 1706.8 1357.1 276.0 1081.2 1633.1 1359.2 258.8 1100.4 1618.1
14.25 14.75 1414.4 314.0 1100.4 1728.3 1421.9 228.4 1193.5 1650.2 1430.7 228.0 1202.7 1658.6
14.75 15.25 1471.1 273.2 1197.9 1744.3 1480.9 167.0 1313.8 1647.9 1486.2 181.6 1304.6 1667.8
15.25 15.75 1509.3 251.0 1258.3 1760.3 1518.3 150.0 1368.3 1668.3 1520.6 144.1 1376.5 1664.7
15.75 16.25 1534.4 217.3 1317.1 1751.6 1542.3 120.0 1422.3 1662.3 1543.8 106.8 1437.0 1650.6
16.25 16.75 1548.1 230.8 1317.3 1778.9 1557.1 124.0 1433.1 1681.1 1557.3 80.9 1476.4 1638.2
16.75 17.25 1558.3 177.5 1380.8 1735.8 1564.5 126.0 1438.5 1690.5 1564.6 74.3 1490.2 1638.9
17.25 17.75 1561.7 210.7 1350.9 1772.4 1568.5 136.0 1432.5 1704.5 1568.5 62.1 1506.4 1630.6
17.75 18.25 1563.9 202.0 1361.9 1765.9 1570.2 122.0 1448.2 1692.2 1570.2 61.7 1508.4 1631.9
18.25 18.75 1562.4 268.9 1293.5 1831.3 1571.1 120.0 1451.1 1691.1 1571.1 58.2 1512.9 1629.2
18.75 19.25 1560.6 296.0 1264.6 1856.7 1571.5 150.0 1421.5 1721.5 1571.6 54.5 1517.1 1626.2
19.25 19.75 1555.2 364.1 1191.1 1919.2 1571.8 120.0 1451.8 1691.8 1572.0 57.8 1514.2 1629.8
19.75 20.25 1549.7 416.4 1133.3 1966.1 1570.2 110.0 1460.2 1680.2 1571.8 54.8 1517.0 1626.5
20.25 20.75 1515.0 583.9 931.1 2098.9 1571.5 116.0 1455.5 1687.5 1571.5 54.9 1516.6 1626.4
20.75 21.25 1500.0 740.0 760.0 2240.0 1571.5 118.0 1453.5 1689.5 1571.5 54.1 1517.4 1625.6
21.25 21.75 1490.0 780.0 710.0 2270.0 1571.5 112.0 1459.5 1683.5 1571.5 62.7 1508.8 1634.2
21.75 22.25 1475.0 900.0 575.0 2375.0 1571.5 150.0 1421.5 1721.5 1571.5 71.9 1499.6 1643.4
22.25 22.75 1460.0 936.0 524.0 2396.0 1571.5 190.0 1381.5 1761.5 1571.5 58.4 1513.1 1629.9
22.75 23.25 1450.0 1120.0 330.0 2570.0 1571.5 230.0 1341.5 1801.5 1571.5 61.9 1509.6 1633.4
23.25 23.75 1440.0 1150.0 290.0 2590.0 1571.5 380.0 1191.5 1951.5 1571.5 76.0 1495.5 1647.5
23.75 24.25 1425.0 1172.0 253.0 2597.0 1571.5 300.0 1271.5 1871.5 1571.5 84.0 1487.5 1655.5
24.25 24.75 1390.0 1204.0 186.0 2594.0 1571.5 380.0 1191.5 1951.5 1571.5 82.5 1489.0 1654.0
24.75 25.25 1375.0 1250.0 125.0 2625.0 1571.5 520.0 1051.5 2091.5 1571.5 90.0 1481.5 1661.5

138
 Figura 151. Aplicación del método de bines para el UGE 09.

Figura 152. Datos de potencia depurados para UGE 09.

Tabla 53. Función matemática para la curva de potencia normalizada para el UGE 09.
RANGO ECUACIÓN
0 ≤ v < 10 −0.001455v 5 − 0.1021v 4 + 2.014v 3 − 5.155v 2 + 2.201v + 0.4021
10 ≤ v < 16.5 −0.1027v 4 + 2.932v 3 − 18.36v 2 + 67.1v − 103.9
16.5 ≤ v < 25 1571
v ≥ 25 0

Tabla 54. Ecuación a tramos final normalizada para potencia activa del UGE 09.
RANGO ECUACIÓN
0≤v≤2 0.6
2<v<6 −1.3564v 3 + 25.234v 2 − 96.828v + 106.34
6 ≤ v < 13 0.1143v 5 − 5.0145v 4 + 85.918v 3 − 709.35v 2 + 2910.3v − 4725.4
13 ≤ v < 17 −4.7874v 3 + 170.19v 2 − 1823v + 6725.7
15.5 ≤ v ≤ 17 −0.078v 5 + 6.8037v 4 − 232.04v 3 + 3860.1v 2 − 31178v + 98683
17 ≤ v ≤ 18 −5.1117v 2 + 185.67v − 116.4
18 < v ≤ 25 1570
v ≥ 25 0

