- Antecedentes
- Diseño de dos turbinas eólicas de eje vertical
- Diseño y prototipado de las turbinas con impresión 3D
- Diseño y prototipado del sistema de medición de variables del aerogenerador
- Análisis de resultados
- Conclusiones
11/5/2025
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
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.
Variable | Fuente | Aplicación |
---|---|---|
Densidad del aire (ρ) | Temp., Presión | Mejora modelo de potencia |
Aceleración angular | Velocidad del eje | Dinámica del sistema |
Potencia mecánica | Inercia, aceleración | Evaluación de eficiencia |
Coeficiente de potencia | Potencia salida vs Potencia entrada | Diagnóstico diario/mensual |
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.
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.
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.
Amazon QuickSight
Servicio nativo de AWS para BI (Business Intelligence).
Conecta directamente a RDS (sin mover los datos).
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.
Amazon SageMaker
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.
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.
Amazon S3
Puedes copiar tus datos desde RDS para análisis offline o backup.
Compatible con muchos servicios analíticos como Athena, Glue, EMR, SageMaker.
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.