MEJORA DE LA DISPONIBILIDAD DE UN PARQUE EÓLICO UTILIZANDO EL MÉTODO SIX SIGMA. Del Alumno. Antoine Berte EL DIRECTOR DEL PROYECTO PDF

Autorizada la entrega del proyecto
MEJORA DE LA DISPONIBILIDAD DE UN PARQUE EÓLICO

UTILIZANDO EL MÉTODO SIX SIGMA
del alumno
Antoine Berte
EL DIRECTOR DEL PROYECTO
David Talaván Luque
Fdo.: …………………… Fecha: ……/ ……/ ……
Vº Bº del Coordinador de Proyectos
Álvaro Baíllo
Fdo.: …………………… Fecha: ……/ ……/ ……

UNIVERSIDAD PONTIFICIA COMILLAS
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI)
INGENIERO EN ORGANIZACIÓN INDUSTRIAL
PROYECTO FIN DE CARRERA
MEJORA DE LA DISPONIBILIDAD DE UN
PARQUE EÓLICO UTILIZANDO EL
MÉTODO SIX SIGMA
ANTOINE BERTE
MADRID, Junio de 2005

Agradecimientos a David Talaván Luque, máximo
responsable de este proyecto, por su
profesionalidad y su trato de ingeniero a ingeniero.
Mejora de la disponibilidad de un parque eólico aplicando el método Six Sigma
ÍNDICE
1. INTRODUCCIÓN ........................................................................ 5
1.1. Motivación del proyecto ........................................................ 5
1.2. Objetivos del proyecto........................................................... 7
2. ¿QUÉ ES UN PARQUE EÓLICO? ................................................. 8
2.1. Aspectos técnicos .................................................................. 8
2.1.1. ¿De dónde viene la energía eólica? ................................... 8
2.1.2. ¿Cómo funciona un aerogenerador?................................ 14
2.1.3. El concepto de “disponibilidad” ....................................... 20
2.2. Aspectos referentes a la gestión del parque ...................... 22
2.2.1. El parque sometido al estudio.......................................... 26
3. EL METODO SEIS SIGMA......................................................... 28
3.1. Un poco de historia.............................................................. 28
3.2. La metodología de mejora................................................... 29
4. DESARROLLO DEL PROYECTO ................................................ 32
4.1. Definir .................................................................................. 32
4.2. Medir y Analizar ................................................................... 35
4.2.1. Datos de explotación del parque ..................................... 37
4.2.2. Causas de indisponibilidad............................................... 92
4.2.2.1. Mantenimientos correctivos ......................................... 92
4.2.2.1.1. Estudio de las paradas ............................................... 92
4.2.2.1.2. Estudio de las incidencias.........................................120
4.2.2.2. Mantenimientos preventivos .......................................146
4.2.3. Conclusiones Fase Medir y Analizar................................149
4.3. Mejorar................................................................................150
4.3.1. Propuestas de mejora .....................................................151
4.3.2. Acciones de mejora .........................................................152
4.4. Controlar .............................................................................165
5. CONCLUSIONES ...............................................................167
6. BIBLIOGRAFÍA .................................................................169
Antoine Romain Berte

Página 4 de 169
I.C.A.I-D.O.I.
1. INTRODUCCIÓN
1.1. Motivación del proyecto
La situación de las energías renovables en España es en el 2005 al
mismo tiempo esperanzadora y preocupante. Esperanzadora porque las
energías limpias suponen ya el 8% del origen de la producción de
electricidad, una parte modesta pero significativa que sólo hace diez
años hubiera sido considerada utópica de alcanzar. Preocupante porque
pese a tener todos los medios a nuestro alcance -recurso, tecnología,
industria, experiencia, etc.- existen una serie de obstáculos que pueden
impedir que se llegue en el 2010 al objetivo de un 12% de energía
primaria de origen renovable.
España es hoy la segunda potencia mundial en energía eólica y su

industria fotovoltaica compite también por el liderazgo mundial. Puede
que este sea uno de los escasos sectores de futuro en el que nuestro
país tenga una situación tan privilegiada. El pasado año 2004 las
energías renovables vertieron a la red 18.566 GWh, lo que supone un
7,9% de la generación total, y alcanzaron una potencia instalada de
8.177 MW (datos de la CNE) con un crecimiento respecto al año
anterior del 15 % en producción y del 27 % en potencia instalada. El
motor de este crecimiento fue si duda la eólica con un aumento de su
producción de 1.500 GWh hasta alcanzar los 11.650 GWh de
producción repartida a través de todo el territorio. El 72% de la energía
eólica instalada en 2004 en Europa correspondió a España y Alemania.
Por otra parte nuestra industria fotovoltaica siguió dando muestras de
su vigor y competitividad manteniéndose al frente de la producción de
placas solares en Europa.
Las energías renovables producen ya la electricidad que consumen

5.180.000 de personas, evitan la emisión de 17.771.000 de toneladas
de CO2 y evitan la importación de 1.650.000 toneladas equivalentes de
petróleo. El sector ha creado más de 20.000 puestos de trabajo
directos y más de 50.000 indirectos y las inversiones de los promotores
superan los 4.000 millones de Euros. Tenemos un sector renovable
sólido y competitivo. Y hasta aquí las buenas noticias. Cinco años
después de la aprobación del Plan de Fomento de las Energías
Renovables todo hace pensar que no se cumplirán los objetivos fijados
en el mismo para cada una de las tecnologías. Sólo la eólica parece
tener un crecimiento adecuado para llegar a esa meta, aunque
persisten ciertos problemas que amenazan el crecimiento sostenido que
ha tenido este sector.

Página 5 de 169
I.C.A.I-D.O.I.
Después de haber superado el escepticismo de muchos y

demostrado que es una tecnología con unas inmensas posibilidades, se
enfrenta ahora a nuevos problemas que tienen ya que ver seguramente
más con su éxito. En primer lugar cabe citar las incógnitas sobre la
retribución futura del kWh eólico. La bajada de la prima para el 2003 en
un 8 % fue un golpe a la confianza de promotores e instituciones
financieras sobre la evolución futura de dicha retribución. La medida
respondía a cierta idea muy extendida de que la eólica es un gran
negocio. Es posible que algunos parques, escogidos en su momento -
cuando nadie creía en esto- tengan una rentabilidad apreciable pero la
norma general del sector según el Estudio de Viabilidad Económica de
los Parques Eólicos elaborado por APPA (Asociación de Productores de
energías renovables) el pasado año, muestra que la rentabilidad media
es más bien modesta con una tasa interna de retorno (TIR) aproximada
de 8 %.
En segundo lugar, y también relacionado con la dimensión que está

alcanzando el sector, se encuentran los problemas de conexión a red y
la necesidad de nuevas infraestructuras para evacuar la energía del
parque eólico que podría alcanzar en el 2010 los 20.000 MW si se
superan los obstáculos que se están apuntando. Respecto a la conexión
a red, APPA ha reclamando un nuevo decreto que regule con criterios
claros, objetivos y transparentes -tal y como exige la Directiva Europea
sobre Promoción de Energías renovables- y ponga fin a las "sorpresas"
que se encuentran los promotores en el último tramo del largo y duro
proceso de puesta en marcha de los parques. Por otro lado es necesario
aclarar el alcance de las dificultades achacables a las cualidades propias
de la energía eólica en la red para poner solución a eventuales
deficiencias en cuanto a las características técnicas de los
aerogeneradores pero asumiendo cada uno sus responsabilidades.
En cuanto a las infraestructuras no cabe el planteamiento de que el

desarrollo de la eólica deberá adecuarse a las mismas o planteamientos
anteriores sino que bien al contrario y en la línea esbozada en el Plan
de Infraestructuras adaptarse a la distribución geográfica de los
emplazamientos. A partir de ahora los parques que se construyan
tendrán en general muchas menos horas de viento ya que los mejores
emplazamientos ya están ocupados o están salvaguardados por
criterios ambientales. Para los promotores además los costes de
promoción aumentan y la inversión inicial en aerogeneradores aumenta
por kW instalado dado que son necesarias máquinas más sofisticadas
para aprovechar vientos más bajos.
Teniendo esto en mente, parece claro que una posible solución a

estos problemas no es tanto la de instalar nuevos parques más
sofisticados sino intentar mejorar la eficiencia de los parques ya
instalados. Actualmente la mayoría de los parques eólicos que están en
funcionamiento no tienen la eficiencia que podrían llegar a tener.
Página 6 de 169
I.C.A.I-D.O.I.
Existen una serie de factores que impiden llegar a un 100% de

generación eléctrica cuando se cumplen las condiciones nominales de
generación.
El alcance de este proyecto es el de analizar y cuantificar la

influencia de estos factores sobre un parque eólico perteneciente a una
sociedad gestionada y participada por HIDROCANTABRICO GENESA.
Para realizar este complejo estudio se va a seguir una metodología
llamada Six Sigma que básicamente, consiste en tratar un problema
práctico con herramientas estadísticas y de los resultados que se
obtienen, concretar una solución estadística y extrapolarla a una
solución práctica. Se describirá más adelante esta metodología que
lleva siendo utilizada muchos años por la empresas mas prestigiosas
del mundo como pueden ser Motorola o General Electric.
1.2. Objetivos del proyecto

Como se ha descrito anteriormente, este proyecto de fin de carrera
surge de la necesidad que tienen los propietarios de parques eólicos de
maximizar la cuenta de resultados de sus parques eólicos. Para
optimizar los resultados económicos de los parques es fundamental
conocer cuales son las causas por las que la disponibilidad económica
de un parque eólico no es de un 100%, es decir, por que en
determinadas horas en las que el viento es favorable a que se cumplan
las condiciones de trabajo, las máquinas no están funcionando. Por
razones de confidencialidad no se desvelará el nombre del parque
estudiado ni el nombre de la sociedad que se ocupa del mantenimiento.
Se utilizarán los términos de “parque eólico” y “mantenedor”.
En el momento en el que se inicia este proyecto en Julio de 2004, la

disponibilidad del conjunto de los cuatro parques que se estudian es de
un 91%.
Los objetivos principales del proyecto son:
• Alcanzar una mejora de la disponibilidad entorno a un 2%
• Adquirir un mayor conocimiento de que es lo que esta pasando en
el parque en cuanto a
• Forma de trabajo
• Mantenimientos correctivos y preventivos
• Aerogeneradores
• Jefe de parque
• Definir criterios básicos de operación y gestión del parque
El cumplimiento de estos objetivos permitirá mantener a largo plazo

la mejora continua de la disponibilidad. Están encaminados a aumentar
el beneficio operativo bruto (EBITDA: Earnings before interest, taxes,
depreciation and amortization) de la sociedad. Se explicará a lo largo
Página 7 de 169
I.C.A.I-D.O.I.
de este proyecto lo aspectos técnicos y los aspectos relacionados con la

gestión de parques eólicos con el fin de que se entienda con claridad
cuales son las dimensiones de este trabajo y los retos que supone.
2. ¿QUÉ ES UN PARQUE EÓLICO?
Este proyecto, al tratar variables que son específicas del sector de la

generación de energía eólica, se apoya sobre conceptos precisos que a
veces son desconocidos o que no siempre están muy claros por lo cual
es conveniente definir algunos de estos conceptos.
Uno de los conceptos principales sobre el que se va a trabajar
extensamente es el de disponibilidad. Son muchas las variables que
influyen sobre la disponibilidad de un parque eólico y estas se pueden
dividir en dos categorías: Por un lado aquellas que responden de las
características técnicas del parque como pueden ser la ubicación
geográfica, la orientación de los aerogeneradores, las propias
características técnicas de los aerogeneradores utilizados, etc. Por otro
lado se encuentran las variables que se definen como de carácter
organizativo o de gestión. Estas variables responden a la manera en la
que el mantenedor gestiona el parque y engloban aspectos como el tipo
de supervisión de las máquinas, la reparación de los aerogeneradores,
el mantenimiento del parque, etc.
Se va a describir y explicar cada una de estas variables consideradas

al mismo que se va a explicar aspectos generales de cómo funciona un
parque eólico y como se explota ya que se piensa que esto ayudará a la
mejor comprensión del proyecto en su conjunto.
2.1. Aspectos técnicos
2.1.1. ¿De dónde viene la energía eólica?

Todas las fuentes de energía renovables (excepto la maremotriz y la
geotérmica), e incluso la energía de los combustibles fósiles, provienen,
en último término, del sol. El sol irradia 100.000.000.000.000 kWh de
energía hacia la Tierra. En otras palabras, la Tierra recibe 1017 W de
potencia. Alrededor de un 1 a un 2 por ciento de la energía
proveniente del sol es convertida en energía eólica. Esto supone una
energía alrededor de 50 a 100 veces superior a la convertida en
biomasa por todas las plantas de la tierra.

Página 8 de 169
I.C.A.I-D.O.I.
Las regiones alrededor del ecuador, a 0° de latitud, son calentadas

por el sol más que las zonas del resto del globo. El aire caliente es más
ligero que el aire frío, por lo que subirá hasta alcanzar una altura
aproximada de 10 km y se extenderá hacia el norte y hacia el sur. Si el
globo no rotase, el aire simplemente llegaría al Polo Norte y al Polo Sur,
para posteriormente descender y volver al ecuador.
Un aerogenerador obtiene su potencia de entrada convirtiendo la

fuerza del viento en un par (fuerza de giro) actuando sobre las palas
del rotor. La cantidad de energía transferida al rotor por el viento
depende de la densidad del aire, del área de barrido del rotor y de la
velocidad del viento.
La energía cinética de un cuerpo en movimiento es proporcional a su
masa (o peso). Así, la energía cinética del viento depende de la
densidad del aire, es decir, de su masa por unidad de volumen.
En otras palabras, cuanto "más pesado" sea el aire más energía recibirá
la turbina.
A presión atmosférica normal y a 15 °C el aire pesa unos 1,225

kilogramos por metro cúbico, aunque la densidad disminuye
ligeramente con el aumento de la humedad. Además, el aire es más
denso cuando hace frío que cuando hace calor. A grandes altitudes (en
las montañas) la presión del aire es más baja y el aire es menos denso.
Con un rotor de 43 metros de diámetro cada cilindro pesa realmente
1,9 toneladas, es decir, 1.500 veces 1,25 kg.
Un aerogenerador típico de 600 kW tiene un diámetro del rotor de 43-
44 metros, lo que supone un área del rotor de unos 1.500 metros
cuadrados. El área del rotor determina cuanta energía del viento es
capaz de capturar una turbina eólica. Dado que el área del rotor
aumenta con el cuadrado del diámetro del rotor, una turbina que sea
dos veces más grande recibirá 22 = 2 x 2 = cuatro veces más energía.
Cuando un agricultor habla de la extensión de tierra que está
cultivando normalmente lo hará en términos de hectáreas o de acres.
Lo mismo ocurre con los aerogeneradores, aunque en el caso del
cultivo eólico se cultiva un área vertical en lugar de una horizontal. El
área del disco cubierto por el rotor (y, por supuesto, las velocidades del
viento) determina cuanta energía podemos colectar en un año.
El dibujo que se presenta a continuación da una idea de los tamaños de
rotor normales en aerogeneradores: una típica turbina con un
generador eléctrico de 600 kW suele tener un rotor de unos 44 metros.
Si dobla el diámetro del rotor, obtendrá un área cuatro veces mayor
(dos al cuadrado). Esto significa que también obtendrá del rotor una
potencia disponible cuatro veces mayor.

Página 9 de 169
I.C.A.I-D.O.I.
Figura 1: Potencia generada en función del diámetro del rotor.
Los diámetros de rotor pueden variar algo respecto a las cifras dadas
arriba, ya que muchos de los fabricantes optimizan sus máquinas
ajustándolas a las condiciones de viento locales: por supuesto, un gran
generador requiere más potencia (es decir, vientos fuertes) sólo para
poder girar. Por lo tanto, si instala un aerogenerador en un área de
vientos suaves realmente maximizará la producción anual utilizando un
generador bastante pequeño para un tamaño de rotor determinado (o
un tamaño de rotor más grande para un generador dado). Para una
máquina de 600 kW, los tamaños de rotor pueden variar entre 39 a 48
m. La razón por la que, en zonas de vientos suaves, se puede obtener
una mayor producción de un generador relativamente más pequeño es
que la turbina estará funcionando durante más horas a lo largo del año.
Antes hemos considerado que el aire que pasa por las palas de un
aerogenerador tiene una forma cilíndrica tanto en la entrada como en la
salida. En realidad es una simplificación ya que el fenómeno es algo
más complejo. En realidad, un aerogenerador desviará el viento antes
incluso de que el viento llegue al plano del rotor. Esto significa que
nunca seremos capaces de capturar toda la energía que hay en el
viento utilizando un aerogenerador.