139
 UGE 10.
Tabla 55. Coeficientes calculados para aplicar el método de bines para el UGE 10.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.0 0.2 -0.2 0.2 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 6.6 30.0 -23.4 36.6 0.1 2.7 -2.6 2.8 0.0 0.4 -0.4 0.4
1.25 1.75 22.2 90.0 -67.8 112.2 1.1 20.6 -19.5 21.6 0.3 3.6 -3.4 3.9
1.75 2.25 14.2 120.0 -105.8 134.2 0.0 1.3 -1.3 1.3 0.0 0.8 -0.8 0.8
2.25 2.75 6.1 116.0 -109.9 122.1 2.6 26.4 -23.8 29.0 1.3 7.3 -6.1 8.6
2.75 3.25 9.9 113.0 -103.0 122.9 7.9 37.7 -29.8 45.5 6.1 17.1 -11.0 23.2
3.25 3.75 19.1 50.2 -31.1 69.3 16.8 38.3 -21.4 55.1 16.4 28.5 -12.1 44.9
3.75 4.25 35.5 60.4 -24.9 95.9 33.1 51.9 -18.7 85.0 32.9 40.1 -7.2 73.0
4.25 4.75 56.3 69.4 -13.1 125.7 53.5 63.5 -10.0 117.1 53.4 49.6 3.8 103.0
4.75 5.25 79.2 82.0 -2.9 161.2 76.2 76.4 -0.2 152.5 75.9 52.0 23.9 127.9
5.25 5.75 107.5 89.7 17.8 197.2 108.8 58.5 50.3 167.4 108.8 56.0 52.8 164.8
5.75 6.25 139.8 103.5 36.3 243.2 141.5 74.2 67.4 215.7 141.1 59.6 81.5 200.6
6.25 6.75 181.0 125.2 55.8 306.2 183.0 92.2 90.8 275.2 182.4 68.0 114.5 250.4
6.75 7.25 229.0 143.1 85.9 372.1 230.6 108.4 122.3 339.0 229.4 78.4 151.0 307.8
7.25 7.75 282.5 165.8 116.7 448.3 283.5 122.1 161.5 405.6 282.0 87.3 194.7 369.3
7.75 8.25 343.8 181.0 162.9 524.8 343.1 139.4 203.6 482.5 340.6 99.3 241.4 439.9
8.25 8.75 409.7 205.3 204.4 615.1 409.9 161.1 248.7 571.0 407.2 114.4 292.8 521.6
8.75 9.25 483.8 215.7 268.1 699.5 483.2 173.0 310.2 656.2 480.0 122.7 357.4 602.7
9.25 9.75 559.7 218.9 340.8 778.6 560.2 179.6 380.7 739.8 558.1 131.2 426.9 689.3
9.75 10.25 641.5 221.3 420.3 862.8 639.9 187.1 452.8 827.1 638.0 139.9 498.1 777.9
10.25 10.75 725.0 236.6 488.4 961.7 724.6 200.2 524.4 924.8 722.8 150.9 571.8 873.7
10.75 11.25 815.3 255.5 559.9 1070.8 814.2 225.6 588.5 1039.8 812.3 171.4 640.9 983.7
11.25 11.75 906.9 295.7 611.2 1202.5 910.2 254.4 655.8 1164.6 908.0 193.2 714.8 1101.1
11.75 12.25 1000.5 312.1 688.5 1312.6 1005.8 275.1 730.7 1280.9 1003.4 208.4 795.0 1211.9
12.25 12.75 1093.3 347.6 745.7 1440.9 1102.8 286.1 816.6 1388.9 1100.3 214.6 885.7 1314.9
12.75 13.25 1189.5 334.7 854.7 1524.2 1197.5 289.4 908.2 1486.9 1195.6 222.0 973.6 1417.6
13.25 13.75 1275.2 299.9 975.3 1575.1 1281.9 276.8 1005.1 1558.6 1281.9 218.4 1063.5 1500.3
13.75 14.25 1351.0 285.5 1065.5 1636.5 1357.2 258.8 1098.4 1616.0 1357.5 203.7 1153.7 1561.2
14.25 14.75 1413.1 278.1 1135.0 1691.1 1420.3 221.8 1198.5 1642.0 1422.8 199.9 1222.9 1622.6
14.75 15.25 1458.0 269.7 1188.3 1727.6 1469.1 166.5 1302.6 1635.6 1469.7 172.1 1297.5 1641.8
15.25 15.75 1490.6 243.0 1247.6 1733.5 1500.3 126.3 1374.1 1626.6 1501.2 141.4 1359.8 1642.5
15.75 16.25 1511.5 219.1 1292.5 1730.6 1521.2 88.0 1433.2 1609.2 1522.2 120.0 1402.1 1642.2
16.25 16.75 1524.6 194.7 1329.9 1719.3 1534.1 77.0 1457.1 1611.1 1534.2 86.4 1447.8 1620.5
16.75 17.25 1531.3 208.9 1322.5 1740.2 1540.8 83.6 1457.2 1624.4 1540.9 77.9 1463.0 1618.8
17.25 17.75 1534.8 215.5 1319.3 1750.3 1543.9 79.2 1464.7 1623.1 1543.9 67.8 1476.1 1611.7
17.75 18.25 1531.4 298.3 1233.1 1829.7 1545.7 81.4 1464.3 1627.1 1545.7 64.0 1481.7 1609.7
18.25 18.75 1536.6 262.8 1273.7 1799.4 1546.7 70.4 1476.3 1617.1 1546.7 61.0 1485.6 1607.7
18.75 19.25 1536.6 358.1 1178.5 1894.6 1546.7 68.2 1478.5 1614.9 1546.7 61.2 1485.5 1607.8
19.25 19.75 1536.6 514.9 1021.7 2051.4 1546.7 97.0 1449.6 1643.7 1546.7 55.6 1491.0 1602.3
19.75 20.25 1536.6 394.6 1142.0 1931.2 1546.7 113.1 1433.6 1659.7 1546.7 49.5 1497.2 1596.1
20.25 20.75 1536.6 582.3 954.3 2118.9 1546.7 119.9 1426.7 1666.6 1546.7 54.3 1492.4 1600.9
20.75 21.25 1536.6 519.9 1016.7 2056.4 1546.7 122.0 1424.6 1668.7 1546.7 47.7 1498.9 1594.4
21.25 21.75 1536.6 573.2 963.4 2109.7 1546.7 99.8 1446.9 1646.4 1546.7 54.1 1492.6 1600.7
21.75 22.25 1536.6 589.5 947.1 2126.0 1546.7 116.5 1430.1 1663.2 1546.7 42.8 1503.8 1589.5
22.25 22.75 1536.6 305.3 1231.3 1841.9 1546.7 66.0 1480.7 1612.7 1546.7 47.3 1499.4 1593.9
22.75 23.25 1536.6 592.4 944.2 2128.9 1546.7 63.8 1482.9 1610.5 1546.7 49.6 1497.1 1596.2
23.25 23.75 1536.6 169.4 1367.2 1706.0 1546.7 68.2 1478.5 1614.9 1546.7 48.0 1498.6 1594.7
23.75 24.25 1536.6 120.0 1416.6 1656.6 1546.7 79.2 1467.5 1625.9 1546.7 48.3 1498.4 1594.9
24.25 24.75 1536.6 140.0 1396.6 1676.6 1546.7 97.3 1449.4 1643.9 1546.7 54.6 1492.0 1601.3
24.75 25.25 1536.6 202.5 1334.1 1739.0 1546.7 57.2 1489.5 1603.9 1546.7 32.7 1514.0 1579.3

140
 Figura 153. Aplicación del método de bines para el UGE 10.

Figura 154. Datos de potencia depurados para UGE 10.

Tabla 56. Función matemática para la curva de potencia normalizada para el UGE 10.
RANGO ECUACIÓN
0 ≤ v < 7.5 0.01765v 5 − 0.4271v 4 + 4.241v 3 − 11.36v 2 + 8.681v − .06704
7.5 ≤ v < 16.5 −0.1313v 4 + 3.881v 3 − 29.22v 2 + 117.4v − 178.4
16.5 ≤ v < 25 1546
v ≥ 25 0

Tabla 57. Ecuación a tramos final normalizada para potencia activa del UGE 10.
RANGO ECUACIÓN
0≤v≤2 0.3
2 < v < 4.5 −2.1264v 3 + 31.721v 2 − 112.85v + 118.92
4.5 ≤ v < 14 −0.1004v 4 + 2.9872v 3 − 20.477v 2 + 82.95v − 128.81
14 ≤ v < 17 2.9859v 3 − 162.61v 2 + 2943.5v − 16180
15.5 ≤ v ≤ 17 0.0897v 4 − 3.8426v 3 + 36.032v 2 + 347.86v − 3384.9
17 ≤ v ≤ 18.5 1.172v 3 − 65.216v 2 + 1212.1v − 5978.6
18.5 < v ≤ 25 1546
v ≥ 25 0

