Minchala Ávila, Luis IsmaelAstudillo Calle, Jorge Eduardo2025-11-252025-11-252025-11-18https://dspace.ucuenca.edu.ec/handle/123456789/47802Este trabajo presenta un modelo híbrido avanzado para la predicción de la generación de ener-gía eólica, que combina técnicas de ingeniería de características, análisis de estacionalidad y descomposición de señales. Inicialmente, se realiza un estudio exhaustivo de la estacionalidad anual, mensual y diaria mediante funciones seno y coseno, que permiten capturar de forma efectiva los patrones cíclicos regulares. Sin embargo, al analizar la señal completa de genera-ción en un horizonte extendido, se evidencia que esta no es completamente estacionaria. Para abordar esta característica no lineal y no estacionaria, se implementa la técnica CEEMDAN (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise), que descompone la señal en componentes (IMFs) en distintas escalas temporales. Esta descomposición permite al modelo LSTM especializado enfocarse en aprender dinámicas específicas de alta y baja fre-cuencia de manera independiente. La validación se realiza con los datos operativos del parque eólico Huascachaca; en la etapa de validación se emplea TSCV para la sintonía y el método rolling origin para la evaluación final, utilizando métricas en unidades físicas. En conjunto, el modelo obtiene valores de RMSE entre 546 y 680 kW, y un R2 entre 0,74 y 0,80 para un horizonte de predicción de 48 horas, demostrando la efectividad del enfoque propuesto en aplicaciones reales de pronóstico energético.This work presents an advanced hybrid model for wind power generation forecasting that inte-grates feature engineering, seasonality analysis, and signal decomposition techniques. Initially, an exhaustive study of annual, monthly, and daily seasonality is carried out using sine and co-sine functions, which effectively capture regular cyclic patterns. However, when analyzing the complete wind power generation signal over an extended horizon, it becomes evident that it is not fully stationary. To address this nonlinear and non-stationary behavior, the CEEMDAN (Complete Ensemble Empirical Mode Decomposition with Adaptive Noise) technique is imple-mented, decomposing the signal into Intrinsic Mode Functions (IMFs) at different temporal sca-les. This decomposition allows the specialized LSTM model to focus on learning specific high-and low-frequency dynamics independently. Validation is performed using operational data from the Huascachaca wind farm; the tuning stage employs time-series cross-validation (TSCV ), and the final evaluation uses a rolling-origin scheme with metrics expressed in physical units. Overall, the model achieves RMSE values between 546 and 680 kW and an R2 between 0.74 and 0.80 for a 48-hour forecasting horizon, demonstrating the effectiveness of the proposed approach in real-world energy forecasting applications.212 páginasspahttps://creativecommons.org/licenses/by-nc/4.0Ingeniería EléctricaPronóstico eólicoValidación cruzadaImputación sarimaIngeniería EléctricamasterThesisopenAccess