Página 10 de 169
I.C.A.I-D.O.I.
Se presenta a continuación una imagen que ilustra lo que se acaba

de comentar.
Figura 2: Desvió del viento tras su paso por un aerogenerador.
En la imagen de arriba tenemos el viento que viene desde la derecha

y usamos un mecanismo para capturar parte de la energía cinética que
posee el viento (en este caso usamos un rotor de tres palas, aunque
podría haberse tratado de cualquier otro mecanismo).
El rotor de la turbina eólica debe obviamente frenar el viento cuando
captura su energía cinética y la convierte en energía rotacional. Esto
implica que el viento se moverá más lentamente en la parte izquierda
del rotor que en la parte derecha.
Dado que la cantidad de aire que pasa a través del área barrida por el
rotor desde la derecha (por segundo) debe ser igual a la que abandona
el área del rotor por la izquierda, el aire ocupará una mayor sección
transversal (diámetro) detrás del plano del rotor.
Este efecto puede apreciarse en la imagen superior, donde se muestra
un tubo imaginario, el llamado tubo de corriente, alrededor del rotor de
la turbina eólica. El tubo de corriente muestra cómo el viento
moviéndose lentamente hacia la izquierda ocupará un gran volumen en
la parte posterior del rotor.
El viento no será frenado hasta su velocidad final inmediatamente
detrás del plano del rotor. La ralentización se producirá gradualmente
en la parte posterior del rotor hasta que la velocidad llegue a ser
prácticamente constante.

Página 11 de 169
I.C.A.I-D.O.I.
Medición de la velocidad del viento.
Las mediciones de las velocidades del viento se realizan

normalmente usando un anemómetro de cazoletas. El anemómetro de
cazoletas tiene un eje vertical y tres cazoletas que capturan el viento.
El número de revoluciones por segundo son registradas
electrónicamente.
Normalmente, el anemómetro está provisto de una veleta para detectar
la dirección del viento.
En lugar de cazoletas el anemómetro puede estar equipado con hélices,
aunque no es lo habitual.
Otros tipos de anemómetros incluyen ultrasonidos o anemómetros
provistos de láser que detectan el desfase del sonido o la luz coherente
reflejada por las moléculas de aire.
Los anemómetros de hilo electrocalentado detectan la velocidad del
viento mediante pequeñas diferencias de temperatura entre los cables
situados en el viento y en la sombra del viento (cara a sotavento).
La ventaja de los anemómetros no mecánicos es que son menos
sensibles a la formación de hielo. Sin embargo en la práctica los
anemómetros de cazoletas son ampliamente utilizados, y modelos
especiales con ejes y cazoletas eléctricamente calentados pueden ser
usados en las zonas árticas.
Se pueden comprar anemómetros sorprendentemente baratos de

algunos de los principales vendedores del mercado que, cuando
realmente no se necesita una gran precisión, pueden ser adecuados
para aplicaciones meteorológicas, y lo son también para ser montados
sobre aerogeneradores.
Sin embargo, los anemómetros económicos no resultan de utilidad en
las mediciones de la velocidad de viento que se llevan a cabo en la
industria eólica, dado que pueden ser muy imprecisos y estar
pobremente calibrados, con errores en la medición de quizás el 5 por
ciento, e incluso del 10 por ciento.
Si está pensando construir un parque eólico puede resultar un

desastre económico si dispone de un anemómetro que mide las
velocidades de viento con un error del 10%. En ese caso, se expone a
contar con un contenido energético del viento que es 1,13 -1=33% más
elevado de lo que es en realidad. Si lo que tiene que hacer es recalcular
sus mediciones para una altura de buje del aerogenerador distinta
(digamos de 10 a 50 metros de altura), ese error podrá incluso
multiplicarse por un factor del 1,3, con lo que sus cálculos de energía
acabarán con un error del 75%.

Página 12 de 169
I.C.A.I-D.O.I.
Selección del emplazamiento de un aerogenerador.
Normalmente, el sólo hecho de observar la naturaleza resulta de

excelente ayuda a la hora de encontrar un emplazamiento apropiado
para el aerogenerador.
Los árboles y matorrales de la zona serán una buena pista para saber
cual es la dirección del viento dominante.
Si nos movemos a lo largo de un litoral accidentado, observaremos que
siglos de erosión han trabajado en una dirección en particular.
Los datos meteorológicos, obtenidos en forma de rosa de vientos

durante un plazo de 30 años, sean probablemente su mejor guía,
aunque rara vez estos datos son recogidos directamente en su
emplazamiento, por lo que hay que ser muy prudente al utilizarlos.
Si ya existen aerogeneradores en ese área, sus resultados de
producción son una excelente guía de las condiciones de viento locales.
En países como Dinamarca y Alemania, en los que a menudo se
encuentra un gran número de aerogeneradores dispersos por el campo,
los fabricantes pueden ofrecer resultados de producción garantizados
basándose en cálculos eólicos realizados en el emplazamiento.
También habrá que considerar la conexión a la red ya que

obviamente, los grandes aerogeneradores tienen que ser conectados a
la red eléctrica.
Para los proyectos de menores dimensiones es fundamental que haya
una línea de alta tensión de 10 - 30 kV relativamente cerca para que
los costes de cableado no sean prohibitivamente altos (por supuesto,
esto preocupa sobremanera a aquellos que tienen que pagar la
extensión de la línea de alta tensión).
Los generadores de las grandes turbinas eólicas modernas
generalmente producen la electricidad a 690 V. Un transformador
colocado cerca de la turbina o dentro de la torre de la turbina convierte
la electricidad en alta tensión (normalmente hasta 10 - 30 kV). La red
eléctrica próxima a los aerogeneradores deberá ser capaz de recibir la
electricidad proveniente de la turbina. Si ya hay muchas turbinas
conectadas a la red, la red puede necesitar refuerzo, es decir, un cable
más grande, conectado quizás más cerca de una estación de
transformación de más alto voltaje.
Se tendrá que tener en cuenta las condiciones del suelo. La

viabilidad tanto de realizar las cimentaciones de las turbinas como de
construir carreteras que permitan la llegada de camiones pesados hasta
el emplazamiento deben tenerse en cuenta en cualquier proyecto de
aerogenerador.

Página 13 de 169
I.C.A.I-D.O.I.
2.1.2. ¿Cómo funciona un aerogenerador?

Se presenta en la siguiente página un aerogenerador con la
descripción de sus elementos estructurales.
Palas Góndola Sistema hidráulico Anemómetro
Unidad de refrigeración
Eje de baja Multiplicador Eje de alta Controlador electrónico
Torre Generador eléctrico
• La góndola contiene los componentes clave del aerogenerador,

incluyendo el multiplicador y el generador eléctrico. El personal de
servicio puede entrar en la góndola desde la torre de la turbina. A la
izquierda de la góndola tenemos el rotor del aerogenerador, es decir,
las palas y el buje.
• Las palas del rotor capturan el viento y transmiten su potencia

hacia el buje. En un aerogenerador moderno de 600 kW cada pala mide
alrededor de 20 metros de longitud y su diseño es muy parecido al del
ala de un avión.
El buje del rotor está acoplado al eje de baja velocidad del
aerogenerador.

Página 14 de 169
I.C.A.I-D.O.I.
• El eje de baja velocidad del aerogenerador conecta el buje del

rotor al multiplicador. En un aerogenerador moderno de 600 kW el
rotor gira bastante lentamente, de unas 19 a 30 revoluciones por
minuto (r.p.m.). El eje contiene conductos del sistema hidráulico para
permitir el funcionamiento de los frenos aerodinámicos.
• El multiplicador tiene a su izquierda el eje de baja velocidad.

Permite que el eje de alta velocidad que está a su derecha gire 50
veces más rápidamente que el eje de baja velocidad.
• El eje de alta velocidad gira aproximadamente a 1.500

revoluciones por minuto (r.p.m.), lo que permite el funcionamiento del
generador eléctrico. Está equipado con un freno de disco mecánico de
emergencia. El freno mecánico se utiliza en caso de fallo del freno
aerodinámico, o durante las labores de mantenimiento de la turbina.
• El generador eléctrico suele llamarse generador asíncrono o de

inducción. En un aerogenerador moderno la potencia máxima suele
estar entre 500 y 1.500 kilovatios (kW).
• El controlador electrónico tiene un ordenador que

continuamente monitoriza las condiciones del aerogenerador y que
controla el mecanismo de orientación. En caso de cualquier disfunción
(por ejemplo, un sobrecalentamiento en el multiplicador o en el
generador), automáticamente para el aerogenerador y llama al
ordenador del operario encargado de la turbina a través de un enlace
telefónico mediante módem.
• El sistema hidráulico es utilizado para restaurar los frenos

aerodinámicos del aerogenerador.
• La unidad de refrigeración contiene un ventilador eléctrico

utilizado para enfriar el generador eléctrico. Además contiene una
unidad de refrigeración del aceite empleada para enfriar el aceite del
multiplicador. Algunas turbinas tienen generadores enfriados por agua.
• La torre del aerogenerador soporta la góndola y el rotor.

Generalmente es una ventaja disponer una torre alta, dado que la
velocidad del viento suele aumentar conforme nos alejamos del nivel
del suelo. Una turbina típica moderna de 600 kW tendrá una torre de
40 a 60 metros (la altura de un edificio de 13 a 20 plantas).
Las torres pueden ser bien torres tubulares (como la mostrada en el
dibujo) o torres de celosía. Las torres tubulares son más seguras para
el personal de mantenimiento de las turbinas, ya que pueden usar una
escalera interior para acceder a la parte superior de la turbina. La
principal ventaja de las torres de celosía es que son más baratas.

Página 15 de 169
I.C.A.I-D.O.I.
El mecanismo de orientación es activado por el controlador electrónico,

que vigila la dirección del viento utilizando la veleta. Normalmente, la
turbina sólo se orientará unos pocos grados cada vez, cuando el viento
cambia de dirección.
• El anemómetro y la veleta se utilizan para medir la velocidad y

la dirección del viento. Las señales electrónicas del anemómetro son
utilizadas por el controlador electrónico del aerogenerador para
conectar el aerogenerador cuando el viento alcanza aproximadamente
5 metros por segundo. El ordenador parará el aerogenerador
automáticamente si la velocidad del viento excede de 25 metros por
segundo, con el fin de proteger a la turbina y sus alrededores. Las
señales de la veleta son utilizadas por el controlador electrónico del
aerogenerador para girar al aerogenerador en contra del viento,
utilizando el mecanismo de orientación.
Energía producida en aerogeneradores.
Uno de los grandes problemas que supone la generación de energía

a partir de aerogeneradores es que esta es imprevisible por el simple
motivo de que el viento no es constante. Las variaciones que sufre la
intensidad con la que sopla el viento se intentan modelar con el fin de
optimizar el diseño de los aerogeneradores así como intentar minimizar
los costes de generación. Además los inversores necesitan la
información para estimar sus ingresos por producción de electricidad.
Si se mide las velocidades del viento a lo largo de un año, se

observará que en la mayoría de áreas los fuertes vendavales son raros,
mientras que los vientos frescos y moderados son bastante comunes.
La variación del viento en un emplazamiento típico suele describirse
utilizando la llamada Distribución de Weibull, como la mostrada en el
dibujo a continuación. Este emplazamiento particular tiene una
velocidad media del viento de 7 metros por segundo, y la forma de la
curva está determinada por un parámetro de forma de 2.

Página 16 de 169
I.C.A.I-D.O.I.
Figura 3: Distribución de Weibull para recoger las variaciones

del viento
La gente que esté familiarizada con la estadística se dará cuenta de

que el gráfico muestra una distribución de probabilidad. El área bajo la
curva siempre vale exactamente 1, ya que la probabilidad de que el
viento sople a cualquiera de las velocidades, incluyendo el cero, debe
ser del 100 por cien.
La mitad del área azul está a la izquierda de la línea negra vertical a
6,6 metros por segundo. Los 6,6 m/s son la mediana de la distribución.
Esto significa que la mitad del tiempo el viento soplará a menos de 6,6
m/s y la otra mitad soplará a más de 6,6 m/s.
Puede preguntarse porqué decimos entonces que la velocidad del
viento media es de 7 m/s. La velocidad del viento media es realmente
el promedio de las observaciones de la velocidad del viento que
tendremos en ese emplazamiento.
Como se puede observar, la distribución de las velocidades del viento
es sesgada, es decir, no es simétrica. A veces tendrá velocidades de
viento muy altas, pero son muy raras. Por otro lado, las velocidades del
viento de 5,5 m/s son las más comunes. Los 5,5 metros por segundo es
el llamado valor modal de la distribución. Si multiplicamos cada
diminuto intervalo de la velocidad del viento por la probabilidad de
tener esa velocidad particular, y los sumamos todos, obtenemos la
velocidad del viento media.
La distribución estadística de las velocidades del viento varía de un

lugar a otro del globo, dependiendo de las condiciones climáticas
locales, del paisaje y de su superficie. Por lo tanto, la distribución de
Weibull puede variar tanto en la forma como en el valor medio.
Si el parámetro de forma es exactamente 2, como en el gráfico de
presentado en la figura 3, la distribución es conocida como distribución
de Rayleigh. Los fabricantes de aerogeneradores proporcionan gráficas
de rendimiento para sus máquinas usando la distribución de Raileigh.
Página 17 de 169
I.C.A.I-D.O.I.
Para que se vea un ejemplo practico de cómo puede variar el viento

a lo largo de un mes se presentan a continuación una serie de gráficos
sobre las velocidades medias de viento en cada uno de los cuatro
parques sometidos al estudio. Se queda registrado para cada hora de
cada día la velocidad media de esa hora y es lo que se representa a
continuación.
Velocidad_Media del viento Parque 1 mes de Enero
25
20
15
Velocidad_Media
10
0
1 39 77 115 153 191 229 267 305 343 381 419 457 495 533 571 609 647 685 723
Velocidad_Media del viento Parque 1 mes de Febrero
25
20
15
Velocidad_Media
10
0
1 1269 2537 3805 5073 6341 7609 8877 10145 11413 12681 13949 15217

Página 18 de 169
I.C.A.I-D.O.I.
Velocidad_Media del viento Parque 2 Enero
25
20
15
Velocidad_Media
10
0
1 1269 2537 3805 5073 6341 7609 8877 10145 11413 12681 13949 15217
Todos los gráficos de los distintos meses para los distintos parques
tienen un aspecto similar.
Curva de potencia de un aerogenerador.
Se presenta a continuación la curva de potencia de uno de los

aerogeneradores del parque. Como se ha mencionado, esta máquina es
de 660 kw.

Página 19 de 169
I.C.A.I-D.O.I.
2.1.3. El concepto de “disponibilidad”

Es imprescindible entender bien este concepto ya que el proyecto se
centra casi exclusivamente en el estudio de esta variable. Como ya se
adelanto en la introducción, el objetivo de este proyecto es determinar
las variables que afectan a la disponibilidad económica del parque y
encontrar mejoras que permitan aumentar en un 2% esta
disponibilidad total del parque eólico.
Existen varios tipos de disponibilidad que caracterizan diferentes

parámetros comparativos. Se describen a continuación aquellas
resultan de interés para este proyecto:
• Disponibilidad del viento.