141
 UGE 11.
Tabla 58. Coeficientes calculados para aplicar el método de bines para el UGE 11.
Iteraciones Primera iteración Segunda iteración Tercera iteración
Vel del bin Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm Pm 2σ (-)Pm (+)Pm
0.00 0.25 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.25 0.75 0.1 7.0 -6.9 7.1 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0
0.75 1.25 5.5 121.4 -115.9 126.9 0.1 5.5 -5.4 5.6 0.0 0.3 -0.3 0.3
1.25 1.75 15.3 208.9 -193.7 224.2 0.4 10.0 -9.7 10.4 0.1 1.4 -1.3 1.5
1.75 2.25 6.4 144.4 -137.9 150.8 0.0 2.6 -2.6 2.6 0.0 0.2 -0.2 0.2
2.25 2.75 1.3 6.1 -4.8 7.4 0.4 3.0 -2.5 3.4 0.1 1.0 -0.9 1.1
2.75 3.25 5.9 15.7 -9.7 21.6 5.5 15.6 -10.0 21.1 5.5 14.1 -8.6 19.6
3.25 3.75 15.5 27.8 -12.4 43.3 15.3 29.7 -14.4 44.9 15.3 27.0 -11.7 42.2
3.75 4.25 31.5 40.1 -8.6 71.6 31.2 43.2 -12.0 74.4 31.2 39.3 -8.0 70.5
4.25 4.75 51.9 48.8 3.1 100.7 55.1 42.1 13.0 97.2 55.4 36.6 18.8 91.9
4.75 5.25 74.3 60.0 14.3 134.3 77.1 51.2 25.9 128.3 77.3 44.6 32.6 121.9
5.25 5.75 103.1 75.5 27.6 178.6 104.9 65.8 39.1 170.8 104.7 57.3 47.3 162.0
5.75 6.25 138.1 94.5 43.6 232.7 139.1 84.9 54.2 224.1 138.6 75.3 63.3 214.0
6.25 6.75 181.7 122.3 59.4 304.0 182.0 110.1 72.0 292.1 181.4 96.8 84.6 278.2
6.75 7.25 227.1 149.5 77.6 376.6 227.9 133.0 94.9 360.9 227.2 115.7 111.5 343.0
7.25 7.75 281.7 177.8 103.9 459.5 281.8 155.8 126.0 437.6 280.8 134.3 146.5 415.1
7.75 8.25 344.7 203.1 141.6 547.8 343.6 182.7 160.9 526.3 343.0 157.5 185.5 500.5
8.25 8.75 410.7 229.0 181.7 639.8 409.5 207.9 201.7 617.4 409.1 181.1 228.0 590.2
8.75 9.25 484.8 244.9 239.9 729.8 481.6 225.6 256.0 707.2 481.8 194.5 287.4 676.3
9.25 9.75 560.9 263.2 297.7 824.1 558.3 237.8 320.6 796.1 559.5 196.7 362.9 756.2
9.75 10.25 640.2 282.3 357.9 922.5 637.1 252.6 384.5 889.7 637.7 207.5 430.2 845.3
10.25 10.75 722.2 300.3 421.9 1022.5 717.5 272.4 445.1 990.0 717.4 226.9 490.6 944.3
10.75 11.25 808.9 319.7 489.2 1128.6 803.0 291.1 511.9 1094.2 803.2 242.6 560.6 1045.8
11.25 11.75 888.4 353.9 534.6 1242.3 884.2 320.0 564.3 1204.2 884.0 269.1 614.9 1153.1
11.75 12.25 977.1 374.1 603.0 1351.1 974.2 342.5 631.6 1316.7 974.6 291.6 683.0 1266.3
12.25 12.75 1065.6 382.4 683.3 1448.0 1065.5 356.7 708.7 1422.2 1066.2 307.1 759.2 1373.3
12.75 13.25 1148.1 377.1 771.1 1525.2 1155.4 358.3 797.2 1513.7 1159.3 307.5 851.7 1466.8
13.25 13.75 1232.7 357.9 874.8 1590.6 1246.2 334.4 911.7 1580.6 1255.7 277.7 978.0 1533.5
13.75 14.25 1304.4 344.5 959.9 1649.0 1318.6 310.6 1008.0 1629.2 1331.7 243.4 1088.3 1575.0
14.25 14.75 1366.7 311.1 1055.6 1677.7 1379.9 272.0 1107.9 1651.9 1392.2 208.3 1183.9 1600.5
14.75 15.25 1413.5 266.9 1146.5 1680.4 1426.4 229.0 1197.5 1655.4 1438.7 165.8 1272.9 1604.6
15.25 15.75 1445.7 268.4 1177.3 1714.1 1457.2 200.5 1256.6 1657.7 1467.5 144.3 1323.2 1611.9
15.75 16.25 1473.3 223.7 1249.6 1697.0 1483.0 156.4 1326.6 1639.5 1491.7 114.0 1377.8 1605.7
16.25 16.75 1493.3 197.2 1296.2 1690.5 1501.1 119.2 1381.9 1620.3 1510.4 84.2 1426.2 1594.6
16.75 17.25 1505.5 213.6 1291.9 1719.1 1513.8 86.4 1427.3 1600.2 1519.7 74.4 1445.3 1594.1
17.25 17.75 1516.8 210.5 1306.4 1727.3 1524.3 90.0 1434.3 1614.3 1526.1 71.6 1454.6 1597.7
17.75 18.25 1516.3 299.1 1217.1 1815.4 1531.4 96.0 1435.4 1627.4 1531.6 60.7 1471.0 1592.3
18.25 18.75 1507.9 402.2 1105.7 1910.1 1534.0 110.0 1424.0 1644.0 1535.6 57.7 1477.9 1593.2
18.75 19.25 1496.1 494.6 1001.5 1990.7 1537.6 82.0 1455.6 1619.6 1538.3 52.2 1486.0 1590.5
19.25 19.75 1504.5 444.3 1060.1 1948.8 1538.7 86.0 1452.7 1624.7 1539.4 52.7 1486.7 1592.0
19.75 20.25 1470.3 633.3 837.0 2103.6 1537.7 92.8 1444.9 1630.5 1540.3 50.5 1489.7 1590.8
20.25 20.75 1515.0 663.3 851.7 2178.3 1538.7 127.0 1411.8 1665.7 1540.7 50.9 1489.8 1591.7
20.75 21.25 1500.0 620.4 879.6 2120.4 1538.7 108.8 1430.0 1647.5 1540.7 56.0 1484.7 1596.8
21.25 21.75 1490.0 731.0 759.0 2221.0 1538.7 150.6 1388.1 1689.4 1540.7 57.1 1483.6 1597.9
21.75 22.25 1475.0 788.2 686.8 2263.2 1538.7 160.0 1378.7 1698.7 1540.7 52.7 1488.0 1593.5
22.25 22.75 1460.0 892.4 567.6 2352.4 1538.7 230.0 1308.7 1768.7 1540.7 70.6 1470.1 1611.4
22.75 23.25 1450.0 853.0 597.0 2303.0 1538.7 300.0 1238.7 1838.7 1540.7 65.6 1475.2 1606.3
23.25 23.75 1440.0 793.6 646.4 2233.6 1538.7 380.0 1158.7 1918.7 1540.7 70.0 1470.7 1610.7
23.75 24.25 1425.0 1025.8 399.2 2450.8 1538.7 252.0 1286.7 1790.8 1540.7 32.5 1508.2 1573.2
24.25 24.75 1390.0 3.8 1386.2 1393.8 1538.7 61.1 1477.6 1599.9 1540.7 55.6 1485.2 1596.3
24.75 25.25 1375.0 0.0 1375.0 1375.0 1538.7 40.0 1498.7 1578.7 1540.7 60.0 1480.7 1600.7

142
 Figura 155. Aplicación del método de bines para el UGE 11.

Figura 156. Datos de potencia depurados para UGE 11.

Tabla 59. Función matemática para la curva de potencia normalizada para el UGE 11.
RANGO ECUACIÓN
0 ≤ v < 7.5 0.01765v 5 − 0.4271v 4 + 4.241v 3 − 11.36v 2 + 8.681v − .06704
7.5 ≤ v < 16.5 −0.1313v 4 + 3.881v 3 − 29.22v 2 + 117.4v − 178.4
16.5 ≤ v < 25 1540
v ≥ 25 0

Tabla 60. Ecuación a tramos final normalizada para potencia activa del UGE 11.
RANGO ECUACIÓN
0 ≤ v < 2.5 0.3
2<v<4 12.94v 2 − 58.364v + 65.802
4 ≤ v < 12 −0.0873v 4 + 2.2165v 3 − 8.0882v 2 + 10.523v + 6.506
12 ≤ v < 16 −0.9674v 4 + 48.403v 3 − 916.78v 2 + 7972.6v − 26247
16 ≤ v ≤ 19 −0.1663v 4 + 11.437v 3 − 298.28v 2 + 3508.4v − 14221
17 < v ≤ 25 1538
v ≥ 25 0

143
Anexo 2. Tablas de análisis de promedio de viento.
Tabla 61. Promedio de velocidad de viento para el año 2014.
2014
UGE 01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 8.2 8.4 8.0 9.2 8.8 8.1 8.2 7.9 9.6 7.0 7.1
FEBRERO 7.5 7.6 7.2 8.5 8.0 7.4 7.5 7.2 8.3 6.8 6.5
MARZO 7.3 7.3 7.0 8.2 7.8 7.3 7.4 7.0 8.4 7.3 6.4
ABRIL 11.6 12.0 11.4 12.8 12.5 11.4 11.5 10.9 11.2 11.4 9.7
MAYO 7.5 7.7 7.6 8.6 8.2 8.0 7.6 7.3 7.7 7.5 6.9
JUNIO 12.5 13.3 13.0 13.8 13.5 13.0 12.1 11.5 12.4 12.1 11.1
JULIO 16.6 17.3 16.6 17.5 17.3 16.5 15.9 14.5 15.9 15.4 14.0
AGOSTO 12.7 14.3 14.3 15.1 14.7 14.0 13.6 12.5 13.5 13.2 11.5
SEPTIEMBRE 12.5 12.7 12.8 13.9 13.4 12.8 12.4 11.8 12.4 12.1 10.4
OCTUBRE 9.7 9.9 9.6 10.7 10.2 9.8 9.6 9.1 9.5 9.2 9.0
NOVIEMBRE 7.0 7.1 6.7 7.8 7.5 7.5 7.0 6.6 7.0 6.8 6.8
DICIEMBRE 7.7 7.8 7.6 8.6 8.2 8.2 8.2 7.7 7.7 7.3 7.5

Tabla 62. Promedio de velocidad de viento para el año 2015.

