1. Antecedentes
2. Diseño de dos turbinas eólicas de eje vertical
3. Diseño y prototipado de las turbinas con impresión 3D
4. Diseño y prototipado del sistema de medición de variables del aerogenerador
5. Análisis de resultados
6. Conclusiones

La fórmula para calcular la potencia eólica es:

\[ P = \frac{1}{2} C_p A \rho v^3 \]

donde:

• \(P\) es la potencia

• \(C_p\) es el coeficiente de potencia

• \(A\) es el área barrida por las aspas

• \(\rho\) es la densidad del aire

• \(v\) es la velocidad del viento

Es posible hallar una aproximación de la densidad del aire (\(\rho\)) a partir de la ley ideal de los gases de la siguiente forma:

\[ \rho = \frac{P}{QT} \]

donde:

-\(\rho\) es la densidad del aire

-\(P\) es la presión atmosférica (Pa)

-\(Q\) es la constante de gas específica para el aire

-\(T\) es la temperatura (K)

\[ P = \frac{1}{2} C_p A \frac{P}{QT} v^3 \]

-\(P\) es variable de acuerdo a condiciones atmosféricas

-\(T\) es variable de acuerdo a condiciones atmosféricas

-\(v\) es variable de acuerdo a condiciones atmosféricas

Se asume Cp variable

Cp = <= 59.3%

La eficiencia de extracción de energía del viento se define como:

\[ C_p = \frac{P_m}{P_w} = \frac{T \cdot \omega}{\frac{1}{2} \cdot \rho \cdot A \cdot v^3} \]

donde: - \(T\) es el torque en el eje (Nm)
- \(\omega\) es la velocidad angular (rad/s)
- \(\rho\) es la densidad del aire (kg/m³)
- \(A\) es el área barrida por las aspas (m²)
- \(v\) es la velocidad del viento (m/s)

\[ C_p = \frac{P_m}{P_w} = \frac{T \cdot \omega}{\frac{1}{2} \cdot \frac{P}{QT} \cdot A \cdot v^3} \]

Objetivo a corto plazo: caracterización precisa del recurso, EDA y eficiencia de la turbina.

Objetivo a mediano plazo: predecir la generación eléctrica futura.

Objetivo a largo plazo: integración progresiva de más turbinas y paneles solares → sistema híbrido predictivo y escalable.

• Visualizaciones y diagnóstico

• Mapas de calor de generación por hora/día.

• Gráficas de eficiencia vs densidad del aire (otras).

• Series de tiempo comparativas (predicción vs realidad).

• Dashboards interactivos con filtros por lote, fecha, clima.

Modelos Predictivos a Implementar

Nivel 1: Predicción del recurso Predicción de viento (ARIMA, LSTM, Prophet).

Predicción de irradiancia solar (modelos estacionales y de regresión).

Nivel 2: Predicción de generación eléctrica Regresión multivariable, Random Forest, redes neuronales.

Entradas: viento, presión, temperatura, irradiancia, hora.

Salida: potencia mecánica y eléctrica.

Implementación sistema de analítica en AWS

Origen de los datos: RDS (MySQL/PostgreSQL)

• Contiene datos históricos de IoT.

• Punto central de consulta para visualización y modelado.

• Puede conectarse con otros servicios usando credenciales gestionadas por AWS Secrets Manager.

Visualización y dashboards

Amazon QuickSight

• Servicio nativo de AWS para BI (Business Intelligence).

• Conecta directamente a RDS (sin mover los datos).

Permite crear:

• Gráficos de series de tiempo.

• Diagramas de correlación.

• Dashboards interactivos con filtros.

• Permite compartir visualizaciones vía web de forma segura.

• Escalable y con pago por uso.

Entrenamiento de modelos predictivos

Amazon SageMaker

Plataforma integral de ML

Se puede:

• Conectarte a RDS para extraer datos directamente.

• Entrenar modelos clásicos (regresión, Random Forest) y avanzados (XGBoost, LSTM, redes neuronales).

• Usar algoritmos propios o integrados de AWS.

• Evaluar y desplegar modelos como endpoints REST (API).

• Soporta notebooks Jupyter y gestión de pipelines de ML.

Preprocesamiento y análisis automático

AWS Glue

• Para crear jobs ETL (Extract, Transform, Load).

• Automatiza limpieza, transformación y preparación de datos.

• Puede programarse para ejecutar periódicamente (por ejemplo, una vez al día).

• Se conecta directamente a RDS y guarda resultados en S3, RDS o Redshift.

Almacenamiento intermedio (opcional)

Amazon S3

• Puedes copiar tus datos desde RDS para análisis offline o backup.

• Compatible con muchos servicios analíticos como Athena, Glue, EMR, SageMaker.

Opcional: análisis en tiempo real

Si en el futuro quieres hacer análisis en tiempo real (streaming), puedes incorporar:

• AWS IoT Core: para recibir datos en tiempo real.

• Amazon Kinesis o Kafka MSK: para procesar flujos de datos.

• Lambda o SageMaker para análisis y predicción en línea.