Como es sabido, los aerogeneradores son capaces de producir energía
cuando la velocidad del viento es superior a la velocidad de arranque e
inferior a la velocidad de parada, fuera de estos márgenes la máquina
no genera energía. Para la velocidad de viento inferior a la velocidad de
arranque (en el caso de los aerogeneradores que componen el parque
eólico en estudio, este limite esta entorno a los 4 metros por segundo)
la turbina no desarrolla suficiente potencia como para superar las
perdidas del sistema y por otra parte los esfuerzos estructurales que
sufre la máquina para vientos altos aconsejan desconectar el
aerogenerador (este limite resulta ser de 25 metros por segundo para
las máquinas estudiadas).
El número de horas que la velocidad esta dentro del margen de
operación es un factor importante para analizar la producción de
energía y se determina a partir del parámetro conocido como
disponibilidad del viento, Dv, que se define como el cociente entre el
numero de horas en los que la velocidad del viento se encuentra dentro
de los márgenes de operación del aerogenerador, Tv, respecto al
numero de horas totales del periodo analizado, T.
Tv
Dv =
T
• Disponibilidad técnica del aerogenerador.

La disponibilidad técnica del aerogenerador se entiende como el
número de horas del periodo analizado donde la turbina está en
disposición de producir energía independientemente de la velocidad del
viento en el emplazamiento o las condiciones de la red eléctrica de
evacuación de energía. El hecho de que la máquina este parada porque
la velocidad del viento este fuera del margen de operación no computa
como horas de indisponibilidad del aerogenerador, de igual forma,
cuando existe un fallo en la red de evacuación las horas parada de las
máquinas no se contabilizan el la disponibilidad de del aerogenerador.
Página 20 de 169
I.C.A.I-D.O.I.
En la ecuación que viene a continuación Td es el número de horas

disponibles del aerogenerador independientemente de las condiciones
de viento o la red eléctrica.
Td
DA =
T
La disponibilidad que calcula el mantenedor para cada mes y que

comunica a HIDROCANTABRICO GENESA esta calculado de esta
manera, por eso alcanza una disponibilidad del 98%.
• Disponibilidad de producción.
La disponibilidad de producción, Dp, se define como el cociente entre el
número de horas de producción del aerogenerador con respecto al
periodo total analizado.
Tv
Dp =
T
El hecho de que la disponibilidad de producción no sea unidad se

debe a tres causas: la primera es que la velocidad del viento esté fuera
del margen de operación del aerogenerador, la segunda que la red
eléctrica estuviera fuera de servicio, y finalmente que fallos, averías o
labores de mantenimiento preventivo y correctivo tengan fuera de
operación al aerogenerador.
• Disponibilidad económica.
La disponibilidad económica, De, se define como el cociente entre el
número de horas de producción del aerogenerador con respecto al
numero de horas en las que se dan las condiciones nominales de
producción Tn (velocidad del viento comprendida entre 4 y 25 m/s).
Tv
De =
Tn
Para este proyecto se va a trabajar con esta disponibilidad ya que se

considera que es la que realmente representa el comportamiento del
parque y cuantifica como de lejos se encuentra el parque de un
funcionamiento ideal (100% de disponibilidad). De las interferencias
mencionadas para la disponibilidad de producción, lo que interesa sobre
todo es analizar la influencia del tercer tipo de influencias sobre el
funcionamiento del parque ya que las dos primeras no son controlables
por parte del mantenedor. Es interesante estudiar las variables sobre
las que se puede actuar.

Página 21 de 169
I.C.A.I-D.O.I.
Como es lógico, la disponibilidad económica siempre será inferior a

la disponibilidad del viento y la disponibilidad del aerogenerador (91%
frente al 98% en caso del parque en estudio). Teóricamente, las horas
de producción representan la intersección entre las horas de la
velocidad del viento entre los márgenes de operación del
aerogenerador y las horas con la red eléctrica en servicio.
2.2. Aspectos referentes a la gestión del

parque
En la reciente actividad de la gestión y mantenimiento de los

modernos parques eólicos se esta enfrentado a una tecnología aún hoy
muy cerrada, en muchas ocasiones en detrimento de su propia
evolución y rendimiento. El modelo de financiación suele estar seguido
con que los fabricantes de aerogeneradores una vez suministrado el
parque, continúen con su gestión de operación y mantenimiento. Con el
actual momento expansivo y de crecimiento del negocio eólico que
permite cuota para todos los fabricantes principales, los fabricantes no
compiten entre sí por el mantenimiento, y dada además la juventud de
esta actividad, aún a penas existe competencia exterior: se han
encontrado con un nicho de negocio que obviamente presentará una
gran resistencia antes de romperse.
Hasta hace unos años, los fabricantes gestionaban a su manera todas

las actividades de explotación de los parques eólicos sin que el promotor
participase en modo alguno en la gestión de su activo.
Con el crecimiento del negocio y la entrada de grandes promotores

de explotación acostumbrados a decidir y gestionar sus activos, se han
empezado a cuestionar estas prácticas habituales, deslastrando peso al
fabricante en las decisiones y directrices de la gestión del
mantenimiento y explotación de las explotaciones eólicas. Resulta
fundamental disponer de un buen control y seguimiento del servicio del
Mantenedor.
Se presenta a continuación las diferentes opciones posibles para

gestionar la operación y mantenimiento junto con sus ventajas e
inconvenientes actuales, y se fijan los parámetros y criterios de gestión
para evaluar de la mejor manera posible el binomio mantenimiento-
aprovechamiento del parque. Se analizan posteriormente las
necesidades de gestión y mantenimiento, y las diferentes áreas
involucradas dentro de un parque.

Página 22 de 169
I.C.A.I-D.O.I.
A continuación se destacan los puntos clave y críticos a seguir en el

Mantenimiento en aras de compatibilizar con el máximo rendimiento del
activo, y se relaciona una guía de herramientas de apoyo para lograr
dicho objetivo.
El primer punto a plantear por el promotor del parque es el tipo de

recurso con que dotar su gestión del parque. Antes esta cuestión
dispone de tres alternativas:
• Propio: Personal y material interno a la sociedad.

• Subcontratado: Personal y material externo a la sociedad.
• Mixto: Personal y material dividido parte interna y parte externa
según diferentes grados y criterios.
Gestión y mantenimiento propio
El mantenimiento esta poco desarrollado debido a la juventud de esta

tecnología, a las dificultades de implantación (zonas apartadas lejos de
polos industriales), a la escasa concentración que presenta tanto a nivel
de centros como de promotores, y a la baja estandarización y poca
apertura de los tecnólogos.
Las ventajas que se obtienen con este tipo de recurso son:
• Mayor control de los activos

• Mayor conocimiento
• Mayor capacidad de gestión económica
• Mayor capacidad de gestión técnica
• Menor período de confianza para desarrollarse (partiendo del
normal montaje y P.M. por parte del tecnólogo)
Los inconvenientes son que requiere:
• Volumen de Parques (masa crítica para hacerlo atractivo)

• Personal formado y entrenado
• Equipamientos y Repuestos
• Estructura para atender a Grandes correctivos
• Menos flexible a la variación de modelos y Fabricantes
(complicado en la situación de la promoción actual)
• Retraso en retrofits y avances

Página 23 de 169
I.C.A.I-D.O.I.
Gestión y mantenimiento subcontratado
Este tipo de gestión esta muy desarrollado debido a la juventud de

esta tecnología, a las características particulares de las implantaciones
(zonas apartadas y dispersas), al interés cautivo de los tecnólogos, a la
atomización de promotores, y a los condicionantes de la financiación
(project finance).
• Flexibilidad de RRHH
• Fácil adaptación a cualquier tecnología
• Requiere menos estructura por parte del Promotor
• Se tienen garantías del tecnólogo si se trabaja con éste
• Adaptable a cualquier tamaño
Los inconvenientes son:
• Menor control sobre los activos

• Menor capacidad de gestión
• Mayor dificultad en adquirir conocimiento
• Exige un mayor seguimiento sobre la actividad del mantenedor
• Hay que buscar formulas de alineación de intereses
Gestión y mantenimiento mixto
Tendencia en desarrollo debido a la presencia de grandes promotores

que quieren explotar la oportunidad de negocio que existe en esta
actividad. El tecnólogo se mantiene en un segundo papel para grandes
averías, grandes revisiones y retrofits.
• Mayor capacidad de gestión técnica

• Mayor capacidad de gestión económica
• Mayor control sobre los activos y la explotación
• Mayor conocimiento de la actividad
• Se puede mantener garantías del tecnólogo

Página 24 de 169
I.C.A.I-D.O.I.
Los inconvenientes son:
• Precisa estructura RRHH

• Precisa formación
• Precisa dotación de consumibles y equipamientos: actividad de
compras y almacén
• Posiblemente tiempos mayores de respuesta ante grandes averías
El tipo de gestión que se esta aplicando en el caso que se estudia es del

tercer tipo: gestión y mantenimiento mixto.

Página 25 de 169
I.C.A.I-D.O.I.
2.2.1. El parque sometido al estudio
El parque eólico que se estudia esta situado en la provincia de Ávila.

Esta constituido por 4 parques tal y como se ilustra en la figura
siguiente.
Figura 5: Disposición de los 4 parques que constituyen el parque eólico
Como se puede observar en la figura el parque esta compuesto por

un total de 84 máquinas del tipo G47 de 660 kW que en su totalidad
aportan una potencia instalada de 55.44 MW.
Visto el emplazamiento del parque se podrá esperar un
comportamiento diferente entre cada ellos por culpa de su ubicación y a
las fluctuaciones en el viento que eso conlleva. Se cuantificará estas
disparidades más adelante.
En la actualidad los aerogeneradores de los diferentes parques están

conectados y controlados independientemente por cada uno de los
cuatro centros de control instalados en cada uno de los cuatro parques.
Es decir, sólo se puede controlar un parque desde su centro de control
correspondiente. No existe un control centralizado que permita
gestionar el conjunto de los cuatro parques.

Página 26 de 169
I.C.A.I-D.O.I.
Estos diferentes centros de control independientes, están

supervisados directamente por el personal mantenedor que como se ha
mencionado anteriormente, esta presente en las instalaciones de Lunes
a Viernes de 9h00 a 18h00. Además del personal mantenedor, esta el
jefe de parque que es un empleado de Hidrocantábrico y que supervisa
al mantenedor.
Tanto durante las horas en las que esta presente el personal

mantenedor como cuando no esta, hay una supervisión remota que se
realiza gracias a un telemando que se conecta automáticamente cada
cuatro horas al parque gracias a una conexión GSM. Esta supervisión
por telemando se realiza principalmente desde las oficinas de
Hidrocantábrico de Pamplona, pudiéndose realizar también desde las
oficinas de Madrid.
El acceso al funcionamiento del parque con este telemando permite

conocer el estado de las máquinas (on/off, tipo de alarma), producción
de energía instantánea, producción de energía acumulada y velocidad
del viento. Si se detecta que un aerogenerador esta parado entonces se
llama por teléfono al mantenedor para que se encargue de realizar las
operaciones pertinentes.
Como es de imaginar, este sistema de detección de paradas no es
muy eficiente ya que:
• El tiempo de refresco con el que se conecta el telemando es de
cuatro horas por lo que pueden transcurrir hasta cuatro horas hasta
que se detecte la parada de uno o varios aerogeneradores. Esto
supone una ineficiencia en cuanto a la disponibilidad del parque.
• El que detecta el error no es el mantenedor (salvo que se de
cuenta visualmente que hay una máquina parada) por lo que hace falta
que alguien de Hidrocantábrico llame por teléfono al mantenedor cada
vez que se detecta una anomalía. No es muy práctico.
Se verá a lo largo del proyecto si no hay una manera de mejorar la

gestión que se hace del parque desde este punto de vista.

Página 27 de 169
I.C.A.I-D.O.I.
3. EL METODO SEIS SIGMA
3.1. Un poco de historia

Six Sigma es una filosofía popular de administración que se esta
extendiendo por el mundo entero. Su meta es hacer a la compañía más
eficaz y eficiente. Eficacia es el grado en que una organización satisface
o supera las necesidades de sus clientes. La eficiencia se refiere a los
recursos que consume para alcanzar esa eficacia.
Sigma, σ, es una letra del alfabeto griego que corresponde a la s

latina. En estadística se utiliza como símbolo para la desviación típica o
variación de los valores de una población.
En calidad σ se utiliza para indicar el grado en que un proceso está
cumpliendo con sus objetivos o especificaciones. Un proceso tres sigma
significa que su resultado tiene tres desviaciones típicas a cada lado de
la media, dentro de los valores objetivo o limites de especificación.
Six Sigma equivale a no más de 3,4 malas experiencias del cliente

por millón de casos. (Equivale por ejemplo a no más de 3,4 piezas
defectuosas por cada millón de piezas fabricadas).La mayor parte de
las empresas operan con rendimientos entre dos y tres Sigma, lo que
en el mejor de los casos supone casi unas 70.000 malas experiencias
de clientes por millón de casos.
Al combinar los dos significados, el que se relaciona con el método
de mejora junto con el que representa una medida del resultado del
proceso, el termino sigma puede considerarse un objetivo de perfección
de los procesos, una visión de la empresa que quiere alcanzar dicha
perfección, una estrategia para conseguirlo, una filosofía de trabajo,
hasta incluso, una herramienta de mejora.
Su origen remonta a la década de los ochenta en Motorola. A

principios de los años noventa la adopto AlliedSignal, y a mediados de
la década de los noventa General Electric la adopto como su principal
filosofía administrativa. Hoy en día muchas empresas aplican el método
seis sigma (Sony, Black&Decker, Telefonica, Prosegur, Abengoa,
DuPont, Samsung, …).

Página 28 de 169
I.C.A.I-D.O.I.
3.2. La metodología de mejora

La metodología de mejora que se aplica se reparte en cinco fases de
alto nivel. Se presenta a continuación estos cinco pasos de la
metodología de mejoramiento DMAMC de alto nivel.
Figura 6: Pasos de la metodología Seis Sigma.

Six Sigma para todos-Ed. Granica
Como se ve en la figura 6, la primera fase es definir. En este paso se

organiza el equipo de proyecto, se prepara un cuadro, se determinan y
verifican las necesidades y requisitos de los clientes y finalmente, se
crea un diagrama de alto nivel del proceso actual.
El segundo paso es medir. En este paso se calcula el actual
rendimiento sigma del proceso, a veces con más detalles de lo que se
hizo en el nivel estratégico de Six Sigma.
En tercer paso es analizar. Durante este paso el equipo analiza los
datos y el proceso en sí, lo que llevará finalmente a determinar las
causas radicales del mal rendimiento.
El cuarto paso en la aplicación de las tácticas Six Sigma es mejorar.
En este paso el equipo selecciona una serie de soluciones encaminadas
a mejorar el rendimiento sigma.

Página 29 de 169
I.C.A.I-D.O.I.
El quinto y último paso es control. Aquí se aplica una serie de

herramientas y técnicas al proceso mejorado con el fin de que las
mejoras no decaigan con el tiempo.
Se presenta a continuación las preguntas que un equipo debe
hacerse en cada paso para llevar a cabo convenientemente cada una de
las fases mencionadas.
Figura 7: Preguntas esenciales del ciclo DMAMC (DMAIC en Ingles).

McGraw-Hill - The Six Sigma Project Planner - 2003

Página 30 de 169
I.C.A.I-D.O.I.
Como ya se comento en la introducción, el método Six Sigma se

implementa para analizar la influencia de varias variables X 1 , X 2 , X 3 ...
sobre una variable objetivo Y ( en nuestro caso Y es la disponibilidad).
La forma en la que se trata el problema se expone a continuación.
Definir
Problema práctico
Y
Medir
Problema estadístico
Analizar
Solución estadística Mejorar
Xs
Controlar
Solución práctica
Objetivo: Y = f (X)
Figura 8: Forma de abordar el problema en la metodología Six Sigma

Página 31 de 169
I.C.A.I-D.O.I.
4. DESARROLLO DEL PROYECTO

4.1. Definir
En esta fase es de vital importancia definir con claridad el problema

a resolver y los objetivos buscados. Siguiendo la metodología Six
Sigma se utiliza una tabla que recopila toda la información necesaria
para la definición del proyecto.
Esta tabla se presenta en la siguiente página.