2015
UGE 01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 10.3 10.8 10.5 11.7 11.1 10.8 10.2 9.5 10.1 9.8 10.0
FEBRERO 9.5 9.9 9.5 10.7 10.2 10.1 9.1 8.3 8.9 9.4 9.1
MARZO 7.7 8.1 7.6 9.0 8.4 8.4 7.3 7.3 7.6 7.7 7.5
ABRIL 10.5 10.9 10.2 11.5 10.7 10.7 9.9 10.0 10.3 10.0 9.8
MAYO 11.5 11.9 11.0 12.5 12.0 12.0 11.0 10.8 11.4 11.1 10.6
JUNIO 16.2 16.9 15.7 16.1 16.1 17.1 14.4 14.5 15.7 14.6 13.9
JULIO 13.9 14.3 13.5 14.4 14.3 14.8 12.6 12.0 14.5 13.1 12.5
AGOSTO 13.9 14.2 13.5 14.4 14.3 14.8 12.6 12.0 14.5 13.1 12.5
SEPTIEMBRE 14.3 14.9 14.0 15.0 12.3 15.4 13.2 12.2 15.0 13.6 13.4
OCTUBRE 10.4 10.8 10.4 11.9 11.0 11.7 10.0 9.2 11.9 10.2 9.8
NOVIEMBRE 8.4 8.7 8.4 9.0 9.0 9.7 8.5 7.6 9.5 8.5 8.3
DICIEMBRE 13.6 14.1 13.4 14.1 14.1 15.0 12.4 11.4 14.3 12.9 12.8

Tabla 63. Promedio de velocidad de viento para el año 2016.

2016
UGE 01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 6.7 6.9 6.7 7.2 7.3 8.1 6.7 6.3 7.5 6.8 6.4
FEBRERO 10.1 10.0 9.7 9.9 9.8 10.3 8.4 9.7 9.9 8.9 9.1
MARZO 7.7 7.6 7.8 8.0 8.1 8.5 7.6 7.3 8.2 7.7 7.8
ABRIL 8.5 8.4 8.6 8.6 8.9 9.5 7.9 7.6 9.1 8.2 8.6
MAYO 11.1 10.9 11.2 11.2 11.4 12.9 9.6 10.0 11.7 10.6 11.1
JUNIO 13.2 12.9 13.3 13.3 13.5 15.3 11.3 12.0 13.8 12.5 13.9
JULIO 13.7 14.2 14.0 14.0 14.0 15.6 12.4 12.3 14.2 12.8 14.3
AGOSTO 15.7 17.2 15.8 15.8 16.5 18.3 14.9 14.5 16.8 15.2 16.7
SEPTIEMBRE 12.8 14.4 12.9 13.3 13.7 15.4 11.9 11.8 14.1 12.7 14.1
OCTUBRE 8.4 9.4 9.2 9.0 9.1 10.7 8.2 7.8 9.5 8.7 9.7
NOVIEMBRE 7.4 8.2 8.1 7.8 7.8 9.1 7.3 6.5 8.0 7.5 8.2
DICIEMBRE 6.1 6.8 6.8 6.6 6.7 7.6 6.4 6.5 6.9 6.5 7.4

144
 Tabla 64. Promedio de velocidad de viento para el año 2017.
2017
UGE 01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 7.3 8.1 8.0 7.7 7.8 8.0 7.0 7.6 8.0 7.5 8.2
FEBRERO 6.4 7.0 7.0 6.9 6.8 6.9 6.1 6.8 6.9 6.6 7.3
MARZO 5.4 6.1 6.1 6.1 5.9 6.1 5.6 5.9 6.2 5.9 6.4
ABRIL 9.4 10.5 10.3 9.8 9.8 9.6 9.2 9.7 10.5 9.7 10.7
MAYO 8.4 9.5 9.3 8.6 8.6 8.7 7.9 8.4 9.0 8.3 8.3
JUNIO 10.9 12.2 12.0 11.7 11.1 11.3 10.2 10.9 11.6 10.4 10.0
JULIO 15.9 17.8 17.6 17.1 15.9 15.9 14.7 15.5 15.5 15.0 14.3
AGOSTO 12.3 13.8 13.6 13.4 12.5 12.7 11.3 12.1 12.5 11.9 11.1
SEPTIEMBRE 12.9 14.5 14.3 14.0 12.9 13.3 11.5 12.3 12.9 12.2 11.6
OCTUBRE 9.8 10.8 10.8 10.7 10.2 10.3 9.5 9.6 10.3 9.9 9.6
NOVIEMBRE 5.3 5.5 5.6 5.1 5.6 5.6 5.3 5.5 5.6 5.5 5.2
DICIEMBRE 7.3 7.2 7.3 7.1 8.3 8.1 7.2 7.1 7.9 7.6 7.0

Tabla 65. Promedio de velocidad de viento para el año 2018.

2018
UGE 01 02 03 04 05 06 07 08 09 10 11
MES
ENERO 7.7 7.6 7.7 7.4 8.6 8.5 7.4 7.4 7.9 8.0 7.3
FEBRERO 5.6 5.3 5.5 5.3 6.2 6.1 5.4 5.4 5.8 5.8 5.2
MARZO 9.2 9.2 9.2 8.9 10.1 9.9 8.8 8.8 9.4 9.3 8.5
ABRIL 8.5 8.5 8.6 8.2 9.2 9.3 8.1 8.1 9.0 8.5 8.1
MAYO 9.0 8.9 9.0 8.6 9.6 9.4 8.5 8.5 9.1 8.9 8.4
JUNIO 13.6 13.8 13.9 13.2 14.6 14.2 12.3 12.3 12.9 13.2 12.5
JULIO 14.6 14.8 14.8 14.0 15.2 15.1 13.2 13.2 14.2 14.0 12.9
AGOSTO 16.1 16.3 16.3 15.5 17.0 16.7 14.9 14.9 15.8 15.5 14.6
SEPTIEMBRE 12.2 12.2 12.4 11.8 13.3 12.9 11.6 11.6 12.4 12.1 11.3
OCTUBRE 6.7 6.5 6.6 6.3 7.4 7.1 6.6 6.5 7.2 6.7 6.2
NOVIEMBRE 5.5 5.2 5.3 5.1 6.1 5.9 5.5 5.5 6.3 5.8 5.6
DICIEMBRE 10.2 10.2 10.4 9.8 11.2 10.6 9.5 9.5 10.6 10.2 9.8

145
ANEXO 3. Análisis del comportamiento del viento promedio mensual.

19,0 UGE 01 UGE 02 UGE 03 UGE 04 UGE 05 UGE 06 UGE 07 UGE 08 UGE 09 UGE 10 UGE 11

17,0

15,0

13,0

11,0

9,0

7,0

5,0
MARZO

MARZO

MARZO

MARZO

MARZO
FEBRERO

AGOSTO

FEBRERO

AGOSTO

FEBRERO

AGOSTO

FEBRERO

AGOSTO

FEBRERO

AGOSTO
MAYO
ABRIL
MAYO

ABRIL
MAYO

ABRIL
MAYO

ABRIL
MAYO

ENERO

ABRIL
ENERO

ENERO

ENERO

ENERO
JULIO

JULIO

JULIO

JULIO

JULIO
SEPTIEMBRE

SEPTIEMBRE
JUNIO

SEPTIEMBRE

JUNIO

SEPTIEMBRE

JUNIO

SEPTIEMBRE

JUNIO

JUNIO
OCTUBRE
NOVIEMBRE

OCTUBRE

OCTUBRE
DICIEMBRE

NOVIEMBRE

OCTUBRE
DICIEMBRE

NOVIEMBRE
DICIEMBRE

NOVIEMBRE

OCTUBRE
DICIEMBRE

NOVIEMBRE
DICIEMBRE
2014 2015 2016 2017 2018
Figura 157. Gráfico de comparación de curvas de velocidad promedio para cada UGE.

ANEXO 4. Plano de emplazamiento del Parque Eólico Villonaco.

Figura 158. Plano de emplazamiento CEV.

