Ciencia y Sociedad, Vol. 35, No. 3 Julio-Septiembre 2010: p.439-481, • ISSN: 0378-7680 (impresa) • ISSN: 2613-8751 (en línea) • Sitio web: https://revistas.intec.edu.do/

INTENSIDAD DE LOS VIENTOS EN LAS SALINAS, BANÍ

Wind intensity in Las Salinas, Baní

DOI: http://dx.doi.org/10.22206/cys.2010.v35i3.pp439-481

* Área de Ciencias Básicas y Ambientales, Instituto Tecnológico de Santo Domingo ( INTEC), República Dominicana. Email: jscott@intec.edu.do

**Área de Ciencias Básicas y Ambientales, Instituto Tecnológico de Santo Domingo (INTEC), República Dominicana. Email: mcampu@intec.edu.do

Recibido: Aprobado:

INTEC Jurnals - Open Access

Cómo citar:Scott, J., & Campusano, M. (2010). Intensidad de los vientos en Las Salinas, Baní. Ciencia y Sociedad, 35(3), 439-481. doi: https://doi.org/10.22206/cys.2010.v35i3.pp439-481

Resumen

La combinación de varias características del viento ayudan a determinar el potencial eólico en una zona determinada. Factores tales como la velocidad promedio anual y mensual del viento y los patrones de viento diurnos y nocturno influyen en la decisión de seleccionar un área para un proyecto eólico. En general, si la velocidad promedio del viento es de 7 m/s o más a la altura de la turbina, el recurso eólico de tales zonas es adecuado para la instalación de parques eólicos que vayan conectados a la red. Algunas zonas con velocidad promedio anual de los vientos entre 6 y 7 m/s pueden ser adecuadas también para la conexión a la red. En las zonas en donde la velocidad promedio anual de los vientos oscila entre 5 y 6 m/s, procede desarrollar aplicaciones rurales de aprovechamiento del recurso eólico. En este artículo se presentan los resultados de las mediciones de los vientos en la zona de Las Salinas de Baní, República Dominicana.


Palabras clave:

Vientos, energía eólica, Salinas Baní, turbinas, anemómetros.

Abstract

given area. Factors such as average monthly and annnual speed and wind patterns for the day and for the night, influence in the decision to select an area for a wind project. In general, if the average wind speed is 7 m / s or more at the height of the turbine, the wind resource areas are suitable for the installation of wind farms to be connected to the electric network. Some areas with average annual speed of winds between 6 and 7 m / s may be suitable also for network connection. In areas where the average speed of winds ranges between 5 and 6 m / s, it can be developed as a rural individual resource. This article presents the results of measurements of winds in the area of Las Salinas de Bani, Dominican Republic. The content of this work may be the basis for thinking about building turbines in that area, towards the attainment of electric power.


Keywords:

Wind, wind energy, Salinas Baní, turbines, anemometers.

Control de Calidad

a. Tema

Intensidad de los Vientos en Las Salinas, Baní.

Objetivos

• Generales

o Determinar el potencial eólico en la zona de Las Salinas, Baní.

• Específicos

o Determinar la distribución de probabilidad de la intensidad de los vientos.

o Calcular los parámetros de la distribución de probabilidades.

o Determinar la densidad de la potencia de la energía eólica en la zona estudiada.

o Calcular la variación de la velocidad horizontal de los vientos con la altura.0

b. Introducción

La zona de Las Salinas, Baní, está ubicada en la costa sur de la República Dominicana en una especie de península que se encuentra bien expuesta a los vientos del mar que, por lo general, soplan del este. (Ver Atlas).

Ubicación Geográfica

La torre de medición con los tres anemómetros se encuentra localizada en el punto geográfico cuyas coordenadas escribimos a continuación:

18°, 13.620 N
70°, 32.901 W
30 m de altura sobre el nivel del mar

y a unos 10 m de la costa, en Las Salinas, Baní.

c. Estadística Descriptiva

• Muestras Aleatorias IID

Utilizamos un conjunto de muestras tomadas aleatoriamente, por un anemómetro, que representan las diferentes velocidades de los vientos en la zona de estudio: Las Salinas, Baní.