Página 32 de 169
I.C.A.I-D.O.I.
CUADRO DEL PROYECTO
Nombre del proyecto: Mejorar la disponibilidad/producción

del Parque Eólico Altos de Voltoya
Plan de Recursos Información general Plan del Proyecto

BB/GB: Antoine Berte Unidad organizativa: Fecha
Champion: David Talaván Hidrocantábrico Genesa Lanzamiento (Meses)
Miembros del equipo Objetivos de negocio: Mejorar Definir Julio 04
los ingresos de la sociedad Medir 9-10/04
1. Jefe de Parque Analizar 10-01/05
2. CTQ’s del proyecto: Mejorar 1 02-05/05
3. Producción kWh del Parque Mejorar 2
5 Eólico Controlar Final-06
6 Rendimiento actual del proceso: Resultados
7 2.350 horas equivalentes, pero Final
8 falta conocer disponibilidad real
Visión general del proyecto

1.- Alcance del proyecto: Estudio y mejora de las horas de producción del parque, con
el fin de realizar el máximo aprovechamiento del recurso existente
2.- Beneficios esperados: Mejora de la cuenta de resultados del parque, al aumentar la
producción y con ello la facturación
3.- Enunciado del problema: Conocer la disponibilidad real del parque, para evaluar las
horas de recurso que se están perdiendo y minimizar la perdida de dichas horas y así
maximizar las horas de utilización del parque.
4.- Objetivos del proyecto: Mejorar los resultados del parque y extrapolar las
conclusiones a otros parques. Conocimiento de las causas y tiempos de indisponibilidad
de las máquinas
5.- Enfoque del proyecto: Maximización de los resultados de los parques en operación,
mediante el análisis de los datos de indisponibilidad de máquinas y forma de realizar
mantenimientos preventivos y correctivos por parte del mantenedor.
6.- Recursos complementarios:
Aprobaciones
Director funcional o propietario Fecha Black o Green Belt Fecha
David Talaván Antoine Berte 2004-05
Champion Fecha Otras aprobaciones Fecha

David Talaván 19.07.04

Página 33 de 169
I.C.A.I-D.O.I.
Como definición previa de las variables que se piensa que pueden

estar interfiriendo en la disponibilidad económica del parque eólico, se
presenta un diagrama de proceso que las recoge.
VIENTO
Condición meteorológica
Condición de línea eléctrica
Mantenimiento preventivo
Aerogenerador
Mantenimiento correctivo
Personal MANTENEDOR
Personal de parque
Telemando
PRODUCCION ELECTRICIDAD
Figura 9: Diagrama de Proceso

Página 34 de 169
I.C.A.I-D.O.I.
4.2. Medir y Analizar

Se mide la forma de trabajar del mantenedor para conocer:
• Tiempos muertos
• Tiempos Operación
• Frecuencia y tipo de Incidencias
• Desarrollo preventivos y retrofits
• ….
Se usan todas las fuentes de información y los sistemas de

validación necesarios, a saber:
Telemando Jefe de Parque Mantenedor Recurso eólico
Datos horarios por · Tipo incidencia, localización Ordenes de Dato viento

maquina. · Fecha inicio parada Trabajo torre
· Fecha conocimiento de Mantenedor
· Estado de máquina · Fecha inicio actuación Mantenedor ·Mant. Preventivo
· Dato de Producción · Personal dedicado y modo operación ·Mant Correctivo
· Valor de Viento · Viento existente
· Fecha maquina lista
Validación
Gracias a una buena fase de análisis se logrará una reducción del

campo de las muchas causas que afectan al proceso de gestión y
mantenimiento a sólo aquellas que son vitales. Para ello se hace uso de
los datos obtenidos en la fase de medición junto con las herramientas
estadísticas adecuadas.
También se estará en disposición de identificar diferencias: entre los

parques, horarios de trabajo, fiabilidad de máquinas, y todo ello
permitirá pasar con éxito a la siguiente fase: mejorar.
Normalmente estas dos fases se realizan independientemente pero

en este caso se piensa que no tiene mucho sentido presentar 30 hojas
de mediciones y luego otras 30 de análisis ya que el lector no tendrá en
mente los datos sobre los que se apoyan dichos análisis. Se piensa que
resulta mas funcional presentar las mediciones y los análisis
pertinentes que les corresponde ya que así se entenderá los
fundamentos de los resultados obtenidos.
El estudio se realiza sobre un periodo de cuatro meses: Diciembre,

Enero, Febrero y Marzo. Observando las variables que intervienen en el
diagrama de proceso, se va a estudiar la disponibilidad del parque en

Página 35 de 169
I.C.A.I-D.O.I.
función de estas y se verá si afectan por igual a cada uno de los cuatro
parques.
Se mide por consiguiente la disponibilidad atendiéndonos a los

siguientes criterios:
1. Disponibilidad del parque en general (compuesto por los cuatro

parques en conjunto) sobre periodo completo de 4 meses.
2. Disponibilidad de cada uno de los parques sobre el periodo
completo de 4 meses.
3. Disponibilidad del parque en general mes a mes.
4. Disponibilidad de cada parque mes a mes.
5. Disponibilidad del parque en general en función del tipo de
operación y mantenimiento (O&M).
6. Disponibilidad de cada parque en función del O&M.

Página 36 de 169
I.C.A.I-D.O.I.
4.2.1. Datos de explotación del parque
Disponibilidad del parque en general (compuesto por los

cuatro parques en conjunto) sobre periodo completo de 4
meses.
Los datos sobre los que se trabajan provienen del mantenedor que
dispone de un registrador de datos (data logger) que almacena para
cada una de las 84 máquinas que componen el parque. De entre las
variables que se registran, interesan para el análisis de la
disponibilidad, las siguientes:
• Numero de máquina
• Horas de viento
• Horas de parada con viento
• Velocidad del viento (máxima, mínima y media horaria)
Variable: DISPONIBILID
Anderson-Darling Normality Test

A-Squared: 16,682
P-Value: 0,000
Mean 0,913648
StDev 0,071682
Variance 5,14E-03
Skewness -1,08027
Kurtosis 0,798004
N 672
0,68 0,73 0,78 0,83 0,88 0,93 0,98
Minimum 0,65741
1st Quartile 0,88000
Median 0,92537
3rd Quartile 0,97155
95% Confidence Interval for Mu Maximum 1,00000
95% Confidence Interval for Mu
0,90822 0,91908
0,91 0,92 0,93 95% Confidence Interval for Sigma
0,06804 0,07573
95% Confidence Interval for Median
0,91795 0,93198
Se saca también el diagrama de cajas de la disponibilidad del

conjunto de los cuatro parques. De conjunto de estos dos análisis se
puede concluir que el parque compuesto por los 84 aerogeneradores
repartidos entre los cuatro parques, tiene una disponibilidad a lo largo
de los cuatro meses de un 91,36%. Esto significa que hay un 8,64% en
el que el viento cumple las condiciones nominales para que los
aerogeneradores funcionen y no es el caso. Como ya se ha insistido

Página 37 de 169
I.C.A.I-D.O.I.
anteriormente, se trata de averiguar cuales son las variables que

causan esta indisponibilidad.
Boxplot of DISPONIBILIDAD
0,7 0,8 0,9 1,0
DISPONIBILIDAD
También se puede apreciar en el diagrama de cajas la presencia de

datos anómalos (outliers). Estos datos corresponden a máquinas que
tienen una disponibilidad muy por debajo de lo normal lo que a priori
explicable por una avería puntual mas grave de lo habitual.

Página 38 de 169
I.C.A.I-D.O.I.
Disponibilidad de cada uno de los parques sobre el

periodo completo de 4 meses.
Boxplots of DISPONIBILIDAD by PARQUE
1,0
DISPONIBILIDAD
0,9
0,8
0,7
PARQUE
Avila
Ojos Albos
Villacastin
Cruz de Hierro
Parque
Parque
Parque
Parque
4
3
De estos diagramas de caja se puede sacar la siguiente información:
Los parques 2 y 4 tienen un comportamiento similar en cuanto a
disponibilidad y a la variabilidad de esta. Por otro lado los parques 1 y 3
también comparten un comportamiento similar en cuanto a estos dos
aspectos mencionados anteriormente pero diferente al comportamiento
del los parque 2 y 4.
Estas observaciones son sólo conjeturas basadas sobre la

observación de los gráficos por lo cual habrá que contrastar estos datos
con herramientas estadísticas apropiadas (Contraste de hipótesis). Este
estudio se realizará mas adelante. Aunque de momento no se pueda
afirmar con exactitud que realmente existe dos grupos que presentan
una disponibilidad media dos a dos similar, (el grupo compuesto por los
parques 1 y 3 por un lado con una disponibilidad que ronda los 90% y
el grupo compuesto por los grupos 2 y 4 con una disponibilidad cercana
al 93%) resulta interesante detallar el análisis ya que interesaría
corregir las diferencias (si se puede) existentes entre los dos grupos
para mejorar la disponibilidad del primer grupo. Si se logra confirmar
que realmente existen estos dos grupos, habrá que estudiar cuales son
las diferencias entre los dos grupos.

Página 39 de 169
I.C.A.I-D.O.I.
Se puede observar que en los parques 1 y 3 hay dos datos anómalos

en cada caso. Dos de ellos estarían dentro de la variabilidad de los
parques 2 y 4 pero los otros no por lo cual, como ya se ha comentado
anteriormente, deben de tratarse de averías graves o de motivos
circunstanciales que trataremos de describir mas adelante.
Profundizamos el estudio midiendo la influencia del mes sobre la
disponibilidad del parque en general.
Disponibilidad del parque en general mes a mes.
MES: Diciembre

A-Squared: 4,401
P-Value: 0,000
Mean 0,913768
StDev 0,064638
Variance 4,18E-03
Skewness -2,2E-01
Kurtosis -1,29129
N 168
0,68 0,73 0,78 0,83 0,88 0,93 0,98
Minimum 0,77900
Median 0,90900
Maximum 1,00000
0,90392 0,92361
0,89 0,90 0,91 0,92 0,93 0,94 0,95 95% Confidence Interval for Sigma
0,05839 0,07240

0,89365 0,94635

Página 40 de 169
I.C.A.I-D.O.I.
MES: Enero

A-Squared: 10,516
P-Value: 0,000
Mean 0,882343
StDev 0,090291
Variance 8,15E-03
Skewness -9,2E-01
Kurtosis -5,2E-01
N 168
0,68 0,73 0,78 0,83 0,88 0,93 0,98
Minimum 0,657407
Median 0,917129
Maximum 0,988180
0,868590 0,896095
0,081559 0,101134

0,909009 0,920464
MES: Febrero

A-Squared: 4,397
P-Value: 0,000
Mean 0,896644
StDev 0,051126
Variance 2,61E-03
Skewness -1,32975
Kurtosis 2,26808
N 168
0,68 0,73 0,78 0,83 0,88 0,93 0,98
Minimum 0,691358
Median 0,907902
Maximum 0,978328
0,888856 0,904431
0,046182 0,057266

0,899821 0,912685

Página 41 de 169
I.C.A.I-D.O.I.
MES: Marzo

A-Squared: 17,775
P-Value: 0,000
Mean 0,961839
StDev 0,045696
Variance 2,09E-03
Skewness -1,83734
Kurtosis 2,45324
N 168
0,68 0,73 0,78 0,83 0,88 0,93 0,98
Minimum 0,80300
Median 0,98200
Maximum 1,00000
0,95488 0,96880
0,955 0,965 0,975 0,985 95% Confidence Interval for Sigma
0,04128 0,05118

0,97782 0,98400
Boxplots of DISPONIB by MES

(means are indicated bysolid circles)
1,0
DISPONIBILIDAD
0,9
0,8
0,7
MES
Marzo
Diciembre
Enero
Febrero

Página 42 de 169
I.C.A.I-D.O.I.
Cabe destacar la siguiente información:
Mes Disponibilidad media

Diciembre 0,9137
Enero 0,8823
Febrero 0,8966
Marzo 0,9618
En Diciembre y en Marzo la disponibilidad media del parque supera

el 91% y alcanza incluso el 96% en Marzo. Seria deseable que todos
los meses tuvieran una disponibilidad equivalente a la de Marzo. Se
intentará averiguar porque en este mes la disponibilidad es mayor que
en los otros tres. Si se logra identificar cuales son las variables que
intervienen en esta buena disponibilidad quizás se pueda intentar
mejorar la disponibilidad de los otros meses rectificando dichas
variables. En Enero y Febrero la disponibilidad esta por debajo del 90%
e incluso se sitúa en torno al 88% en el caso de Enero.
El problema es que parece probable que estas variables sean exteriores
al parque y correspondientes a las condiciones climatologiítas
características de estos meses. Quizás con un estudio posterior de las
averías se pueda identificar los motivos por los cuales la
indisponibilidad es mayor en estos dos meses.
Para obtener mas detalles sobre este fenómeno se procede a

estudiar la influencia del mes sobre cada uno de los cuatro parques con
el fin de verificar si lo que se observa sobre el parque en general es el
resultado del comportamiento idéntico agregado de cada uno de los
parques o si corresponde al comportamiento extremo de uno o dos de
los parques que afecta el efecto ponderado de los cuatro parques.

Página 43 de 169
I.C.A.I-D.O.I.
Disponibilidad de cada parque mes a mes.
Parque 1
MES_ojosalbo: Diciembre

A-Squared: 1,362
P-Value: 0,001
Mean 0,935636
StDev 0,054974
Variance 3,02E-03
Skewness -9,8E-01
Kurtosis 0,358042
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,78800
Median 0,95600
Maximum 1,00000
0,91892 0,95235
0,04542 0,06965

0,91513 0,97096

Página 44 de 169
I.C.A.I-D.O.I.
MES_ojosalbo: Febrero

A-Squared: 1,379
P-Value: 0,001
Mean 0,901149
StDev 0,031205
Variance 9,74E-04
Skewness -1,32391
Kurtosis 1,84514
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,799383
Median 0,907297
Maximum 0,938356
0,891662 0,910637
0,025783 0,039538

0,897479 0,913733
MES_ojosalbo: Enero

A-Squared: 3,385
P-Value: 0,000
Mean 0,933426
StDev 0,057969
Variance 3,36E-03
Skewness -2,79485
Kurtosis 10,4762
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,663317
Median 0,956890
Maximum 0,987745
0,915802 0,951051
0,912 0,922 0,932 0,942 0,952 0,962 95% Confidence Interval for Sigma
0,047895 0,073448

0,937315 0,958824

Página 45 de 169
I.C.A.I-D.O.I.
MES_ojosalbo: Marzo

A-Squared: 1,696
P-Value: 0,000
Mean 0,967114
StDev 0,020578
Variance 4,23E-04
Skewness -2,7E-01
Kurtosis -1,07889
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,92800
Median 0,96100
Maximum 1,00000
0,96086 0,97337
0,01700 0,02607

0,95700 0,98496
1,0
0,9
0,8
0,7
bos
Marzo
Diciembre
Enero
Febrero

Página 46 de 169
I.C.A.I-D.O.I.
Mes Disponibilidad media Parque

Diciembre 0,9356
Enero 0,9334
Febrero 0,9011
Marzo 0,9671
Se puede observar que este parque tiene una disponibilidad media

mes a mes por encima de la media de los cuatro parques y que sigue el
comportamiento anteriormente descrito aunque de manera memos
marcada. La disponibilidad media de Enero es alta comparado con lo
que se había comentado pero Febrero si que sigue el patrón descrito.
Ya se observó que el parque 1 tenia una disponibilidad media por
encima de los tres otros (Apartado IV.2.2) pero todavía no se puede
dar una explicación de porque sucede. La única explicación aparente
que podría justificar dicha diferencia reside en el emplazamiento del
parque. Se podrá analizar esta diferencia mas a fondo con el estudio de
las incidencias y demás factores pero de momento la única hipótesis
que se puede realizar es las de la mejores condiciones de viento en el
emplazamiento de este parque respecto de los otros.
MES_cruz: Diciembre

A-Squared: 0,300
P-Value: 0,567
Mean 0,872455
StDev 0,052208
Variance 2,73E-03
Skewness 0,314320
Kurtosis -6,0E-01
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,779000
Median 0,872500
Maximum 0,985000
0,856582 0,888327
0,85 0,86 0,87 0,88 0,89 95% Confidence Interval for Sigma
0,043135 0,066149

0,850223 0,883911

Página 47 de 169
I.C.A.I-D.O.I.
Parque 2
MES_cruz: Febrero

A-Squared: 1,201
P-Value: 0,003
Mean 0,874136
StDev 0,063930
Variance 4,09E-03
Skewness -7,0E-01
Kurtosis -6,0E-01
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,732308
Median 0,884307
Maximum 0,960227
0,854700 0,893573
0,052821 0,081002

0,871538 0,908392
MES_cruz: Enero

A-Squared: 3,538
P-Value: 0,000
Mean 0,823097
StDev 0,101439
Variance 1,03E-02
Skewness -8,9E-02
Kurtosis -1,86453
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,674227
Median 0,839634
Maximum 0,952128
0,792257 0,853937
0,083812 0,128526

0,742747 0,909070

Página 48 de 169
I.C.A.I-D.O.I.
MES_cruz: Marzo

A-Squared: 3,243
P-Value: 0,000
Mean 0,975455
StDev 0,024209
Variance 5,86E-04
Skewness -2,92109
Kurtosis 10,8584
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,86500
Median 0,98100
Maximum 1,00000
0,96809 0,98281
0,02000 0,03067

0,97604 0,98396
1,0
0,9
0,8
0,7
_cruz
Marzo
Diciembre
Enero
Febrero

Página 49 de 169
I.C.A.I-D.O.I.