Fuente: (CELEC EP GENSUR)

146
Anexo 5. Código de entrenamiento de la red neuronal Narx.
% UNIVERSIDAD NACIONAL DE LOJA
% CARRERA DE INGENIERÍA ELECTROMECÁNICA
clear all;
close all;
clc;
% IMPORTAR BASE DE DATOS

DATABASE = xlsread('C:\DATACEV\TRAININGDATA\1.ENERO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\2.FEBRERO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\3.MARZO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\4.ABRIL.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\5.MAYO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\6.JUNIO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\7.JULIO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\8.AGOSTO.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\9.SEPTIEMBRE.xlsx');
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\10.OCTUBRE.xlsx' );
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\11.NOVIEMBRE.xlsx');
%DATABASE = xlsread('C:\DATACEV\TRAININGDATA\12.DICIEMBRE.xlsx');

% CLASIFICACIÓN DE LOS DATOS

E1 = DATABASE(:,1:3); % Entradas para entrenar la red(año,dia,hora)

S1 = DATABASE(:,4); % Salidas para entrenar la red (velocidad de viento)

% CONVERSIÓN DE LOS DATOS A TIPO CELL

X = tonndata(E1,false,false); % Entradas en tipo cell

T = tonndata(S1,false,false); % Salidas en tipo cell

% SELECCIÓN DE LA FUNCIÓN DE ENTRENAMIENTO

trainFcn = 'trainlm'; % Levenberg-Marquadrt backpropagation

%trainFcn = 'trainbr'; % Bayesian regularization backpropagation
%trainFcn = 'trainscg'; % Scaled conjugate gradient backpropagation

% CONFIGURACIÓN DE RETRASOS Y NEURONAS

inputDelays = 1:2; % Retrasos en las entradas

feedbackDelays = 1:2; % Retrasos en las capas
hiddenLayerSize = 100; % Número de neuronas en la capa oculta

% CREACIÓN DE LA RED NARX(Nonlinear Autoregressive Network with External Input)

net = narxnet(inputDelays,feedbackDelays,hiddenLayerSize,'open',trainFcn);

% ELECCIÓN DE FUNCIONES DE PRE/POSTPROCESAMIENTO DE ENTRADAS Y TARGETS

net.inputs{1}.processFcns = {'removeconstantrows','mapminmax'};
net.inputs{2}.processFcns = {'removeconstantrows','mapminmax'};

147
% PREPARACIÓN DE LOS DATOS PARA ENTRENAMIENTO Y SIMULACIÓN

[x,xi,ai,t] = preparets(net,X,{},T);

% DISTRIBUCIÓN DE LA INFORMACIÓN PARA ENTRENAMIENTO, VALIDACIÓN Y PRUEBA

net.divideFcn = 'dividerand'; % División aleatoria

net.divideMode = 'time'; % División por bloques de tiempo
net.divideParam.trainRatio = 70/100; % División para entrenamiento
net.divideParam.valRatio = 15/100; % División para validación
net.divideParam.testRatio = 15/100; % División para prueba

% PESOS Y BIAS

net.initFcn = 'initlay'; % Iniciar los pesos

pesosEntrada = net.IW{1,1}; % Visualizar los pesos iniciales en la capa de entrada
pesosCapa = net.LW{2,1}; % Visualizar los pesos iniciales en la capa ocualta
bias_capa_oculta = net.b{1}; % Visualizar los bias de cada neurona en la capa oculta
bias_capa_salida = net.b{2}; % Visualizar los bias de cada neurona en la capa de salida

% ELECCIÓN DE LA FUNCIÓN DE RENDIMIENTO

net.performFcn = 'mse'; % Men square error

%APRENDIZAJE DE LA RED

net2.trainParam.epochs = 1000; % Número de iteraciones

net2.trainParam.lr = 0.8; % Tasa de aprendizaje
net2.trainParam.mc = 0.95; % Factor momento

% ELECCIÓN DE LAS GRÁFICAS PARA EVALUACIÓN DE LA RED

net.plotFcns = {'plotperform','plottrainstate', 'ploterrhist', ...

'plotregression', 'plotresponse', 'ploterrcorr', 'plotinerrcorr'};

% ENTRENAMIENTO DE LA RED NEURONAL

[net,tr] = train(net,x,t,xi,ai); % Inicio de entrenamiento de la red

% PRUEBA DE LA RED NEURONAL

y = net(x,xi,ai); % Resultado de la red entrenada

e = gsubtract(t,y); % Error de las salidas deseadas y predicidas
performance = perform(net,t,y) % Rendimiento de la red

% RECÁLCULO DEL ENTRENAMIENTO, VALIDACIÓN Y PRUEBA

trainTargets = gmultiply(t,tr.trainMask);
valTargets = gmultiply(t,tr.valMask);
testTargets = gmultiply(t,tr.testMask);

148
% EVALUACIÓN DEL RENDIMIENTO

trainPerformance= perform(net,trainTargets,y)% Evaluación de la red en el entrenamiento

valPerformance = perform(net,valTargets,y) % Evaluación de la red durante la validación
testPerformance = perform(net,testTargets,y) % Evaluación de la red durante la prueba

% GRÁFICAS PARA EVALUAR LA RED

figure, plotperform(tr) % Gráfica de la función de rendimiento

figure, ploterrhist(e) % Gráfica del histograma de error
figure, plotregression(t,y) % Gráfica de regresión
figure, plotresponse(t,y) % Gráfica de análisis de error
figure, ploterrcorr(e) % Gráfica de correlación

% CERRAR EL LAZO DE RETROALIMENTACIÓN DE LA RED

netc = closeloop(net);
netc.name = [net.name ' - Closed Loop'];
[xc,xic,aic,tc] = preparets(netc,X,{},T);
yc = netc(xc,xic,aic);
closedLoopPerformance = perform(net,tc,yc)

% PREDICCIÓN DE MÚLTIPLES PASOS

n = X';
numData = size(n,1);
stepspredict = 719;
knownOutputTimesteps = 1:(numData-stepspredict);
predictOutputTimesteps = (numData-stepspredict):numData;
X1 = X(:,knownOutputTimesteps);
T1 = T(:,knownOutputTimesteps);
[x1,xio,aio] = preparets(net,X1,{},T1);
[y1,xfo,afo] = net(x1,xio,aio);

% EVALUACIÓN DE LA RED CON DATOS DE ENTRADAS CONOCIDAS

x2 = X(1,predictOutputTimesteps);
[netc,xic,aic] = closeloop(net,xfo,afo);
[y2,xfc,afc] = netc(x2,xic,aic);
Y2 = y2';
multiStepPerformance = perform(net,T(1,predictOutputTimesteps),y2)

% PREDICCIÓN DE UN PASO SIGUIENTE DE LA RED

nets = removedelay(net);
nets.name = [net.name ' - Predict One Step Ahead'];
[xs,xis,ais,ts] = preparets(nets,X,{},T);
ys = nets(xs,xis,ais);
YS = ys';
% VISUALIZAR LAS CONFIGURACIONES DE LA RED
view(net) % Red con lazo de retroalimentación abierto, se evalúa la red
view(netc) % Red con lazo cerrado, realiza múltiples predicciones
view(nets) % Red con eliminación de un retardo, predice el siguiente valor

149
Anexo 6. Código de simulación mensual de las redes Narx.

%CÓDIGO DE SIMULACIÓN MENSUAL

clear all;
clc;

%PREPARACION DE LOS DATOS

%load('C:\DATACEV\NETWORKS\1.ENERO\20.ENERO.mat' );
%load('C:\DATACEV\NETWORKS\2.FEBRERO\10.FEBRERO.mat' );
%load('C:\DATACEV\NETWORKS\3.MARZO\10.MARZO.mat' );
%load('C:\DATACEV\NETWORKS\4.ABRIL\10.ABRIL.mat' );
%load('C:\DATACEV\NETWORKS\5.MAYO\10.MAYO.mat' );
%load('C:\DATACEV\NETWORKS\6.JUNIO\10.JUNIO.mat' );
%load('C:\DATACEV\NETWORKS\7.JULIO\10.JULIO.mat' );
%load('C:\DATACEV\NETWORKS\8.AGOSTO\10.AGOSTO.mat' );
%load('C:\DATACEV\NETWORKS\9.SEPTIEMBRE\10.SEPTIEMBRE.mat' );
%load('C:\DATACEV\NETWORKS\10.OCTUBRE\10.OCTUBRE.mat' );
%load('C:\DATACEV\NETWORKS\11.NOVIEMBRE\10.NOVIEMBRE.mat' );
load('C:\DATACEV\NETWORKS\12.DICIEMBRE\10.DICIEMBRE.mat' );