Tamaño de la muestra
n = 32, 027 datos

• Tabla de Frecuencias

La tabla de frecuencias es una técnica para estudiar los conjuntos numéricos en grupos o clases, especificando las características de interés.

A continuación se presenta la tabla de frecuencias para la muestra de velocidades:

Cálculo del Número de Clases:

N = 1 + 3.322 Log n, donde n es el tamaño de la muestra

N = 1 + 3.322 Log (32,027) = 15.97 = 16

Longitud de la Clase:

L = (Valor Mayor ‐ Valor Menor) / Numero de Clases.

L = (18.71 ‐ 0) / 16 = 1.17

• Medidas de Tendencia Central

• Media

La media representa el promedio del conjunto de datos. Se define como la suma de los valores observados dividido entre el tamaño de la muestra.

Para datos agrupados en clases se define como:

Ex =xf x=6.1911

• Moda

La moda es el valor de la variable que presenta mayor frecuencia absoluta. Puede haber más de una. Cuando los datos están agrupados en clases se puede tomar la marca de clase o utilizar la fórmula siguiente:

M0=Linf+d1d1+d2=0

Donde:

Linf = límite inferior de la clase modal

= amplitud del intervalo

d1 = diferencia entre fi de la clase modal y la fi de la clase anterior

d2 = diferencia entre fi de la clase modal y la fi de la clase posterior

• Mediana

La mediana es el valor de la variable tal que el número de observaciones menores que él es igual al número de observaciones mayores que él.

Cuando los datos están agrupados, la mediana viene dada por el primer valor de la variable cuya Fi excede a la mitad del número de datos. Si la mitad del número de datos coincide con Fi se tomará la semisuma entre este valor y el siguiente.

Cuando los datos estén agrupados en clases se puede utilizar reglas de tres o la fórmula:

Md=Li+n2-facumi-1fmediana=5.92

Donde:

Md = Mediana.

Li = Limite inferior o frontera inferior de donde se encuentra la mediana, la forma de calcularlo es a través de encontrar la posiciónn/2. En ocasiones el intervalo donde se encuentra la mediana se conoce como intervalo mediano.

n = Número de observaciones o frecuencia total.

facumi-1= Frecuencia acumulada anterior al intervalo mediano.

fmediana= Frecuencia del intervalo mediano.

A = Amplitud del intervalo en el que se encuentra la mediana.

• Medidas de Variabilidad / Disposición

• Varianza y Desviación Estándar

Varianza:

Es la sumatoria del margen de la clase al cuadrado por la frecuencia relativa, menos la media al cuadrado.

Varxx2fx-Ex2=11.1525m2  /s2

Desviación Estándar:

Es la raíz cuadrada positiva de la varianza.

d.e.x=varx=3.34m/s

• Recorrido Interdecil

Indica la dispersión de las observaciones con valores entre los percentiles de 0.9 menos el de 0.1.

Recorrido Interdecil

= P0.9 - P0.1
= 10.870 - 2.050
= 8.820 m/s

• Recorrido Intercuartil

Refleja la variabilidad de las observaciones comprendida entre los percentiles 0.75 y 0.25.

Recorrido Intercuartil

= P0.75- P0.25
= 8.730- 3.430
= 5.300 m/s

• Gráficas

• Histograma

• Polígono de Frecuencia

• Diagrama de caja y extensión

Este gráfico resume información tanto de localización como de dispersión y utiliza, para ello los datos del mínimo, los tres cuartiles y el máximo.

Utilizando los cuartiles obtenidos de la muestra:

• Formulación de las Hipótesis

•Distribución de Probabilidades
H0: X posee una distribución Normal

H1: X no posee una distribución Normal

Parámetros

Si nuestra muestra de datos responde a una distribución de probabilidad Normal, los parámetros a estimar serán μ y σ.

• Distribución de Probabilidades

H0: X posee una distribución Weibull.

H1: X no posee una distribución Weibull. Parámetros

Parámetros

Si nuestra muestra de datos responden a una distribución de probabilidad Weibull, los parámetros a estimar serán α y θ.