Diciembre 0,8724
Enero 0,8223
Febrero 0,8741
Marzo 0,9754
El parque 2 presenta una disponibilidad baja para Enero y Febrero

aunque también en Diciembre. En Marzo la disponibilidad se dispara
hasta alcanzar el 97,5%. Además de tener la mejor disponibilidad de
los cuatro meses, es el que presenta la menor dispersión por lo que se
puede deducir que para este parque, el viento ha debido de soplar de
manera constante y que las averías han tenido que ser pocas y de poca
duración. Además de pocas averías, habrá sido un nivel constante de
averías (numero de averías por día constante) y de duración similar
cada vez. Enero es el peor mes como se ha venido diciendo hasta
ahora. Se verá en el análisis de los errores porque este mes es el que
peor disponibilidad tiene.
Parque 3
MES_villacas: Diciembre

A-Squared: 4,295
P-Value: 0,000
Mean 0,977432
StDev 0,032212
Variance 1,04E-03
Skewness -4,54598
Kurtosis 25,6545
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,79300
Median 0,98300
Maximum 1,00000
0,96764 0,98723
0,02661 0,04081

0,97413 0,99000

Página 50 de 169
I.C.A.I-D.O.I.
MES_villacas: Enero

A-Squared: 1,620
P-Value: 0,000
Mean 0,929922
StDev 0,046809
Variance 2,19E-03
Skewness -1,11069
Kurtosis 0,515739
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,813559
Median 0,945255
Maximum 0,988180
0,915691 0,944153
0,038675 0,059309

0,924862 0,957869
MES_villacas: Febrero

A-Squared: 3,253
P-Value: 0,000
Mean 0,878805
StDev 0,044953
Variance 2,02E-03
Skewness -2,48256
Kurtosis 7,41795
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,691358
Median 0,889230
Maximum 0,922636
0,865138 0,892472
0,037141 0,056956

0,876339 0,899955

Página 51 de 169
I.C.A.I-D.O.I.
MES_villacas: Marzo

A-Squared: 4,266
P-Value: 0,000
Mean 0,984682
StDev 0,012217
Variance 1,49E-04
Skewness -2,77388
Kurtosis 8,91553
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,932000
Median 0,989000
Maximum 0,994000
0,980968 0,988396
0,010094 0,015479

0,987000 0,990000
1,0
0,9
0,8
0,7
stin
Marzo
Diciembre
Enero
Febrero

Página 52 de 169
I.C.A.I-D.O.I.

Diciembre 0,9774
Enero 0,9299
Febrero 0,8788
Marzo 0,9846
Este parque es el que mejor se pega al comportamiento descrito

para el parque en su conjunto. Se ve claramente los dos grupos
Diciembre-Marzo y Enero-Febrero. Los dos meses del primer grupo
alcanzan una disponibilidad alta (98,5% en el caso de Marzo) mientras
que el segundo grupo oscila entre el 88% y el 93% que sigue siendo
bastante elevado. El comportamiento del parque 3 en Marzo es el
comportamiento que convendría que tuviera todo el parque a lo largo
de los 12 meses.
Parque 4
MES_avila: Diciembre

A-Squared: 1,350
P-Value: 0,001
Mean 0,859722
StDev 0,027434
Variance 7,53E-04
Skewness -2,5E-02
Kurtosis -1,57621
N 36
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,815000
Median 0,853000
Maximum 0,897000
0,850440 0,869004
0,022251 0,035786

0,840000 0,880794

Página 53 de 169
I.C.A.I-D.O.I.
MES_avila: Enero

A-Squared: 4,032
P-Value: 0,000
Mean 0,834165
StDev 0,080684
Variance 6,51E-03
Skewness -1,2E-01
Kurtosis -1,53074
N 36
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,657407
Median 0,777402
Maximum 0,920000
0,806866 0,861465
0,065441 0,105248

0,770783 0,915462
MES_avila: Febrero

A-Squared: 0,851
P-Value: 0,026
Mean 0,940450
StDev 0,027120
Variance 7,36E-04
Skewness -9,9E-01
Kurtosis 1,46777
N 36
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,853333
Median 0,941666
Maximum 0,978328
0,931274 0,949626
0,021997 0,035377

0,926536 0,960898

Página 54 de 169
I.C.A.I-D.O.I.
MES_avila: Marzo

A-Squared: 2,283
P-Value: 0,000
Mean 0,910833
StDev 0,070283
Variance 4,94E-03
Skewness 0,166408
Kurtosis -1,66305
N 36
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,80300
Median 0,88950
Maximum 1,00000
0,88705 0,93461
0,05701 0,09168

0,86594 0,98453
1,0
0,9
0,8
0,7
ila
Marzo
Diciembre
Enero
Febrero

Página 55 de 169
I.C.A.I-D.O.I.
Mes Disponibilidad media Parque 1

Diciembre 0,8597
Enero 0,8341
Febrero 0,9404
Marzo 0,9108
El comportamiento del parque 4 no sigue el patrón de

comportamiento descrito ya que presenta una disponibilidad más
elevada en Febrero que en Marzo y una disponibilidad casi igual en
Enero que en Diciembre. Se ha de averiguar porque el comportamiento
de este parque es diferente. El parque 4 tiene 18 aerogeneradores
mientras que los otros tres tienen 22. El parque esta situado a unos 50
kilómetros del resto de los parques. ¿Cuales de estas diferencias es la
que esta interfiriendo en la disponibilidad?
Parece más probable que la diferencia provenga del emplazamiento del
parque pero todavía no se dispone de suficiente información como para
poder decir en que afecta exactamente el emplazamiento del parque
con su baja disponibilidad.
Se tiene que profundizar el análisis de los datos para llegar a una
conclusión sobre esta disparidad de disponibilidades.
Para ello, se pasa a estudiar la disponibilidad del parque en función
del horario del horario de Operación y mantenimiento.
Disponibilidad del parque en general en función del tipo

de operación y mantenimiento (O&M).
Como se ha comentado anteriormente, existen dos franjas horarias

para el mantenimiento del parque. Llamaremos a “atención personal”
para referirnos a aquella supervisión del parque realizado con el
personal mantenedor presente en el parque, es decir, de Lunes a
Viernes de 9h00 a 18h00. Para el resto del tiempo, lo denominaremos
como “remoto”.
Veamos si existen diferencias en la disponibilidad del parque en
función de O&M.

Página 56 de 169
I.C.A.I-D.O.I.
►Disponibilidad del parque en atención personal.
HORARIO: Personal

A-Squared: 4,626
P-Value: 0,000
Mean 0,908345
StDev 0,042098
Variance 1,77E-03
Skewness -2,18895
Kurtosis 8,77676
N 168
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,663317
Median 0,915567
0,901933 0,914757
0,038026 0,047153
0,909009 0,918782
Se ve que la disponibilidad del parque sobre el conjunto de los

cuatro meses y en atención personal tiene una media de 0,908.

Página 57 de 169
I.C.A.I-D.O.I.
►Disponibilidad del parque en atención personal.
HORARIO: O&M remoto

A-Squared: 6,176
P-Value: 0,000
Mean 0,870641
StDev 0,091553
Variance 8,38E-03
Skewness -5,6E-01
Kurtosis -1,02882
N 168
0,67 0,73 0,79 0,85 0,91 0,97
Minimum 0,657407
Median 0,906009
0,856696 0,884586
0,082699 0,102548
0,882228 0,913832
Se ve que la disponibilidad del parque sobre el conjunto de los

cuatro meses y en atención personal tiene una media de 0,870.
Se presenta a continuación el diagrama de cajas que ilustra la
diferencia entre los dos tipos de atención.
Boxplots of DISPONIBILIDAD by HORARIO
1,0
DISPONIBILIDAD
0,9
0,8
0,7
HORARIO
O&M remoto
Personal

Página 58 de 169
I.C.A.I-D.O.I.
Observando el diagrama de cajas se puede deducir que

aparentemente la disponibilidad es mejor en atención local que en
remoto. Este fenómeno era previsible pero habría que realizar un
estudio más a fondo sobre cada uno de los parques y finalmente
realizar un contraste de hipótesis que confirmara si realmente existe
una diferencia entre la disponibilidad obtenida en local y la obtenida en
remoto.
Se profundiza el estudio entrando en el detalle del comportamiento
de cada uno de los cuatro parques.
Disponibilidad de cada parque en función del O&M.
Parque 1
HORARIO_ojos: Personal

A-Squared: 2,463
P-Value: 0,000
Mean 0,915323
StDev 0,052703
Variance 2,78E-03
Skewness -2,84707
Kurtosis 11,6498
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,663317
Median 0,924771
0,899300 0,931346
0,043545 0,066776
0,907452 0,938337

Página 59 de 169
I.C.A.I-D.O.I.
HORARIO_ojos: O&M remoto

A-Squared: 0,323
P-Value: 0,517
Mean 0,919253
StDev 0,045625
Variance 2,08E-03
Skewness -4,5E-01
Kurtosis -8,0E-02
N 44
0,69 0,75 0,81 0,87 0,93 0,99
Minimum 0,799383
Median 0,919500
0,905381 0,933124
0,037697 0,057809
0,905996 0,935880
Boxplots of DISPONIBILIDAD_ojosalbos by HORARIO_
1,0
DISPONIBILIDAD_ojosalbos
0,9
0,8
0,7
_ojosalbos
O&M remoto
Personal

Página 60 de 169
I.C.A.I-D.O.I.
Parque 2
HORARIO_cruz: Personal

A-Squared: 0,323
P-Value: 0,516
Mean 0,913722
StDev 0,024043
Variance 5,78E-04
Skewness -2,6E-01
Kurtosis -6,7E-01
N 44
0,69 0,75 0,81 0,87 0,93
Minimum 0,858268
Median 0,913263
0,906412 0,921031
0,019865 0,030463
0,907146 0,925491
HORARIO_cruz: O&M remoto

A-Squared: 1,514
P-Value: 0,001
Mean 0,783512
StDev 0,080358
Variance 6,46E-03
Skewness 0,836011
Kurtosis -3,6E-01
N 44
0,69 0,75 0,81 0,87 0,93
Minimum 0,674227
Median 0,759050
0,759081 0,807943
0,74 0,75 0,76 0,77 0,78 0,79 0,80 0,81 95% Confidence Interval for Sigma
0,066393 0,101815
0,742225 0,785725

Página 61 de 169
I.C.A.I-D.O.I.
DISPONIBILIDAD_cruz
Boxplots of DISPONIBILIDAD_cruz by HORARIO_
0,9
0,8
0,7
ARIO_cruz
O&M remoto
Personal
Parque 3
HORARIO_vill: Personal

A-Squared: 0,641
P-Value: 0,089
Mean 0,891687
StDev 0,046612
Variance 2,17E-03
Skewness -5,5E-01
Kurtosis 1,36969
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,751773
Median 0,892086
0,877516 0,905858
0,038512 0,059058
0,874613 0,902004

Página 62 de 169
I.C.A.I-D.O.I.
HORARIO_vill: O&M remoto

A-Squared: 1,373
P-Value: 0,001
Mean 0,917039
StDev 0,055202
Variance 3,05E-03
Skewness -1,81125
Kurtosis 5,41774
N 44
0,72 0,78 0,84 0,90 0,96
Minimum 0,691358
Median 0,916028
0,900256 0,933822
0,045609 0,069942
0,910926 0,945962
Boxplots of DISPONIBILIDAD_villacastin by HORARIO_
1,0
DISPONIBILIDAD_villacastin
0,9
0,8
0,7
ARIO_villacastin
O&M remoto
Personal

Página 63 de 169
I.C.A.I-D.O.I.
Parque 4
HORARIO_avil: Personal

A-Squared: 6,052
P-Value: 0,000
Mean 0,913605
StDev 0,034484
Variance 1,19E-03
Skewness -4,50729
Kurtosis 23,2223
N 36
0,65 0,70 0,75 0,80 0,85 0,90 0,95
Minimum 0,731959
Median 0,918782
0,901937 0,925273
0,027970 0,044983
0,916752 0,920140
HORARIO_avil: O&M remoto

A-Squared: 4,104
P-Value: 0,000
Mean 0,861010
StDev 0,102192
Variance 1,04E-02
Skewness -9,4E-02
Kurtosis -1,75169
N 36
0,65 0,70 0,75 0,80 0,85 0,90 0,95
Minimum 0,657407
Median 0,833333
0,826433 0,895587
0,082886 0,133303
0,771463 0,960898

Página 64 de 169
I.C.A.I-D.O.I.
Boxplots of DISPONIBILIDAD_avila by HORARIO_
1,0
DISPONIBILIDAD_avila
0,9
0,8
0,7
RIO_avila
O&M remoto
Personal
Se puede observar una clara diferencia entre la disponibilidad
alcanzada en personal comparado con aquella obtenida en remoto sólo
para el caso del parque 2 y 4. Para los parques 1 y 3 esta diferencia no
es significativa.
A priori no se sabe porque pasa esto en el parque 2 pero si que se
puede intuir porque pasa en el parque 4. El parque 4 es el que esta
situado a 50 kilómetros del resto de los otros por lo que la operación en
remoto da resultados mucho peores.
Llegado a este punto se necesita más información para poder

concretizar si existen patrones de comportamiento de los parques o si
cada uno tiene una disponibilidad independientemente de la de los
otros. Realizando unos contrastes de hipótesis apropiados podremos
saber estadísticamente si los cuatro parques son iguales o si son
diferentes, o si algunos se comportan de un cierto modo y otros de una
forma distinta.
Para poder utilizar los contrastes de hipótesis adecuados se necesita

saber si los datos siguen una distribución normal ya que en función de
eso habrá que utilizar unos contrastes u otros. Durante la carrera
siempre se han trabajado con datos normales.
La primera fase consiste pues en realizar un test de normalidad.
Para ello se puede utilizar varios tipos de test, de los que destacamos
los siguientes:
• Test de Kolmogorov-Smirnov
• Test de Anderson-Darling
• Test de Ryan-Joiner ( que en realidad es similar al Shapiro-
Wilk)

Página 65 de 169
I.C.A.I-D.O.I.
Los datos que hay que someter a este estudio son bastantes ya que
hay que estudiar todos los datos resultantes de las combinaciones
posibles que estudiamos. Es decir, hay que estudiar la normalidad de
los datos cuando estos están expresados en función del parque, del
mes, del horario,….
Para el estudio de la normalidad de los datos se ha empleado el test

de Anderson-Darling que se maneja como sigue a continuación.
El test genera una representación por puntos de la probabilidad de

ocurrencia de cada dato y realiza un contraste de hipótesis para
examinar si es verdad que los datos siguen una distribución normal.
Para la normalidad, las hipótesis son:
H0: Los datos siguen una distribución normal

H1: Los datos no siguen una distribución normal
En la representación gráfica la cuadricula es la que se emplea en

papel para representaciones de distribuciones normales de
probabilidad. En el eje de ordenadas se establece una escala de
probabilidad mientras que en el eje de abscisas se ponen la escala de
los datos. Se representa una recta que se ajusta a los datos por el
método de los mínimos cuadrados. Esta recta es una estimación de la
función de distribución acumulada de los datos que están
representados.
Se representa a continuación el test de Anderson-Darling realizado

sobre los datos de la disponibilidad del parque eólico en su conjunto a
lo largo de los cuatro meses de estudio.