%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\1.ENERO.xlsx' )';

%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\2.FEBRERO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\3.MARZO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\4.ABRIL.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\5.MAYO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\6.JUNIO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\7.JULIO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\8.AGOSTO.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\9.SEPTIEMBRE.xlsx')';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\10.OCTUBRE.xlsx' )';
%DATA = xlsread('C:\DATACEV\SIMULATIONDATA\11.NOVIEMBRE.xlsx')';
DATA = xlsread('C:\DATACEV\SIMULATIONDATA\12.DICIEMBRE.xlsx')';

ES = DATA (1:3,:); %DATOS DE ENTRADA PARA ENTRENAR LA RED(DATE)

SS = DATA (4,:); %DATOS DE SALIDAS PARA ENTRENAR LA RED(WIND)

%CONVERSION DE DATOS NUMERICOS A TIPO CELL

XS = tonndata(ES,true,false);
TS = tonndata(SS,true,false);

%SIMULACION NETC

%DIA 01

dia = 24;
timedelay = 2;
serieconocidas1 = 1:(dia+timedelay);
serieapredecir1 = 1:(dia+timedelay);
serieevalacion1 = timedelay+1:(dia+timedelay);
XS1 = XS(1,serieconocidas1);
TS1 = TS(1,serieconocidas1);
[XC1,XIO1,AIO1] = preparets(netc,XS1,{},TS1);
[Y1,XFC1,AFC1] = netc(XC1,XIO1,AIO1);

150
PRED1 = Y1;
PERF1 = perform(net,TS1(1,serieapredecir1),Y1);

%DIA 02

serieconocidas2 = (dia+1):(2*dia+timedelay);
serieapredecir2 = (dia+1):(2*dia+timedelay);
serieevalacion2 = (dia+timedelay+1):(2*dia+timedelay);
TE2 = TS(1,serieevalacion2);
XS2 = XS(1,serieconocidas2);
TS2 = TS(1,serieconocidas2);
[XC2,XIO2,AIO2] = preparets(netc,XS2,{},TS2);
[Y2,XFC2,AFC2] = netc(XC2,XIO2,AIO2);
PRED2 = Y2;
PERF2 = perform(net,TE2,Y2);

%DIA 03

serieconocidas3 = (2*dia+1):(3*dia+timedelay);
serieapredecir3 = (2*dia+1):(3*dia+timedelay);
serieevalacion3 = (2*dia+timedelay+1):(3*dia+timedelay);
TE3 = TS(1,serieevalacion3);
XS3 = XS(1,serieconocidas3);
TS3 = TS(1,serieconocidas3);
[XC3,XIO3,AIO3] = preparets(netc,XS3,{},TS3);
[Y3,XFC3,AFC3] = netc(XC3,XIO3,AIO3);
PRED3 = Y3;
PERF3 = perform(net,TE3,Y3);

%DIA 04

serieconocidas4 = (3*dia+1):(4*dia+timedelay);
serieapredecir4 = (3*dia+1):(4*dia+timedelay);
serieevalacion4 = (3*dia+timedelay+1):(4*dia+timedelay);
TE4 = TS(1,serieevalacion4);
XS4 = XS(1,serieconocidas4);
TS4 = TS(1,serieconocidas4);
[XC4,XIO4,AIO4] = preparets(netc,XS4,{},TS4);
[Y4,XFC4,AFC4] = netc(XC4,XIO4,AIO4);
PRED4 = Y4;
PERF4 = perform(net,TE4,Y4);

%DIA 05

serieconocidas5 = (4*dia+1):(5*dia+timedelay);
serieapredecir5 = (4*dia+1):(5*dia+timedelay);
serieevalacion5 = (4*dia+timedelay+1):(5*dia+timedelay);
TE5 = TS(1,serieevalacion5);
XS5 = XS(1,serieconocidas5);
TS5 = TS(1,serieconocidas5);
[XC5,XIO5,AIO5] = preparets(netc,XS5,{},TS5);
[Y5,XFC5,AFC5] = netc(XC5,XIO5,AIO5);
PRED5 = Y5;
PERF5 = perform(net,TE5,Y5);

%DIA 06

151
serieconocidas6 = (5*dia+1):(6*dia+timedelay);
serieapredecir6 = (5*dia+1):(6*dia+timedelay);
serieevalacion6 = (5*dia+timedelay+1):(6*dia+timedelay);
TE6 = TS(1,serieevalacion6);
XS6 = XS(1,serieconocidas6);
TS6 = TS(1,serieconocidas6);
[XC6,XIO6,AIO6] = preparets(netc,XS6,{},TS6);
[Y6,XFC6,AFC6] = netc(XC6,XIO6,AIO6);
PRED6 = Y6;
PERF6 = perform(net,TE6,Y6);

%DIA 07

serieconocidas7 = (6*dia+1):(7*dia+timedelay);
serieapredecir7 = (6*dia+1):(7*dia+timedelay);
serieevalacion7 = (6*dia+timedelay+1):(7*dia+timedelay);
TE7 = TS(1,serieevalacion7);
XS7 = XS(1,serieconocidas7);
TS7 = TS(1,serieconocidas7);
[XC7,XIO7,AIO7] = preparets(netc,XS7,{},TS7);
[Y7,XFC7,AFC7] = netc(XC7,XIO7,AIO7);
PRED7 = Y7;
PERF7 = perform(net,TE7,Y7);

%DIA 08

serieconocidas8 = (7*dia+1):(8*dia+timedelay);
serieapredecir8 = (7*dia+1):(8*dia+timedelay);
serieevalacion8 = (7*dia+timedelay+1):(8*dia+timedelay);
TE8 = TS(1,serieevalacion8);
XS8 = XS(1,serieconocidas8);
TS8 = TS(1,serieconocidas8);
[XC8,XIO8,AIO8] = preparets(netc,XS8,{},TS8);
[Y8,XFC8,AFC8] = netc(XC8,XIO8,AIO8);
PRED8 = Y8;
PERF8 = perform(net,TE8,Y8);

%DIA 09

serieconocidas9 = (8*dia+1):(9*dia+timedelay);
serieapredecir9 = (8*dia+1):(9*dia+timedelay);
serieevalacion9 = (8*dia+timedelay+1):(9*dia+timedelay);
TE9 = TS(1,serieevalacion9);
XS9 = XS(1,serieconocidas9);
TS9 = TS(1,serieconocidas9);
[XC9,XIO9,AIO9] = preparets(netc,XS9,{},TS9);
[Y9,XFC9,AFC9] = netc(XC9,XIO9,AIO9);
PRED9 = Y9;
PERF9 = perform(net,TE9,Y9);

%DIA 10

serieconocidas10 = (9*dia+1):(10*dia+timedelay);
serieapredecir10 = (9*dia+1):(10*dia+timedelay);
serieevalacion10 = (9*dia+timedelay+1):(10*dia+timedelay);
TE10 = TS(1,serieevalacion10);
XS10 = XS(1,serieconocidas10);

152
TS10 = TS(1,serieconocidas10);
[XC10,XIO10,AIO10] = preparets(netc,XS10,{},TS10);
[Y10,XFC10,AFC10] = netc(XC10,XIO10,AIO10);
PRED10 = Y10;
PERF10 = perform(net,TE10,Y10);

%DIA 11

serieconocidas11 = (10*dia+1):(11*dia+timedelay);
serieapredecir11 = (10*dia+1):(11*dia+timedelay);
serieevalacion11 = (10*dia+timedelay+1):(11*dia+timedelay);
TE11 = TS(1,serieevalacion11);
XS11 = XS(1,serieconocidas11);
TS11 = TS(1,serieconocidas11);
[XC11,XIO11,AIO11] = preparets(netc,XS11,{},TS11);
[Y11,XFC11,AFC11] = netc(XC11,XIO11,AIO11);
PRED11 = Y11;
PERF11 = perform(net,TE11,Y11);