• Estadística Inferencial

Prueba de Hipótesis Chi‐Cuadrada

Esta prueba se utiliza para determinar si una población tiene una distribución teórica específica. Se basa en qué tan buen ajuste tenemos entre la frecuencia de ocurrencia de las observaciones de una muestra obtenida y las frecuencias esperadas que se obtienen a partir de la distribución hipotética.

• Hipótesis a probar:

H0: X posee una distribución Normal.

H1: X no posee una distribución Normal

H1: X no posee una distribución Normal

Utilizando la tabla de frecuencias y aplicando el método Chi‐Cuadrado:

x2= k i=1θ-ei2ei



Según podemos observar, el valor de x2 es 2,119.13, mientras que el percentil x2 con un intervalo de confianza de 99% y con grado de libertad – 1 = 15, tenemos que x2 0.99, 15 es igual a 30.5780.

Conclusión: Se rechaza la hipótesis nula, ya que χ2>χ2 1-a, k-1 por lo tanto la muestra no está normalmente distribuida.

• Hipótesis a probar:

H0: X posee una distribución Weibull.

H1: X no posee una distribución Weibull

Utilizando la tabla de frecuencias y aplicando el método Chi‐Cuadrado:

x2= k i=1θ-ei2ei



Según podemos observar, el valor de x2 es 1,524.42, mientras que el percentil x2 con un intervalo de confianza de 99% y con grado de libertad k ‐ 1 = 15, tenemos que 2 0.99, 15 es igual a 30.5780.

Conclusión: Se rechaza la hipótesis nula, ya que χ2>χ2 1-α, k-1 por lo tanto la muestra no posee una distribución Weibull.

Distribución de la población

A pesar de los resultados arrojados por la prueba Chi‐Cuadrada, hemos decidido asumir que la población posee una Distribución Weibull, ya que de las dos pruebas realizadas es la que tiene el menor grado de error.

• Estimación de Parámetros

Dado que nuestra muestra corresponde a una población de distribución de probabilidad Weibull, los parámetros a estimar serán α y θ.

• Método de Máxima Verosimilitud

La función de densidad correspondiente será:

                                                              fx:a,θ=αθαXα-1e-Xθα

PRIMER PASO:

                                                              Lfx =fx1 fx2...fxn Lfx=αθαX1α-1e-X1θα α·θαX2α-1e-X2θα ...αθαXnα-1e-XnθαLfx=αθαn ni=1X α-1e-1θαni=1Xiα         

SEGUNDO PASO:
ln Lfx=nln α-αln θ +α-1ln ni=1Xi-1θαni=1Xiα

Ya que necesitamos estimar dos parámetros, debemos derivar la expresión anterior respecto a cada parámetro, igualar a cero cada ecuación y resolver el sistema de ecuaciones para cada variable.

θln Lfx=-naθ+αni=1Xiαθα+1=0

αln Lfx=nα-n ln θ+lnni=1Xi-ni=1Xiαln(ni=1Xi)-ln θθα=0

Debido a la complejidad de este sistema de ecuaciones, utilizamos el Solver de Microsoft Excel, el cual realiza una serie de iteraciones hasta encontrar los valores de α y θ que satisfacen ambas ecuaciones; el resultado arrojado por el programa es que este sistema no es consistente, es decir, que no existen valores de los parámetros que simultáneamente hagan cero las ecuaciones. Por lo tanto, se descarta este método para estimar los parámetros de esta distribución.

• Método de los momentos

La función de densidad correspondiente será:

                                                    fx,α,θ=αθαX α-1e-Xθα                                               EX=i=1nXin                            X*FXdx=i=1nXin   0XαθαXα-1e-Xθαdx=i=1nXinαθα  0XαeXθαdx=i=1nXin  0U1αe-Udu=i=1nXinθΓ1α+1=i=1nXin

U=Xθα                 U=Xθ X=1Uαθ dX=1αU1α-1θdU

Γn+1=0Une-udU
VarX=i=1n(Xi-X)2n-1  X2*FXdx=i=1n(Xi-X)2n-1  0X2αθαXα-1e-Xθαdx=i=1n(Xi-X)2n-1  αθα0Xα+1e-Xθαdx=i=1n(Xi-X)2n-1θ20U2αe-udu=i=1n(Xi-X)2n-1θ2Γ2α+1-Γ21α+1=i=1n(Xi-X)2n-1