Página 66 de 169
I.C.A.I-D.O.I.
Normal Probability Plot
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
Average: 0,913648 Anderson-Darling Normality Test
StDev: 0,0716822 A-Squared: 16,682
N: 672 P-Value: 0,000
Haciendo el test de normalidad sobre los datos acumulados de

disponibilidad de los cuatro meses se ve que el valor P es inferior a
0.05 que es nuestro nivel de confianza por lo que hay evidencias de
que se puede rechazar la hipótesis nula (recordamos que la hipótesis
nula era H0: Los datos siguen una distribución normal). Se concluye
que con el 95% de fiabilidad se puede afirmar que los datos que
recogen la disponibilidad del parque a lo largo del periodo de estudio no
siguen una distribución normal por lo que no se les puede aplicar los
métodos estadísticos que se han visto a lo largo de la carrera (No se
puede utilizar el método ANOVA por ejemplo, que hubiese sido muy útil
para el estudio de la influencia de los diferentes variables exteriores
que intervienen en la disponibilidad).
Se mira entonces si los datos agrupados por criterios si que son

normales. Los grupos que estudiamos son los siguientes:
• Horario
• Mes
• Parque
• Parque/Mes
• Parque/horario
Los contrastes se realizan sobre el periodo de los 4 meses.

Página 67 de 169
I.C.A.I-D.O.I.
►POR HORARIO
Test Normalidad:Dispo_Remoto_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0825533 A-Squared: 12,377
N: 336 P-Value: 0,000
Test Normalidad:Dispo_personal_4meses
,999
,99
,95
Probability
,80
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0825533 A-Squared: 12,377
N: 336 P-Value: 0,000
Tampoco son normales los datos separados por horario, se

analiza agrupando los datos por mes.

Página 68 de 169
I.C.A.I-D.O.I.
►POR MES
Test Normalidad:Dispo_Dic_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0646382 A-Squared: 4,401
N: 168 P-Value: 0,000
Test Normalidad:Dispo_Enero_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0902909 A-Squared: 10,516
N: 168 P-Value: 0,000

Página 69 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Feb_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,68 0,78 0,88 0,98

DISPONIBILID
StDev: 0,0511264 A-Squared: 4,397
N: 168 P-Value: 0,000
Test Normalidad:Dispo_Marzo_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0456957 A-Squared: 17,775
N: 168 P-Value: 0,000
En línea de nuestros análisis previos, no hay normalidad de datos

por lo que se analiza los datos parque a parque.

Página 70 de 169
I.C.A.I-D.O.I.
►POR PARQUE
Test Normalidad:Dispo_Avila_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0701311 A-Squared: 1,218
N: 144 P-Value: 0,003
Test Normalidad:Dispo_Cruz_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0862243 A-Squared: 4,026
N: 176 P-Value: 0,000

Página 71 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Ojos_4meses
,999
,99
,95
,80
Probability ,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0495910 A-Squared: 3,446
N: 176 P-Value: 0,000
Test Normalidad:Dispo_Villa_4meses
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0560403 A-Squared: 7,877
N: 176 P-Value: 0,000
En línea de nuestros análisis previos, no hay normalidad de datos

por lo que se analiza los datos parque a parque/mes.

Página 72 de 169
I.C.A.I-D.O.I.
►POR PARQUE/MES
Test Normalidad:Dispo_Avila_Dic
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,82 0,83 0,84 0,85 0,86 0,87 0,88 0,89 0,90

DISPONIBILID
StDev: 0,0274337 A-Squared: 1,350
N: 36 P-Value: 0,001
Test Normalidad:Dispo_Avila_Enero
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9

DISPONIBILID
StDev: 0,0806842 A-Squared: 4,032
N: 36 P-Value: 0,000

Página 73 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Avila_Feb
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,85 0,90 0,95

DISPONIBILID
StDev: 0,0271201 A-Squared: 0,851
N: 36 P-Value: 0,026
Test Normalidad:Dispo_Avila_Marz
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0702829 A-Squared: 2,283
N: 36 P-Value: 0,000

Página 74 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Cruz_Dic
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,78 0,88 0,98

DISPONIBILID
StDev: 0,0522077 A-Squared: 0,300
N: 44 P-Value: 0,567
Test Normalidad:Dispo_Cruz_Enero
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,66 0,76 0,86 0,96

DISPONIBILID
StDev: 0,101439 A-Squared: 3,538
N: 44 P-Value: 0,000

Página 75 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Cruz_Feb
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,75 0,85 0,95

DISPONIBILID
StDev: 0,0639305 A-Squared: 1,201
N: 44 P-Value: 0,003
Test Normalidad:Dispo_Cruz_Marz
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,90 0,95 1,00

DISPONIBILID
StDev: 0,0242088 A-Squared: 3,243
N: 44 P-Value: 0,000

Página 76 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Ojos_Dic
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0549736 A-Squared: 1,362
N: 44 P-Value: 0,001
Test Normalidad:Dispo_Ojos_Ener
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0579692 A-Squared: 3,385
N: 44 P-Value: 0,000

Página 77 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Ojos_Feb
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,80 0,82 0,84 0,86 0,88 0,90 0,92 0,94

DISPONIBILID
StDev: 0,0312054 A-Squared: 1,379
N: 44 P-Value: 0,001
Test Normalidad:Dispo_Ojos_Marz
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,93 0,94 0,95 0,96 0,97 0,98 0,99 1,00

DISPONIBILID
StDev: 0,0205779 A-Squared: 1,696
N: 44 P-Value: 0,000

Página 78 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Villa_Dic
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0322118 A-Squared: 4,295
N: 44 P-Value: 0,000
Test Normalidad:Dispo_Villa_Ener
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,84 0,89 0,94 0,99

DISPONIBILID
StDev: 0,0468094 A-Squared: 1,620
N: 44 P-Value: 0,000

Página 79 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Villa_Feb
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9

DISPONIBILID
StDev: 0,0449529 A-Squared: 3,253
N: 44 P-Value: 0,000
Test Normalidad:Dispo_Villa_Marz
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,93 0,94 0,95 0,96 0,97 0,98 0,99

DISPONIBILID
StDev: 0,0122166 A-Squared: 4,266
N: 44 P-Value: 0,000
Ninguno de ellos sigue una distribución normal. Se analizan los

datos en función del parque agrupando por horario.

Página 80 de 169
I.C.A.I-D.O.I.
►POR PARQUE/HORARIO
Test Normalidad:Dispo_Avila_Remoto
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0821115 A-Squared: 2,623
N: 72 P-Value: 0,000
Test Normalidad:Dispo_Avila_Perso
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0561370 A-Squared: 2,890
N: 72 P-Value: 0,000

Página 81 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Cruz_Remoto
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,100270 A-Squared: 2,176
N: 88 P-Value: 0,000
Test Normalidad:Dispo_Cruz_Perso
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0526486 A-Squared: 0,679
N: 88 P-Value: 0,074

Página 82 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Ojos_Remoto
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0445718 A-Squared: 1,175
N: 88 P-Value: 0,004
Test Normalidad:Dispo_Ojos_Perso
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0543887 A-Squared: 2,909
N: 88 P-Value: 0,000

Página 83 de 169
I.C.A.I-D.O.I.
Test Normalidad:Dispo_Villa_Remoto
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,7 0,8 0,9 1,0

DISPONIBILID
StDev: 0,0547216 A-Squared: 4,621
N: 88 P-Value: 0,000
Test Normalidad:Dispo_Villa_Perso
,999
,99
,95
,80
Probability
,50
,20
,05
,01
,001
0,8 0,9 1,0

DISPONIBILID
StDev: 0,0571351 A-Squared: 3,848
N: 88 P-Value: 0,000
Dado que los datos agrupados por parque y para cada parque
individualmente no son normales, se va a utilizar el test de las
medianas de Mood para comparar las medianas de nuestros parques. Si
los datos son normales se trabaja con las medias pero si no lo son se
ha de trabajar con las medianas.
Utilizamos la prueba de las medianas de Mood para comparar los

parques. Se comparan tanto las medianas como los cuartiles. Es
“parecido” a un ANOVA pero adaptado a datos no normales.
El test de las medianas de Mood se utiliza para comprobar la igualdad
de las medianas de dos o más poblaciones y al igual que el test de
Kruskal-Wallis proporciona una alternativa no parametrica del análisis
de la varianza con el método Anova.

Página 84 de 169
I.C.A.I-D.O.I.
El test que se realiza es el siguiente:
H0: Las medianas de todas las poblaciones son iguales

H1: Las medianas de todas las poblaciones no son iguales
Se presenta a continuación el resultado del test de la medianas de

Mood para comprobar si las medianas de la disponibilidad de los cuatro
parques son las mismas o si son diferentes, lo que permitirá saber si
los cuatro parques siguen un patrón de comportamiento similar o no.
El test que se realiza es entonces:
H0: Las medianas de la disponibilidad de los cuatro parques son

las mismas.
H1: Las medianas de la disponibilidad de los cuatro parques no
son las mismas.
El resultado es el siguiente.
Mood Median Test: DISPONIBILIDAD versus PARQUE
Mood median test for DISPONIB
Chi-Square = 66,22 DF = 3 P = 0,000
Individual 95,0% CIs

PARQUE N<= N> Median Q3-Q1 -------+---------+---------+---------
P4 104 40 0,8935 0,0935 (--+-------)
P2 107 69 0,9066 0,1302 (-------+--)
P1 63 113 0,9467 0,0636 (-----+---)
P3 62 114 0,9681 0,0798 (------+--)
-------+---------+---------+---------
0,900 0,925 0,950
Overall median = 0,9254
Se puede comprobar que existen dos grupos de parque: Por un lado

los parques 2 y 4 y por otro los parques 1 y 3.
Se analizan los residuos para ver su comportamiento. Se presenta a
continuación las representaciones graficas de los residuos así como su
interpretación.

Página 85 de 169
I.C.A.I-D.O.I.
Residual Plots: RESI1 vs FITS1
Residual Model Diagnostics

Normal Plot of Residuals I Chart of Residuals
111111
0,1 0,1 1 1 111 1111111
1111111111 1
111
1111 522221 515 15
5652 522 856265 88 22 88 5 22 62 22222 5 552 6 UCL=0,06211
62 2 22 622222 5 22 66226622 22
62 666662 666
2 862 86622222 886
62
622 6 222266
662222222 6 6222262
2
0,0 2 2 222 2 7 2 2 2277 22 2
0,0 2
Mean=-0,01675
Residual
Residual
2 7 2 2 3
2 2
2 62 226 2 6 7222 2 6 6
86 6652 262222222 668
8 2222 52 6 82
-0,1 -0,1 2 5 2
222
1 12 1 1 12
52222
111
5
12 6
6 65 22 LCL=-0,09561
1111111 11 11 111 1 11
1
1 11 1 11
1 11 1 11 1 1 1 1
1111 1 1
-0,2 -0,2 1 11 1 11 1 1
111
11 111
1
-0,3 -0,3 1 1
-3 -2 -1 0 1 2 3 0 100 200 300 400 500 600 700

Normal Score Observation Number
Histogram of Residuals Residuals vs. Fits

150
0,1
100 0,0
Frequency
Residual
-0,1
50
-0,2
0 -0,3
-0,3 -0,2 -0,1 0,0 0,1 0,89 0,90 0,91 0,92 0,93 0,94 0,95 0,96 0,97
Residual Fit
El análisis de los residuos permite confirmar la hipótesis anterior ya

que aparecen claramente dos grupos de parque (residuals vs fits). No
esta tan claro que se observen dos distribuciones en los histogramas.
Para estar seguro de que realmente existen dos tipos de

comportamiento en los diferentes parques se puede hacer un test más
restrictivo en el que sólo se comparan dos medianas en vez de varias.
Este test es el de Mann Whitney y se toman los datos de disponibilidad
de los parques dos a dos tal y como lo manifiesta el test de las
medianas de Mood.
El contraste de hipotesis genérico que se realiza para comparar

dos parques X e Y es el siguiente:
H0: Las medianas de la disponibilidad del parque X e Y son las

mismas.
H1: Las medianas de la disponibilidad del parque X e Y no son
las mismas.
Por lo cual se realiza dos contrastes de hipótesis en los que se

comparan las medianas del parque 2 respecto del 4 y 1 respecto del 3.
Se presenta a continuación los contrastes que se realizan con sus
resultados.

Página 86 de 169
I.C.A.I-D.O.I.
Parques 2 y 4:
H0: Las medianas de la disponibilidad del parque 2 y 4 son las

mismas. El software considera esta hipótesis como
ETA1=ETA2
H1: Las medianas de la disponibilidad del parque 2 y 4 no son
las mismas. ETA1 not = ETA2
Se presenta a continuación el resultado del test de Mann-Whitney.
Mann-Whitney Test and CI: DISPONIBILIDAD_P4; DISPONIBILIDAD_P2
DISPONIB N = 144 Median = 0,89350

Point estimate for ETA1-ETA2 is -0,00668
95,0 Percent CI for ETA1-ETA2 is (-0,02376;0,01100)
W = 22560,5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0,5034
The test is significant at 0,5034 (adjusted for ties)
Cannot reject at alpha = 0,05
Se observa que el “P value” es de 0,5034 (>0,5) por lo cual no se

puede rechazar la hipótesis nula (ETA1=ETA2) lo que significa que los
dos parques siguen el mismo patrón de comportamiento en cuanto a
disponibilidad se refiere.
Se estudia el caso para los parques 1 y 3:
H0: Las medianas de la disponibilidad del parque 1 y 3 son las

mismas.
H1: Las medianas de la disponibilidad del parque 1 y 3 no son
las mismas.
Se presenta a continuación el resultado del test de Mann-Whitney

Página 87 de 169
I.C.A.I-D.O.I.
Mann-Whitney Test and CI: DISPONIBILIDAD_P1; DISPONIBILIDAD_P3
ISPONIB N = 176 Median = 0,94669

Point estimate for ETA1-ETA2 is -0,01178
95,0 Percent CI for ETA1-ETA2 is (-0,02101;-0,00299)
W = 28476,5
Test of ETA1 = ETA2 vs ETA1 not = ETA2 is significant at 0,0067
The test is significant at 0,0067 (adjusted for ties)
Se observa que no se puede rechazar la hipótesis de que

ETA1=ETA2 lo que significa que los dos parques siguen el mismo
patrón de comportamiento en cuanto a disponibilidad se refiere.
Se sabe entonces que hay dos grupos de parques que tienen un

comportamiento similar. Lo parques 1 y 3 por un lado y los parques 2 y
4 por otro. No se puede decir porque sucede este fenómeno. Se
necesita más información para poder afirmar cual es el origen de estas
similitudes. Se realizará un posterior estudio de la duración de las
paradas y de las averías de los aerogeneradores para intentar dar una
explicación de porque los parques se comportan de este modo.
Se busca ahora similitudes y diferencias en el comportamiento de los

cuatro parques agrupando los datos en función del mes.
El contraste de hipótesis que se lleva a cabo es el siguiente.
H0: Las medianas de la disponibilidad del parque en general son

las mismas para los cuatro meses.
H1: Las medianas de la disponibilidad del parque en general no
son las mismas para los cuatro meses.
Mood Median Test: DISPONIBILIDAD versus MES
Chi-Square = 123,29 DF = 3 P = 0,000

MES N<= N> Median Q3-Q1 ---+---------+---------+---------+---
Diciembr 92 76 0,9090 0,1178 (------+--------------)
Enero 101 67 0,9171 0,1645 (--+)
Febrero 119 49 0,9079 0,0526 (--+-)
Marzo 24 144 0,9820 0,0340 (-+)
---+---------+---------+---------+---
0,900 0,925 0,950 0,975

Página 88 de 169
I.C.A.I-D.O.I.