%DIA 12

serieconocidas12 = (11*dia+1):(12*dia+timedelay);
serieapredecir12 = (11*dia+1):(12*dia+timedelay);
serieevalacion12 = (11*dia+timedelay+1):(12*dia+timedelay);
TE12 = TS(1,serieevalacion12);
XS12 = XS(1,serieconocidas12);
TS12 = TS(1,serieconocidas12);
[XC12,XIO12,AIO12] = preparets(netc,XS12,{},TS12);
[Y12,XFC12,AFC12] = netc(XC12,XIO12,AIO12);
PRED12 = Y12;
PERF12 = perform(net,TE12,Y12);

%DIA 13

serieconocidas13 = (12*dia+1):(13*dia+timedelay);
serieapredecir13 = (12*dia+1):(13*dia+timedelay);
serieevalacion13 = (12*dia+timedelay+1):(13*dia+timedelay);
TE13 = TS(1,serieevalacion13);
XS13 = XS(1,serieconocidas13);
TS13 = TS(1,serieconocidas13);
[XC13,XIO13,AIO13] = preparets(netc,XS13,{},TS13);
[Y13,XFC13,AFC13] = netc(XC13,XIO13,AIO13);
PRED13 = Y13;
PERF13 = perform(net,TE13,Y13);

%DIA 14

serieconocidas14 = (13*dia+1):(14*dia+timedelay);
serieapredecir14 = (13*dia+1):(14*dia+timedelay);
serieevalacion14 = (13*dia+timedelay+1):(14*dia+timedelay);
TE14 = TS(1,serieevalacion14);
XS14 = XS(1,serieconocidas14);
TS14 = TS(1,serieconocidas14);
[XC14,XIO14,AIO14] = preparets(netc,XS14,{},TS14);
[Y14,XFC14,AFC14] = netc(XC14,XIO14,AIO14);
PRED14 = Y14;
PERF14 = perform(net,TE14,Y14);

153
%DIA 15

serieconocidas15 = (14*dia+1):(15*dia+timedelay);
serieapredecir15 = (14*dia+1):(15*dia+timedelay);
serieevalacion15 = (14*dia+timedelay+1):(15*dia+timedelay);
TE15 = TS(1,serieevalacion15);
XS15 = XS(1,serieconocidas15);
TS15 = TS(1,serieconocidas15);
[XC15,XIO15,AIO15] = preparets(netc,XS15,{},TS15);
[Y15,XFC15,AFC15] = netc(XC15,XIO15,AIO15);
PRED15 = Y15;
PERF15 = perform(net,TE15,Y15);

%DIA 16

serieconocidas16 = (15*dia+1):(16*dia+timedelay);
serieapredecir16 = (15*dia+1):(16*dia+timedelay);
serieevalacion16 = (15*dia+timedelay+1):(16*dia+timedelay);
TE16 = TS(1,serieevalacion16);
XS16 = XS(1,serieconocidas16);
TS16 = TS(1,serieconocidas16);
[XC16,XIO16,AIO16] = preparets(netc,XS16,{},TS16);
[Y16,XFC16,AFC16] = netc(XC16,XIO16,AIO16);
PRED16 = Y16;
PERF16 = perform(net,TE16,Y16);

%DIA 17

serieconocidas17 = (16*dia+1):(17*dia+timedelay);
serieapredecir17 = (16*dia+1):(17*dia+timedelay);
serieevalacion17 = (16*dia+timedelay+1):(17*dia+timedelay);
TE17 = TS(1,serieevalacion17);
XS17 = XS(1,serieconocidas17);
TS17 = TS(1,serieconocidas17);
[XC17,XIO17,AIO17] = preparets(netc,XS17,{},TS17);
[Y17,XFC17,AFC17] = netc(XC17,XIO17,AIO17);
PRED17 = Y17;
PERF17 = perform(net,TE17,Y17);

%DIA 18

serieconocidas18 = (17*dia+1):(18*dia+timedelay);
serieapredecir18 = (17*dia+1):(18*dia+timedelay);
serieevalacion18 = (17*dia+timedelay+1):(18*dia+timedelay);
TE18 = TS(1,serieevalacion18);
XS18 = XS(1,serieconocidas18);
TS18 = TS(1,serieconocidas18);
[XC18,XIO18,AIO18] = preparets(netc,XS18,{},TS18);
[Y18,XFC18,AFC18] = netc(XC18,XIO18,AIO18);
PRED18 = Y18;
PERF18 = perform(net,TE18,Y18);

%DIA 19

serieconocidas19 = (18*dia+1):(19*dia+timedelay);
serieapredecir19 = (18*dia+1):(19*dia+timedelay);
serieevalacion19 = (18*dia+timedelay+1):(19*dia+timedelay);

154
TE19 = TS(1,serieevalacion19);
XS19 = XS(1,serieconocidas19);
TS19 = TS(1,serieconocidas19);
[XC19,XIO19,AIO19] = preparets(netc,XS19,{},TS19);
[Y19,XFC19,AFC19] = netc(XC19,XIO19,AIO19);
PRED19 = Y19;
PERF19 = perform(net,TE19,Y19);

%DIA 20

serieconocidas20 = (19*dia+1):(20*dia+timedelay);
serieapredecir20 = (19*dia+1):(20*dia+timedelay);
serieevalacion20 = (19*dia+timedelay+1):(20*dia+timedelay);
TE20 = TS(1,serieevalacion20);
XS20 = XS(1,serieconocidas20);
TS20 = TS(1,serieconocidas20);
[XC20,XIO20,AIO20] = preparets(netc,XS20,{},TS20);
[Y20,XFC20,AFC20] = netc(XC20,XIO20,AIO20);
PRED20 = Y20;
PERF20 = perform(net,TE20,Y20);

%DIA 21

serieconocidas21 = (20*dia+1):(21*dia+timedelay);
serieapredecir21 = (20*dia+1):(21*dia+timedelay);
serieevalacion21 = (20*dia+timedelay+1):(21*dia+timedelay);
TE21 = TS(1,serieevalacion21);
XS21 = XS(1,serieconocidas21);
TS21 = TS(1,serieconocidas21);
[XC21,XIO21,AIO21] = preparets(netc,XS21,{},TS21);
[Y21,XFC21,AFC21] = netc(XC21,XIO21,AIO21);
PRED21 = Y21;
PERF21 = perform(net,TE21,Y21);

%DIA 22

serieconocidas22 = (21*dia+1):(22*dia+timedelay);
serieapredecir22 = (21*dia+1):(22*dia+timedelay);
serieevalacion22 = (21*dia+timedelay+1):(22*dia+timedelay);
TE22 = TS(1,serieevalacion22);
XS22 = XS(1,serieconocidas22);
TS22 = TS(1,serieconocidas22);
[XC22,XIO22,AIO22] = preparets(netc,XS22,{},TS22);
[Y22,XFC22,AFC22] = netc(XC22,XIO22,AIO22);
PRED22 = Y22;
PERF22 = perform(net,TE22,Y22);

%DIA 23

serieconocidas23 = (22*dia+1):(23*dia+timedelay);
serieapredecir23 = (22*dia+1):(23*dia+timedelay);
serieevalacion23 = (22*dia+timedelay+1):(23*dia+timedelay);
TE23 = TS(1,serieevalacion23);
XS23 = XS(1,serieconocidas23);
TS23 = TS(1,serieconocidas23);
[XC23,XIO23,AIO23] = preparets(netc,XS23,{},TS23);
[Y23,XFC23,AFC23] = netc(XC23,XIO23,AIO23);

155
PRED23 = Y23;
PERF23 = perform(net,TE23,Y23);

%DIA 24

serieconocidas24 = (23*dia+1):(24*dia+timedelay);
serieapredecir24 = (23*dia+1):(24*dia+timedelay);
serieevalacion24 = (23*dia+timedelay+1):(24*dia+timedelay);
TE24 = TS(1,serieevalacion24);
XS24 = XS(1,serieconocidas24);
TS24 = TS(1,serieconocidas24);
[XC24,XIO24,AIO24] = preparets(netc,XS24,{},TS24);
[Y24,XFC24,AFC24] = netc(XC24,XIO24,AIO24);
PRED24 = Y24;
PERF24 = perform(net,TE24,Y24);