U=Xθα                 U1α=Xθ X=U1αθ dX=1αU1α-1θdU Γ(n+1)=0Une-udU

Estas son las ecuaciones resultantes:

θΓ1α+1=i=1nXinθ2Γ2α+1-Γ21α+1=i=1nXi-X2n-1

Como podemos apreciar este sistema de ecuaciones presenta cierta complejidad, por esta razón utilizamos el Solver de Microsoft Excel, el cual realiza una serie de iteraciones hasta encontrar los valores de y que satisfacen ambas ecuaciones.

Los valores de los parámetros son:

• Intervalos de confianza

Esperanza matemática de Weibull E(x)


P(E(x)<b)=1-α2b0αθαXα-1e-Xθαdx=1-α2αθαb0Xα-1e-Xθαdx=1-α2αθαbu1αθα-10e-u1αu1α-1θdu=1-α2b0e-udu=1-α21-e-bθα=1-α2lne-bθα=lnα2-bθα=lnα2 b21=0-lnα21α

1-α=0.99α=0.01α2=0.0051-α2=0.995pa<Ex<b=1-α pEx<b-pExa=1-α U=Xθα U1α=XθX=U1αθdX=1αU1α-1θdUb=16.5500

P(E(x)a)=1-α2 b0αθαXα-1e-Xθαdx=α2 αθαb0Xα-1e-Xθαdx=α2 αθαb0u1αθα-1e-u1αu1α-1θdu=α2 b0e-udu=α2 1-e-αθα=α2 lne-bθα=ln1-α2 -αθα=ln1-α2 α=θ-ln1-α21α

U=Xθα U1α=XθX=U1αθdX=1αU1α-1θdU   a=0.4499


Varianza de Weibull Var (x)

Los intervalos de confianza para la varianza de Weibull no pueden ser determinados, ya que no existe una función que defina la varianza cuando los datos responden a tal distribución.

• Prueba de hipótesis a los parámetros

H0: µ = 7 m/s .

H1: µ  7 m/s

Método del valor crítico Gráfica


P(X<C1/α=2,0=7)α2 C10αθαXα-1e-Xθαdx=α2 αθαC0Xα-1e-Xθαdx=α2 αθαC10u1αθα-1e-u1αu1α-1θdu=α2 C10e-udu=α2 1-e-C1θα=α2 lne-C1θα=ln1-α2 -C1θα=ln1-α2 C1=θ-ln1-α21α

U=Xθα U1α=XθX=U1αθdX=1αU1α-1θdU   C1=0.4956

 Cálculo de C2 P(X<C2/α=2,0=7)α2 P(X<C2/α=2,0=7)=1-α2 C20αθαXα-1e-Xθαdx=α2 αθαC20Xα-1e-Xθαdx=1-α2 αθαC20u1αθα-1e-u1αu1α-1θdu=1-α2 C20e-udu=1-α2 1-e-C2θα=α2 lne-C2θα=lnα2 -C2θα=lnα2 C2=θ-lnα21α

U=Xθα U1α=XθX=U1αθdX=1αU1α-1θdU   C2=16.1127

Conclusión: No se rechaza la hipótesis nula ya que C1 < E(x)< C2, por lo tanto la esperanza matemática de Weibull puede ser considerada 7 m/s.

Potencia de prueba

Probabilidad de rechazar la hipótesis nula cuando es falsa.

P=PX>C2/α=2,θ=7+P(X<C1/α=2,θ=7)P=C2αθαXα-1e-Xθαdx+c10αθαXα-1e-XθαdxP=-e-Xθα C2+-e-(Xθ)αC1 0=0.01

Error tipo II

Probabilidad de no rechazar la hipótesis nula cuando es falsa.