0,1 0,1 1 11111111111
1 11111
1115111112111
11
1
11
122551 1 1 2 211
5655222225 22 552225 15
5 5 552222222
555 652225 25 6666
85
8 2 88 5 UCL=0,06258
222 6 2 62 88 2 2
622 2 66222 22 22 86 8 22 622 2222222 22222 3
22 2 2
0,0 0,0 2 22 2 77
Mean=-0,01536
Residual
Residual
2 77 2 7777 2 2
22 22 7 26
2 6 222 2222
-0,1 -0,1
2 88
5 5 22 52 52
2222 LCL=-0,09330
1 1 11 12
5
511 1225115 12
1 111 111 1 11 1 1
1
11 11 11 1 1
1111111 1 1 11
1 1
1
1
-0,2 -0,2 1
1
1111 1
111 1
11
1 1111
111
1 1
-0,3 -0,3
-3 -2 -1 0 1 2 3 0 100 200 300 400 500 600 700

0,1
150
0,0
Frequency
Residual
100
-0,1
50
-0,2
0 -0,3
-0,3 -0,2 -0,1 0,0 0,1 0,905 0,915 0,925 0,935 0,945 0,955 0,965 0,975 0,985
Residual Fit
Queda claro que la disponibilidad es mucho mejor en el mes de

Marzo pero no se pueden establecer grupos en los que encasillar cada
parque. No existe un patrón de comportamiento en función del mes.
Hay diferencias que se deben a factores climatológicos. También hay un
factor que entra en juego y es que a partir de Febrero el mantenedor se
ha visto sometido a una mayor presión ya que se ha dado cuenta que
el estudio que se llevaba a cabo para realizar este proyecto de fin de
carrera buscaba los más mínimos detalles susceptibles de ser la causa
de la indisponibilidad. Ante esta situación se piensa que la seriedad con
la que se ha trabajado por parte del mantenedor ha sido mayor y es en
parte responsable de la mejora de la disponibilidad en el mes de Marzo.
Se busca ahora similitudes y diferencias en el comportamiento de los

cuatro parques agrupando los datos en función del horario.
El contraste de hipótesis que se lleva a cabo es el siguiente.
H0: Las medianas de la disponibilidad del parque en general en

función del horario son las mismas para los cuatro meses.
H1: Las medianas de la disponibilidad del parque en general en
función del horario no son las mismas para los cuatro meses.

Página 89 de 169
I.C.A.I-D.O.I.
Mood Median Test: DISPONIBILIDAD versus HORARIO
Chi-Square = 0,38 DF = 1 P = 0,537

HORARIO N<= N> Median Q3-Q1 -------+---------+---------+---------
O&M remo 164 172 0,9287 0,1019 (--------------+----------------)
Personal 172 164 0,9228 0,0858 (----+---------)
-------+---------+---------+---------
0,920 0,930 0,940
A 95,0% CI for median(O&M remo) - median(Personal): (-0,0152;0,0185)

0,1 0,1 1111151 111111 12112
2211 21 11 111111 1111211121
61122 122151
1
5552 5 22 6 5 55552222655 22 222222222222 522 22
2585
6222226 226 6622266 622 265 655 22 2 2 22 88 2 55252222222 UCL=0,06602
66 6666 8 262 62 6222222 2 6 622222
2222 6 22 22 6
86 88 2
22 2 222 7 222 2 3
0,0 0,0 Mean=-0,01212
2 2 2
Residual
Residual
2 8 222 222
2 2
2 22
22 62286 8
2
8222 8866222 62 8
-0,1 8 5 5 2 5 2 85 222222 55 LCL=-0,09025
-0,1 2
1 1 5585 111 1
1 1 11 1 1 1
1
1 1111111 111
1 11 1 1 111 1
1
11 1
1 1
1
1111111 1 111
-0,2 -0,2 1
1
11
1 1 11
111 1
11111
1
1
111
1
-0,3 -0,3 1
-3 -2 -1 0 1 2 3 0 100 200 300 400 500 600 700


0,1
100
0,0
Frequency
Residual
-0,1
50
-0,2
0 -0,3
-0,3 -0,2 -0,1 0,0 0,1 0,923 0,924 0,925 0,926 0,927 0,928 0,929
Residual Fit
Como se esta trabajando con un nivel de confianza del 95%

(α=0.05) y que el “p value” es de 0.537, no se puede rechazar la
hipótesis nula por lo que se puede afirmar que no hay diferencia entre
la operación en remoto y en local. Esto es sorprendente ya que se
pensaba en un principio que en local la gestión del parque era mas
eficiente que en remoto. Se ha de averiguar porque esto es así.

Página 90 de 169
I.C.A.I-D.O.I.
►►PRIMERAS CONCLUSIONES
9 Se confirma estadísticamente la existencia de dos grupos

de parque: P1/P3 Y P2/P4.
Desconocemos las causas de esas diferencias, necesitamos
hacer un análisis profundo de los datos.

Chi-Square = 66,22 DF = 3 P = 0,000
PARQUE N<= N> Median Q3-Q1 -------+---------+---------+---------
Avila 104 40 0,8935 0,0935 (--+-------)
Cruz de 107 69 0,9066 0,1302 (-------+--)
Ojos Alb 63 113 0,9467 0,0636 (-----+---)
Villacas 62 114 0,9681 0,0798 (------+--)
-------+---------+---------+---------
0,900 0,925 0,950
9 No se puede afirmar que estadísticamente existan

diferencias entre la atención remota y local.
9 La no existencia de un centro de tele-control centralizado

en los parques produce que la detección de incidencias por
parte del personal del mantenedor tenga una gran
dependencia del servicio de atención remota que presta el
mismo
9 La forma de trabajo en local influenciada por el sistema de

atención remota
Para poder realmente saber lo que esta pasando se necesita estudiar

a fondo la causa de las paradas. No se tenía planeado tener que
realizar este estudio cuando se inicio el proyecto pero este análisis
puede aportar información valiosa para el entendimiento de la
influencia de las variables en la disponibilidad.
Se realiza pues un estudio detallado de las paradas, tanto en su
cantidad como en su origen y duración.

Página 91 de 169
I.C.A.I-D.O.I.
4.2.2. Causas de indisponibilidad
4.2.2.1. Mantenimientos correctivos
4.2.2.1.1. Estudio de las paradas
Se empieza estudiando el número de horas de parada en el total

de los cuatro parques y durante los cuatro meses de estudio. Se
presenta a continuación este análisis.
Variable: HOR_PARADA_V

A-Squared: 54,521
P-Value: 0,000
Mean 25,9077
StDev 29,9600
Variance 897,604
Skewness 2,11651
Kurtosis 4,47975
N 672
10 35 60 85 110 135 160
Minimum 0,000
1st Quartile 7,000
Median 16,000
3rd Quartile 32,000
23,638 28,177
14 19 24 29 95% Confidence Interval for Sigma
28,439 31,654
15,000 16,000
El diagrama de cajas es el que se presenta a continuación.

Página 92 de 169
I.C.A.I-D.O.I.
Boxplot of HOR_PARADA_VIENTO
0 50 100 150
HOR_PARADA_VIENTO
Se estudia ahora el número de horas de parada en función del mes

con el fin de determinar si hay un mes en el que predominan las
paradas, al menos en cúmulo de horas de parada, no en función de la
cantidad de paradas.
Descriptive Statistics: HOR_PARADA_VIENTO by MES
Variable MES N Mean Median TrMean StDev

HOR_PARA Diciembr 168 26,06 21,00 24,64 22,38
Enero 168 42,26 17,50 38,74 45,35
Febrero 168 24,79 16,50 22,49 19,51
Marzo 168 10,524 4,500 9,276 12,656
Variable MES SE Mean Minimum Maximum Q1 Q3

HOR_PARA Diciembr 1,73 0,00 90,00 5,00 41,00
Enero 3,50 3,00 158,00 13,00 67,75
Febrero 1,51 7,00 100,00 12,00 30,00
Marzo 0,976 0,000 52,000 2,000 16,000

Página 93 de 169
I.C.A.I-D.O.I.
MES: Diciembre

A-Squared: 4,493
P-Value: 0,000
Mean 26,0595
StDev 22,3775
Variance 500,751
Skewness 0,697864
Kurtosis -4,3E-01
N 168
10 35 60 85 110 135 160
Minimum 0,0000
1st Quartile 5,0000
Median 21,0000
22,6510 29,4680
20,2133 25,0647
15,0000 30,0000
MES: Enero

A-Squared: 20,311
P-Value: 0,000
Mean 42,2619
StDev 45,3475
Variance 2056,40
Skewness 1,19331
Kurtosis -1,6E-01
N 168
10 35 60 85 110 135 160
Minimum 3,000
1st Quartile 13,000
Median 17,500
3rd Quartile 67,750
35,355 49,169
40,962 50,793
16,000 19,177

Página 94 de 169
I.C.A.I-D.O.I.
MES: Febrero

A-Squared: 13,620
P-Value: 0,000
Mean 24,7857
StDev 19,5139
Variance 380,792
Skewness 1,91152
Kurtosis 3,31206
N 168
10 35 60 85 110 135 160
Minimum 7,000
1st Quartile 12,000
Median 16,500
3rd Quartile 30,000
21,813 27,758
17,627 21,857
15,000 19,000
MES: Marzo

A-Squared: 15,769
P-Value: 0,000
Mean 10,5238
StDev 12,6557
Variance 160,167
Skewness 1,55488
Kurtosis 1,44606
N 168
10 35 60 85 110 135 160
Minimum 0,0000
1st Quartile 2,0000
Median 4,5000
8,5961 12,4515
3 8 13 95% Confidence Interval for Sigma
11,4318 14,1755
3,0000 6,0000

Página 95 de 169
I.C.A.I-D.O.I.
Boxplots of HOR_PARADA_VIENTO by MES
150
HOR_PARADA_VIENTO
100
50
MES
Marzo
Diciembre
Enero
Febrero
Se observa que el número de horas de parada es mayor en

Diciembre y Enero que en Febrero y Marzo, siendo el peor mes el de
Enero. Se intuye que el mes de Enero es el que agrupa el mayor
numero de horas de parada por causa de las condiciones
meteorológicas pero esto se ha de corroborar con el análisis de las
averías sucedidas, tarea que se realizará más adelante.
Se realiza el mismo estudio para cada uno de los cuatro parques.
Parque 1
Descriptive Statistics: HOR_PARADA_VIENTO_P1 by MES_P1
Variable MES_ojos N Mean Median TrMean StDev

Enero 44 18,80 12,50 17,08 16,23
Febrero 44 23,09 16,00 21,78 14,92
Marzo 44 10,25 7,50 9,95 8,15
Variable MES_ojos SE Mean Minimum Maximum Q1 Q3

Enero 2,45 5,00 67,00 7,00 26,75
Febrero 2,25 9,00 65,00 11,00 32,50
Marzo 1,23 0,00 28,00 2,00 17,00

Página 96 de 169
I.C.A.I-D.O.I.
Descriptive Statistics
MES_ojosalbo: Diciembre

A-Squared: 2,491
P-Value: 0,000
Mean 17,9318
StDev 18,0701
Variance 326,530
Skewness 1,44982
Kurtosis 1,70900
N 44
5 20 35 50 65
Minimum 0,0000
1st Quartile 5,0000
Median 12,5000
12,4380 23,4256
14,9300 22,8953
6,0447 17,0000
MES_ojosalbo: Enero

A-Squared: 3,240
P-Value: 0,000
Mean 18,7955
StDev 16,2332
Variance 263,515
Skewness 1,62424
Kurtosis 2,16170
N 44
5 20 35 50 65
Minimum 5,0000
1st Quartile 7,0000
Median 12,5000
13,8601 23,7308
13,4122 20,5678
8,0000 17,9106

Página 97 de 169
I.C.A.I-D.O.I.
MES_ojosalbo: Febrero

A-Squared: 2,194
P-Value: 0,000
Mean 23,0909
StDev 14,9197
Variance 222,596
Skewness 1,30303
Kurtosis 1,27443
N 44
5 20 35 50 65
Minimum 9,0000
Median 16,0000
18,5549 27,6269
12,3270 18,9036
13,0447 26,9553
MES_ojosalbo: Marzo

A-Squared: 3,108
P-Value: 0,000
Mean 10,2500
StDev 8,1530
Variance 66,4709
Skewness 0,282262
Kurtosis -1,41132
N 44
5 20 35 50 65
Minimum 0,0000
1st Quartile 2,0000
Median 7,5000
7,7713 12,7287
6,7362 10,3300
3,0000 16,0000

Página 98 de 169
I.C.A.I-D.O.I.
Boxplots of HOR_PARADA_VIENTO_P1 by MES_P1
Boxplots of HOR_PARADA_VIENTO_ojosalbos by MES_ojos
80
HOR_PARADA_VIENTO_ojosalbos
70
60
50
40
30
20
10
MES_ojosalbos
Marzo
Diciembre
Enero
Febrero
Parque 2
Descriptive Statistics: HOR_PARADA_VIENTO_cruz by MES_cruz
Variable MES_cruz N Mean Median TrMean StDev

Enero 44 73,09 62,00 72,22 59,29
Febrero 44 34,18 17,00 32,73 28,41
Marzo 44 6,93 6,00 6,03 7,02
Variable MES_cruz SE Mean Minimum Maximum Q1 Q3

Enero 8,94 9,00 158,00 16,00 129,75
Febrero 4,28 7,00 94,00 13,00 64,50
Marzo 1,06 0,00 39,00 2,00 8,00

Página 99 de 169
I.C.A.I-D.O.I.
MES_cruz: Diciembre

A-Squared: 0,591
P-Value: 0,118
Mean 40,0682
StDev 22,4016
Variance 501,832
Skewness 0,473520
Kurtosis -6,6E-01
N 44
10 40 70 100 130 160
Minimum 3,0000
Median 37,0000
33,2575 46,8789
18,5087 28,3834
26,0894 48,7766
MES_cruz: Enero

A-Squared: 4,903
P-Value: 0,000
Mean 73,0909
StDev 59,2887
Variance 3515,15
Skewness 8,14E-02
Kurtosis -1,96851
N 44
10 40 70 100 130 160
Minimum 9,000
1st Quartile 16,000
Median 62,000
55,065 91,116
48,986 75,120
18,000 122,955

Página 100 de 169
I.C.A.I-D.O.I.
MES_cruz: Febrero

A-Squared: 3,531
P-Value: 0,000
Mean 34,1818
StDev 28,4092
Variance 807,082
Skewness 0,859805
Kurtosis -8,6E-01
N 44
10 40 70 100 130 160
Minimum 7,0000
Median 17,0000
25,5446 42,8190
23,4723 35,9952
15,0000 33,8213
MES_cruz: Marzo

A-Squared: 2,789
P-Value: 0,000
Mean 6,93182
StDev 7,01625
Variance 49,2278
Skewness 2,67040
Kurtosis 9,80850
N 44
10 40 70 100 130 160
Minimum 0,0000
1st Quartile 2,0000
Median 6,0000
3rd Quartile 8,0000
4,7987 9,0650
5,7970 8,8898
4,0447 7,0000

Página 101 de 169
I.C.A.I-D.O.I.
Boxplots of HOR_PARADA_VIENTO_cruz by MES_cruz
Boxplots of HOR_PARADA_VIENTO_cruz by MES_cruz
150
HOR_PARADA_VIENTO_cruz
100
50
MES_cruz
Marzo
Diciembre
Enero
Febrero
Para este parque el mes de Enero tiene un cúmulo de horas de

parada muy elevado.
Parque 3
Descriptive Statistics: HOR_PARADA_VIENTO_villacastin by MES_villacastin
Variable MES_vill N Mean Median TrMean StDev

Enero 44 19,61 14,50 17,65 16,24
Febrero 44 26,66 27,00 24,65 14,67
Marzo 44 3,705 3,000 3,125 3,534
Variable MES_vill SE Mean Minimum Maximum Q1 Q3

Enero 2,45 3,00 82,00 12,00 22,50
Febrero 2,21 14,00 100,00 17,25 30,00
Marzo 0,533 1,000 20,000 2,000 4,000