%DIA 25

serieconocidas25 = (24*dia+1):(25*dia+timedelay);
serieapredecir25 = (24*dia+1):(25*dia+timedelay);
serieevalacion25 = (24*dia+timedelay+1):(25*dia+timedelay);
TE25 = TS(1,serieevalacion25);
XS25 = XS(1,serieconocidas25);
TS25 = TS(1,serieconocidas25);
[XC25,XIO25,AIO25] = preparets(netc,XS25,{},TS25);
[Y25,XFC25,AFC25] = netc(XC25,XIO25,AIO25);
PRED25 = Y25;
PERF25 = perform(net,TE25,Y25);

%DIA 26

serieconocidas26 = (25*dia+1):(26*dia+timedelay);
serieapredecir26 = (25*dia+1):(26*dia+timedelay);
serieevalacion26 = (25*dia+timedelay+1):(26*dia+timedelay);
TE26 = TS(1,serieevalacion26);
XS26 = XS(1,serieconocidas26);
TS26 = TS(1,serieconocidas26);
[XC26,XIO26,AIO26] = preparets(netc,XS26,{},TS26);
[Y26,XFC26,AFC26] = netc(XC26,XIO26,AIO26);
PRED26 = Y26;
PERF26 = perform(net,TE26,Y26);

%DIA 27

serieconocidas27 = (26*dia+1):(27*dia+timedelay);
serieapredecir27 = (26*dia+1):(27*dia+timedelay);
serieevalacion27 = (26*dia+timedelay+1):(27*dia+timedelay);
TE27 = TS(1,serieevalacion27);
XS27 = XS(1,serieconocidas27);
TS27 = TS(1,serieconocidas27);
[XC27,XIO27,AIO27] = preparets(netc,XS27,{},TS27);
[Y27,XFC27,AFC27] = netc(XC27,XIO27,AIO27);
PRED27 = Y27;
PERF27 = perform(net,TE27,Y27);

%DIA 28

156
serieconocidas28 = (27*dia+1):(28*dia+timedelay);
serieapredecir28 = (27*dia+1):(28*dia+timedelay);
serieevalacion28 = (27*dia+timedelay+1):(28*dia+timedelay);
TE28 = TS(1,serieevalacion28);
XS28 = XS(1,serieconocidas28);
TS28 = TS(1,serieconocidas28);
[XC28,XIO28,AIO28] = preparets(netc,XS28,{},TS28);
[Y28,XFC28,AFC28] = netc(XC28,XIO28,AIO28);
PRED28 = Y28;
PERF28 = perform(net,TE28,Y28);

%DIA 29

serieconocidas29 = (28*dia+1):(29*dia+timedelay);
serieapredecir29 = (28*dia+1):(29*dia+timedelay);
serieevalacion29 = (28*dia+timedelay+1):(29*dia+timedelay);
TE29 = TS(1,serieevalacion29);
XS29 = XS(1,serieconocidas29);
TS29 = TS(1,serieconocidas29);
[XC29,XIO29,AIO29] = preparets(netc,XS29,{},TS29);
[Y29,XFC29,AFC29] = netc(XC29,XIO29,AIO29);
PRED29 = Y29;
PERF29 = perform(net,TE29,Y29);

%DIA 30

serieconocidas30 = (29*dia+1):(30*dia+timedelay);
serieapredecir30 = (29*dia+1):(30*dia+timedelay);
serieevalacion30 = (29*dia+timedelay+1):(30*dia+timedelay);
TE30 = TS(1,serieevalacion30);
XS30 = XS(1,serieconocidas30);
TS30 = TS(1,serieconocidas30);
[XC30,XIO30,AIO30] = preparets(netc,XS30,{},TS30);
[Y30,XFC30,AFC30] = netc(XC30,XIO30,AIO30);
PRED30 = Y30;
PERF30 = perform(net,TE30,Y30);

%DIA 31
serieconocidas31 = (30*dia-timedelay+1):(31*dia);
serieapredecir31 = (30*dia-timedelay+1):(31*dia);
serieevalacion31 = (30*dia+1):(31*dia);
TE31 = TS(1,serieevalacion31);
XS31 = XS(1,serieconocidas31);
TS31 = TS(1,serieconocidas31);
[XC31,XIO31,AIO31] = preparets(netc,XS31,{},TS31);
[Y31,XFC31,AFC31] = netc(XC31,XIO31,AIO31);
PRED31 = Y31;
PERF31 = perform(net,TE31,Y31);

% PREDICCIÓN DE VIENTO MENSUAL

PREDMES = [PRED1,PRED2,PRED3,PRED4,PRED5,PRED6,PRED7,PRED8,PRED9,PRED10,...
PRED11,PRED12,PRED13,PRED14,PRED15,PRED16,PRED17,PRED18,PRED19,PRED20,...
PRED21,PRED22,PRED23,PRED24,PRED25,PRED26,PRED27,PRED28,PRED29,PRED30,...
PRED31]';

157
% RENDIMIENTO DE LA RED DIARIO PARA UN MES

PERFMES = [PERF1,PERF2,PERF3,PERF4,PERF5,PERF6,PERF7,PERF8,PERF9,PERF10,...
PERF11,PERF12,PERF13,PERF14,PERF15,PERF16,PERF17,PERF18,PERF19,PERF20, ...
PERF21,PERF22,PERF23,PERF24,PERF25,PERF26,PERF27,PERF28,PERF29,PERF30, ...
PERF31]';

PREDM=PREDMES';
PREDMCELL=cell2mat(PREDM);

% GRÁFICAS

% % SALIDAS DESEADAS VS PREDECIDAS

TSS=TS';
nmesreal=size(TSS,1);
seriesdatamesreal=1:nmesreal;
figure(1)
plot(seriesdatamesreal,SS,'-k','linewidth',1)
title('Velocidad de viento Noviembre','FontSize',14);
xlabel('Tiempo (horas)','FontSize',12)
ylabel('Velocidad de viento (m/s)','FontSize',12)
hold
plot(seriesdatamesreal,PREDMCELL,'-r','linewidth',1)
legend('Datos deseados','Datos predecidos')
nmax=max(SS);
nmin=min(SS);
axis([0 nmesreal (nmin-1) (nmax+1)])
ndias=nmesreal/24;
ndiario=0:ndias;
seriediario=dia*ndiario;
xticks([seriediario])
grid on

% % ANÁLISIS DE ERROR

figure(2)
plotresponse(TS,PREDM)

158
Anexo 7. Guía para el uso de las RNAs y predicción de velocidad de viento.

1. Se descomprime el archivo tipo DATACEV.rar y se pega la carpeta DATACEV en Disco local (C:).

2. La carpeta DATACEV contiene tres carpetas: NETWORKVALIDATION (contiene las RNAs por cada
mes), SCRIPTS (contiene el código de simulación de la RNA), SIMULATIONDATA (contiene el archivo
DATASET.xlsx donde se ingresa las variables de entrada).

3. Se inicia el software Matlab, luego se abre la carpeta de SCRIPTS, seleccionamos el archivo

SIMULATIONSCRIPT.m

159
4. El en archivo de la carpeta SIMULATIONDATA, abrimos el documento DATASET.xlsx, en la columna
ANIO ingresamos el año en el cual se va realizar la predicción, en la columna DIA ingresamos el día
a predecir poniendo en los dos últimos datos el día anterior, en la columna de HORA ingresamos las
horas a predecir, las dos últimas que se indican corresponden al día siguiente y en la variable WIND
ponemos los dos últimos valores de viento correspondientes al día anterior. Se debe presionar el botón
de guardar.

5. Desmarcamos el % para indicar la ruta donde se encuentra la RNA, la ruta indica el nombre
de la RNA que queremos utilizar y de damos correr.

160
6. Este proceso me muestra la gráfica de velocidad de viento y me genera en el workspace el
archivo PREDICCION en formato cell.

7. Copiamos los datos de PREDICCION y pegamos en la columna de color verde, la columna de

POTENCIA PREDICHA indica la potencia activa usando la curva de potencia normalizada obtenida
de método de bines, la columna de ENERGIA GENERADA indica la energía generada. De este
proceso también se obtiene las gráficas de potencia y energía generada.

161
162
Anexo 8. Redes neuronales artificiales entrenadas y validadas.

Formato Digital

163