β=PC1<Ex<C2/α=2,θ=7β=PX<C2/α=2,θ=7-P(XC1/α=2,θ=7)β=0C2αθαXα-1e-Xθαdx+C10αθαXα-1e-Xθαdxβ=-e-XθαC2 0 +-e-XθαC1 0 =0.99

Conclusiones:

Luego de analizar las muestras por los diferentes métodos, concluimos lo siguiente:

• Distribución de probabilidades: Asumimos que los datos pertenecen a una Distribución Weibull, porque es la que presenta menor grado de error y por lo tanto un mejor ajuste, a pesar de que la prueba Chi-Cuadrada arrojó como resultado que no respondían a tal distribución.

• Parámetros: Por otro lado, los cálculos aplicados a los parámetros de la función de densidad de Weibull arrojaron los siguientes resultados:

α = 1.9314 θ = 6.9803

Ya que no se ha definido un procedimiento matemático para encontrar los intervalos de a y ., determinamos los intervalos de la esperanza matemática de Weibull:

0.4499 < E(x) < 16.5500

Y por último, formulamos la siguiente hipótesis, respecto a la media de los datos:

H0: μ = 7 m/s H1: μ  7 m/s

Comprobamos que no se rechaza la hipótesis nula y que por tanto la media puede ser considerada 7m/s.

II. Regresión y Correlación

Tema

Relación Funcional entre la Intensidad de los Vientos y la Hora del Día en Las Salinas, Baní.

Objetivos

• Modelo Matemático

Evaluaremos los siguientes modelos matemáticos, para determinar cual es el que mejor se ajusta a los datos, y así obtener una expresión que nos permita predecir la velocidad de los vientos a una determinada hora del día:

• Modelo Lineal

• Modelo Potencial

• Modelo Exponencial

• Modelo Crecimiento saturado

• Modelo Polinomial

• Análisis de Correlación

Mediremos la intensidad de la relación que existe entre la velocidad de los vientos y la hora del día en Las Salinas, Baní, por medio del coeficiente de correlación.

• Prueba de Hipótesis de los parámetros

Se realizaran dos pruebas de hipótesis al coeficiente de correlación:

1. Prueba T de Student

2. Prueba Z

Estadística Descriptiva

• Muestras Aleatorias IID

Para realizar los cálculos referentes a la regresión, agrupamos y promediamos los datos por horas. De ésta forma, tenemos la media de la velocidad del viento para cada hora del día.

En la muestra tomamos como variable independiente al tiempo (X) y como variable dependiente (Y) a la velocidad de los vientos.

• Diagrama de Dispersión

• Formulación de Hipótesis

               H0: Q = 0 (no hay correlación)               H1: Q > 0 (hay correlación)                              1  α  = 0.99                              α  = 0.01

Estadística Inferencial

• Análisis de Regresión y Correlación

• Modelo de Regresión Lineal


Coeficiente de Regresión:

b=XiYi-nXYXi2-nX2 
b=0.0061

Coeficiente Aditivo:

a=Y-bXn
a=6.1101

Ecuación de Regresión:

Y=a+bX
Y=6.1101+0.0061X

Coeficiente de Correlación:

r=bSxSy
r=0.6852

Coeficiente de Determinación:

r2=0.4695

Error estándar

Sx/y=(Yi-Y)2n-2=0.0392

Gráfica

• Modelo de Regresión Potencial


Coeficiente de Regresión:

 b=XY-XYnX2-nXn2
b=0.0007

Coeficiente Aditivo:

a=Y-bXn
a=6.0868 

Ecuación de Regresión:

Y=aXb
Y=6.0886X0.007

Coeficiente de Correlación:

r=bSxSy
r=0.6228

Coeficiente de Determinación:

r2=0.3879

Error estándar

Sx/y=(Yi-Y)2n-2=0.0421

Gráfica

• Modelo de Regresión Exponencial

Coeficiente de Regresión:

b=XY-XYnX2-nXn2 
b=0.0001

Coeficiente Aditivo:

a=Y-bXn 
a=6.1103

Ecuación de Regresión:

Y=aebX
Y=6.1103e0.001X

Coeficiente de Correlación:

r=bSxSy
r=0.6856

Coeficiente de Determinación:

r2=0.4700

Error estándar

Sx/y=(Yi-Y)2n-2=0.0393

Gráfica

• Modelo de Regresión Crecimiento Saturado


Coeficiente de Regresión:

Y=aXX+b 
Y=6.1896XX+0.0082

Coeficiente Aditivo:

a=Y-bXn
a=6.1896 

Ecuación de Regresión:

b=XY-XYnX2-nXn2 
b=0.0082X

Coeficiente de Correlación:

r=bSxSy
r=0.2011

Coeficiente de Determinación:

r2=0.0404

Error estándar

Sx/y=(Yi-Y)2n-2=0.0506

• Modelo de Regresión Polinomial de Orden 6

• Método de los mínimos cuadrados

         Y=a+bX + cX2 + dX3 +eX4+fX5 + gX6    (1)

Polinomio de orden 6

La ecuación (1) se introdujo en la función Q= k i=1Yi-Y2, la cual representa el error. Luego, derivando a Q respecto a cada coeficiente y simplificando las ecuaciones obtuvimos los siguientes resultados:

Yi-na-bX-cX2-dX3-eX4-fX5-gX6=0YiX-aX-bX2 -cX3 -dX4 -eX5 -fX6 -gX7=0YiX2-aX2-bX3-cX4-dX5-eX6-fX7-gX8=0YiX3-aX3-bX4-cX5-dX6-eX7-fX8-gX9=0YiX4-aX4-bX5-cX6-dX7-eX8-fX9-gX10=0YiX5-aX5-bX6-cX7-dX8-eX9-fX10-gX11=0YiX6-aX6-bX7-cX8-dX9-eX10-fX11-gX12=0

Debido a la complejidad que presenta este sistema ecuaciones, utilizamos la herramienta Solver de Microsoft Excel para encontrar los valores de los coeficientes, los resultados son los siguientes:


Ecuación de Regresión:

Y=6.1358 + (1.4650x102)X +(7.4057x103)X2 +(1.0951x103)X3 +(6.3497x105)X4 +(1.6484x106)X5 +(1.7101x108) X6

Coeficiente de Correlación:

r=0.9272 

Coeficiente de Determinación:

r2=0.8597

Error estándar

Sx/y=(Yi-Y)2n-2=0.0506

Seleccionamos el modelo polinomial de orden 6 porque es el que posee el menor error estándar (Sx/y= 0.0206). Y por tanto es el que logra el mejor ajuste de los datos.

• Prueba de Hipótesis al Coeficiente de Correlación

o Prueba t de student

H0: Q= 0     (no hay correlación)     1  α = 0.99

H1: Q> 0     (hay correlación)     α = 0.01

Método del Estadístico de Prueba:

Estadístico de Prueba:

t=rn-21-r2
t=11.6106

Percentil:

 t1-α,n-2=t0.99,22=2.8188

Conclusión:

Se rechaza la hipótesis nula, ya que t>t1-α,n-2 y por tanto concluimos que hay correlación entre las variables Hora (X) y Velocidad de los Vientos (Y).

o Prueba Z

H0: Q= 0.95
H1: Q> 0.95
1  α = 0.99
α = 0.01

Método del Estadístico de Prueba:

Estadístico de Prueba:

Z=n-32ln1+ρ01-r1-ρ01+r 
Z=0.8878 

Percentil:

Z1-α=Z0.99=2.3263

Conclusion:

No se rechaza la hipótesis nula, ya que Z>Z1-α y por tanto concluimos que el coeficiente de correlación (Q) es igual o menor que0.95.

Conclusiones

Después de efectuar los cálculos de regresión y correlación llegamos a las siguientes conclusiones:

• Modelo Matemático

El modelo matemático que más se ajusta a los datos es el modelo Polinomial de orden 6. Concluimos esto basándonos en el cálculo del error estándar.

Y=6.1358 + 1.4650x10-2X +-7.4057x10-3X2 +1.0951x10-3X3 +-6.3497x10-5X4+1.6484x10-6X5 +-1.7101x10-8 X6                                                             Sx/y=0.0206

•Intensidad de la Relación Funcional

Basándonos en las pruebas de hipótesis realizadas al coeficiente de correlación determinamos que existe una alta relación funcional entre las variables hora (X) y velocidad de los vientos (Y). Además, comprobamos que el coeficiente de correlación puede ser igual o menor que 0.95.

• Cálculo del Factor del Patrón de Energía

El factor del patrón de energía Ke, se puede calcular en función del parámetro de forma de la distribución de Weibull de la siguiente forma:

Ke=1/nVhora3/Vaño3

En donde n = 8760 es el número de horas en un año.

De la expresión:

                  σ = θ[ Γ ( 1 + 2/α ) - Γ2 ( 1 + 1/α ) ]

se deriva lo siguiente:

                 ( v3) = θ3 Γ - ( 1 + 3/α )                  ( v )3 = θ3 Γ3 ( 1 + 1/α )

y por tanto:

                Ke = [ Γ( 1 + 3/α ) ]/ Γ3( 1 + 1/α )                 Ke = 1.97

Estimación del Potencial de Energía Eólica

El tipo y la calidad de los datos de viento disponibles determinan el tipo de análisis a realizar y su precisión. Para obtener resultados con alrededor de un 95% de confiabilidad se requieren datos de velocidad, de presión atmosférica y de temperatura del aire.

Asumiendo que la velocidad del viento, la presión atmosférica y la temperatura del aire se miden simultáneamente para cada intervalo, la potencia por unidad de área perpendicular a la velocidad del viento se puede calcular según la fórmula siguiente:

P/A = ½ ρ v3

En donde el cociente: P/A es el potencia de la energía del viento y es la densidad del aire. La densidad del aire se puede calcular utilizando la siguiente ecuación:

ρ = 1.2929 ( Pr/760 )( 273/T )

En donde Pr es la presión atmosférica en mm de Hg y T es la temperatuyra del aire en grados Kelvin.

Si la velocidad y la densidad del aire se conocen, el potencial promedio de la energía del viento se puede estimar, para cualquier período de tiempo conveniente utilizando la siguiente formulación:

Pavg/A = [ 1/N Pi ] / AN = 1/N Σ 0.5 ρivi 3

En donde la sumatoria se efectúa a lo largo de todos los intervalos de tiempo N.

En el caso particular de los datos de que disponemos este cálculo resultó ser igual a:

Pavg/A = 152.42 W/m2

Utilizando los valores de velocidad de la tabla que se muestra a continuación y considerando la densidad del aire constante e igual a 1.29 Kg/m3.

Este potencial eólico se considera moderado y adecuado para aplicaciones rurales.

BIBLIOGRAFÍA

1. B.J. (1971), Statistical Principles in Experimental Design, 2nd Edition, McGraw‐Hill, New York.

2. Bucklew, J. A. (1990), Large Deviation Techniques in Decision, Simulation and Estimation, John Wiley & Sons, New York.

3. Canavos George E., (1987), Probabilidad y Estadística. Aplicaciones y Métodos, Mc Graw‐Hill, New York.

4. Elliot D.L, (1987), “Caribbean and Central American Wind Energy Assessment Proceedings”, Windpower ´87, American Wind Energy Association, October, 1987, pp. 160‐167.

5. Fergunson T.S., (1996), A course in Large Sample Theory, Chapman and Hall, London, New York.

6. Fishman G., (1996), Monte Carlo: concepts, algorithms and applications, Springer‐Verlag, New York.

7. Henessey J.P.Jr., “A Comparison of the Weibull and Rayleigh Distribution for Estimating Wind Power Potential”, Wind Engineering, Vol. 2, 1978, pp. 156‐164.

8. Justus C.G., Hargreaves W.R., Mikhail A., Graber D., (1978), “Methods for Estimating Wind Speed Frequency Distributions”, J. Appl. Met., Vol. 17, 1978, pp. 350‐353.

9. Neyman J., Scott E.L., (1948), “Consistent Estimates Based on Partially Consistent Obsevations”, Econometrica, 16, 1‐32

10. Sen P.K., Singer J.M., (1993), Large Sample Methods in Statistics, Chapman and Hall, London, New York.

11. Winer B.J., (1971), Statistical Principles in Experimental Design, 2nd Edition, Mc Graw‐Hill, New York.