Página 102 de 169
I.C.A.I-D.O.I.
MES_villacas: Diciembre

A-Squared: 6,102
P-Value: 0,000
Mean 6,7500
StDev 12,0312
Variance 144,75
Skewness 5,06921
Kurtosis 29,7595
N 44
5 20 35 50 65 80 95
Minimum 0,0000
1st Quartile 1,0000
Median 4,0000
3rd Quartile 8,5000
3,0922 10,4078
2 3 4 5 6 7 8 9 10 11 95% Confidence Interval for Sigma
9,9405 15,2438
2,0447 6,0000
MES_villacas: Enero

A-Squared: 4,099
P-Value: 0,000
Mean 19,6136
StDev 16,2398
Variance 263,731
Skewness 2,52059
Kurtosis 6,80979
N 44
5 20 35 50 65 80 95
Minimum 3,0000
Median 14,5000
14,6763 24,5510
13,4177 20,5762
13,0000 18,9553

Página 103 de 169
I.C.A.I-D.O.I.
MES_villacas: Febrero

A-Squared: 3,033
P-Value: 0,000
Mean 26,6591
StDev 14,6699
Variance 215,207
Skewness 3,19764
Kurtosis 14,3059
N 44
5 20 35 50 65 80 95
Minimum 14,000
1st Quartile 17,250
Median 27,000
3rd Quartile 30,000
22,199 31,119
12,121 18,587
19,000 28,000
MES_villacas: Marzo

A-Squared: 4,775
P-Value: 0,000
Mean 3,70455
StDev 3,53441
Variance 12,4921
Skewness 3,33192
Kurtosis 12,8942
N 44
5 20 35 50 65 80 95
Minimum 1,0000
1st Quartile 2,0000
Median 3,0000
3rd Quartile 4,0000
2,6300 4,7791
2,9202 4,4782
3,0000 3,0000

Página 104 de 169
I.C.A.I-D.O.I.
Boxplots of HOR_PARADA_VIENTO_villacastin by MES_vill
100
HOR_PARADA_VIENTO_villacastin
50
MES_villacastin
Marzo
Diciembre
Enero
Febrero
Se observa que el parque numero 3 tiene pocas horas de parada y
que es bastante constante. Existe poca variabilidad aunque hay algunos
datos que reflejan tiempos de reparación más elevados que deben de
corresponder con incidencias de mayor gravedad que requieren un
tiempo mayor de reparación que una simple avería.
Parque 4
Descriptive Statistics: HOR_PARADA_VIENTO_avila by MES_avila
Variable MES_avil N Mean Median TrMean StDev

Enero 36 60,94 75,50 59,56 44,21
Febrero 36 13,083 12,000 12,375 5,256
Marzo 36 23,58 30,00 23,31 18,88
Variable MES_avil SE Mean Minimum Maximum Q1 Q3

Enero 7,37 16,00 148,00 16,00 100,00
Febrero 0,876 7,000 38,000 11,000 13,750
Marzo 3,15 0,00 52,00 1,25 42,00

Página 105 de 169
I.C.A.I-D.O.I.
MES_avila: Diciembre

A-Squared: 1,906
P-Value: 0,000
Mean 42,4722
StDev 10,8719
Variance 118,199
Skewness 0,260098
Kurtosis -1,45534
N 36
10 40 70 100 130
Minimum 29,0000
Median 42,0000
38,7937 46,1508
8,8180 14,1818
33,7354 49,0000
MES_avila: Enero

A-Squared: 4,732
P-Value: 0,000
Mean 60,9444
StDev 44,2111
Variance 1954,63
Skewness 8,69E-02
Kurtosis -1,78453
N 36
10 40 70 100 130
Minimum 16,000
1st Quartile 16,000
Median 75,500
45,986 75,903
10 20 30 40 50 60 70 80 90 100 95% Confidence Interval for Sigma
35,859 57,671
16,000 100,000

Página 106 de 169
I.C.A.I-D.O.I.
MES_avila: Febrero

A-Squared: 3,650
P-Value: 0,000
Mean 13,0833
StDev 5,2556
Variance 27,6214
Skewness 3,36126
Kurtosis 14,4832
N 36
10 40 70 100 130
Minimum 7,0000
Median 12,0000
11,3051 14,8616
11 12 13 14 15 95% Confidence Interval for Sigma
4,2627 6,8556
11,0000 13,0000
MES_avila: Marzo

A-Squared: 2,770
P-Value: 0,000
Mean 23,5833
StDev 18,8822
Variance 356,536
Skewness -2,1E-01
Kurtosis -1,68360
N 36
10 40 70 100 130
Minimum 0,0000
1st Quartile 1,2500
Median 30,0000
17,1945 29,9721
15,3150 24,6306
3,4708 35,0585

Página 107 de 169
I.C.A.I-D.O.I.
Boxplots of HOR_PARADA_VIENTO_avila by MES_avil
150
HOR_PARADA_VIENTO_avila
100
50
MES_avila
Marzo
Diciembre
Enero
Febrero
Se observa que el parque 4 también tiene unas duraciones de
parada muy elevada para el mes de Enero. Esto coincide con la
observación que se hizo para el parque 2. Se recuerda que se ha
englobado estos dos parques en un mismo grupo ya que tienen un
patrón de comportamiento común. Este análisis sobre la duración
media de las paradas podría ser el origen de esta similitud de
comportamiento.
Se amplia el estudio con el tipo de incidencias y sus ocurrencias para

corroborar esta afirmación.
►Estudio de la duración de las paradas del parque

durante el periodo Diciembre-Marzo según el
horario.
Este estudio se realiza independientemente del parque, del mes y de

la máquina.

Página 108 de 169
I.C.A.I-D.O.I.
Descriptive Statistics: HOR_PARADA_VIENTO by HORARIO
Variable HORARIO N Mean Median TrMean StDev

HOR_PARA O&M remo 336 38,29 26,00 34,82 37,06
Personal 336 13,524 12,000 12,715 10,812
Variable HORARIO SE Mean Minimum Maximum Q1 Q3

HOR_PARA O&M remo 2,02 0,00 158,00 11,00 54,00
Personal 0,590 0,000 67,000 5,000 18,000
HORARIO: O&M remoto

A-Squared: 16,657
P-Value: 0,000
Mean 38,2917
StDev 37,0586
Variance 1373,34
Skewness 1,29499
Kurtosis 0,929841
N 336
10 35 60 85 110 135 160
Minimum 0,000
1st Quartile 11,000
Median 26,000
3rd Quartile 54,000
34,315 42,269
34,452 40,095
21,000 29,000

Página 109 de 169
I.C.A.I-D.O.I.
HORARIO: Personal

A-Squared: 8,615
P-Value: 0,000
Mean 13,5238
StDev 10,8123
Variance 116,907
Skewness 1,17173
Kurtosis 1,70068
N 336
10 35 60 85 110 135 160
Minimum 0,0000
1st Quartile 5,0000
Median 12,0000
12,3635 14,6841
10,0520 11,6981
11,0000 13,0000
Boxplots of HOR_PARADA_VIENTO by HORARIO
Boxplots of HOR_PARADA_VIENTO by HORARIO
150
HOR_PARADA_VIENTO
100
50
HORARIO
O&M remoto
Personal

Página 110 de 169
I.C.A.I-D.O.I.
►Estudio de la duración de las paradas de los parques durante

el periodo Diciembre-Marzo según el horario.
Este estudio se realiza independientemente del parque, del mes y de

la máquina.
Parque 1
Descriptive Statistics: HOR_PARADA_VIENTO_ojosalbos by HORARIO_ojosalbos
Variable HORARIO_ N Mean Median TrMean StDev

HOR_PARA O&M remo 88 24,36 20,00 23,40 16,79
Personal 88 10,67 8,50 9,35 10,05
Variable HORARIO_ SE Mean Minimum Maximum Q1 Q3

HOR_PARA O&M remo 1,79 0,00 76,00 15,25 34,50
Personal 1,07 1,00 67,00 4,00 14,00
HORARIO_ojos: O&M remoto

A-Squared: 2,030
P-Value: 0,000
Mean 24,3636
StDev 16,7909
Variance 281,935
Skewness 0,987130
Kurtosis 0,741932
N 88
5 20 35 50 65
Minimum 0,0000
Median 20,0000
20,8060 27,9213
14,6240 19,7177
17,0000 25,6475

Página 111 de 169
I.C.A.I-D.O.I.
HORARIO_ojos: Personal

A-Squared: 5,403
P-Value: 0,000
Mean 10,6705
StDev 10,0536
Variance 101,074
Skewness 2,88441
Kurtosis 11,8571
N 88
5 20 35 50 65
Minimum 1,0000
1st Quartile 4,0000
Median 8,5000
8,5403 12,8006
7 8 9 10 11 12 13 95% Confidence Interval for Sigma
8,7561 11,8060
7,0000 10,0000
Boxplots of HOR_PARADA_VIENTO_ojosalbos by HORARIO_
Boxplots of HOR_PARADA_VIENTO_ojosalbos by HORARIO_
80
HOR_PARADA_VIENTO_ojosalbos
70
60
50
40
30
20
10
ARIO_ojosalbos
O&M remoto
Personal

Página 112 de 169
I.C.A.I-D.O.I.
Parque 2
Descriptive Statistics: HOR_PARADA_VIENTO_cruz by HORARIO_cruz

HOR_PARA O&M remo 88 62,70 56,50 61,23 47,36
Personal 88 14,43 14,50 13,78 10,36

HOR_PARA O&M remo 5,05 3,00 158,00 15,00 101,50
Personal 1,10 0,00 44,00 7,00 18,00
HORARIO_cruz: O&M remoto

A-Squared: 2,294
P-Value: 0,000
Mean 62,7045
StDev 47,3551
Variance 2242,51
Skewness 0,413351
Kurtosis -1,11094
N 88
10 40 70 100 130 160
Minimum 3,000
1st Quartile 15,000
Median 56,500
52,671 72,738
41,244 55,609
42,115 71,647

Página 113 de 169
I.C.A.I-D.O.I.
HORARIO_cruz: Personal

A-Squared: 1,821
P-Value: 0,000
Mean 14,4318
StDev 10,3644
Variance 107,421
Skewness 0,917327
Kurtosis 0,695558
N 88
10 40 70 100 130 160
Minimum 0,0000
1st Quartile 7,0000
Median 14,5000
12,2358 16,6278
11 12 13 14 15 16 17 95% Confidence Interval for Sigma
9,0268 12,1710
11,0000 16,0000
Boxplots of HOR_PARADA_VIENTO_cruz by HORARIO_cruz
Boxplots of HOR_PARADA_VIENTO_cruz by HORARIO_
150
HOR_PARADA_VIENTO_cruz
100
50
HORARIO_cruz
O&M remoto
Personal

Página 114 de 169
I.C.A.I-D.O.I.
Parque 3
Descriptive Statistics: HOR_PARADA_VIENT by HORARIO_villacas

HOR_PARA O&M remo 88 18,69 13,00 16,46 19,53
Personal 88 9,670 6,000 9,013 8,293

HOR_PARA O&M remo 2,08 0,00 100,00 4,00 27,75
Personal 0,884 0,000 35,000 2,250 15,000
HORARIO_vill: O&M remoto

A-Squared: 4,593
P-Value: 0,000
Mean 18,6932
StDev 19,5344
Variance 381,594
Skewness 1,91497
Kurtosis 4,43605
N 88
5 20 35 50 65 80 95
Minimum 0,000
1st Quartile 4,000
Median 13,000
3rd Quartile 27,750
14,554 22,832
17,013 22,939
9,353 19,000

Página 115 de 169
I.C.A.I-D.O.I.
HORARIO_vill: Personal

A-Squared: 3,180
P-Value: 0,000
Mean 9,67045
StDev 8,29308
Variance 68,7752
Skewness 0,891783
Kurtosis 0,397893
N 88
5 20 35 50 65 80 95
Minimum 0,0000
1st Quartile 2,2500
Median 6,0000
7,9133 11,4276
7,2228 9,7386
4,0000 12,6475
Boxplots of HOR_PARADA_VIENTO_villacastin by HORARIO_
Boxplots of HOR_PARADA_VIENTO_villacastin by HORARIO_
100
HOR_PARADA_VIENTO_villacastin
50
ARIO_villacastin
O&M remoto
Personal

Página 116 de 169
I.C.A.I-D.O.I.
Parque 4
Descriptive Statistics: HOR_PARADA_VIENTO_avila by HORARIO_avila

HOR_PARA O&M remo 72 49,43 47,00 48,42 36,58
Personal 72 20,61 16,00 20,56 11,46

HOR_PARA O&M remo 4,31 0,00 148,00 14,00 90,25
Personal 1,35 1,00 52,00 12,00 31,00
HORARIO_avil: O&M remoto

A-Squared: 2,658
P-Value: 0,000
Mean 49,4306
StDev 36,5775
Variance 1337,91
Skewness 0,485045
Kurtosis -6,9E-01
N 72
10 40 70 100 130
Minimum 0,000
1st Quartile 14,000
Median 47,000
3rd Quartile 90,250
40,835 58,026
31,425 43,766
42,000 52,000

Página 117 de 169
I.C.A.I-D.O.I.
HORARIO_avil: Personal

A-Squared: 2,462
P-Value: 0,000
Mean 20,6111
StDev 11,4628
Variance 131,396
Skewness 0,153396
Kurtosis -7,7E-01
N 72
10 40 70 100 130
Minimum 1,0000
Median 16,0000
17,9175 23,3047
9,8482 13,7156
16,0000 30,0000
Boxplots of HOR_PARADA_VIENTO_avila by HORARIO_
Boxplots of HOR_PARADA_VIENTO_avila by HORARIO_
150
HOR_PARADA_VIENTO_avila
100
50
HORARIO_avila
O&M remoto
Personal

Página 118 de 169
I.C.A.I-D.O.I.
CONCLUSIONES
Se observa que para los parques 1 y 3 no hay mucha diferencia

entre la duración de las paradas surgidas en horario local y remoto. Sin
embargo, si que existe esta diferencia para los parque 2 y 4 en los que
la operación en remoto es mucho peor que en local. No es sorprendente
que este fenómeno afecte de igual manera a los parques 2 y 4 ya que
se demostró estadísticamente que estos dos parques se comportan de
la misma manera.
Es interesante estudiar, gracias a las hojas que rellena el

mantenedor cuando se realiza un mantenimiento correctivo (se
presenta una de esas hojas en el anexo 8) y los partes de incidencia
que se registran con la hora de notificación del paro del aerogenerador
y la hora de vuelta en puesta en marcha, como se reparten los
tiempos. Analizando y contrastando estas dos fuentes de información
se llega a la conclusión que en realidad hay una ineficiencia clara tal y
como se detalla a continuación.
Inicio máquina Máquina disponible
Duración parada (mediana 5 horas)
Tiempo Tiempo Tiempo Tiempo

Conocimiento Respuesta Operación Mala Operación
Tiempo inactividad = 60%
Tiempo actividad = 40%
Se observa que hay un tiempo muerto que representa el 60% del total
del tiempo de parada del aerogenerador. Reduciendo este tiempo se
conseguiría reducir la indisponibilidad. Habrá que cuantificar en cuanto
se puede mejorar y sobre todo, cómo.
Se completa el análisis con el estudio de las incidencias.

Página 119 de 169
I.C.A.I-D.O.I.
4.2.2.1.2. Estudio de las incidencias
Los aerogeneradores G47 de los que están equipados los parques

tienen especificados 50 tipos de alarmas diferentes (véase anexo 6) y
una lista con 64 incidencias catalogadas (véase anexo 7).
El análisis de las incidencias se compone de dos partes. En una

primera fase se estudia las horas de parada según el tipo de incidencia
(haciéndose tal y como se ha ido haciendo hasta ahora, una agrupación
de los datos por mes, por parque y por horario).
En la segunda fase se analiza la frecuencia de las incidencias también
agrupando los datos por mes, parque y horario.
Para llevar a cabo este análisis se recurre a una herramienta estadística
muy útil para este tipo de estudio: el diagrama de Pareto.
La primera fase del estudio se centra en las horas paradas en

función del tipo de incidencia que la ha provocado.
Se presenta a continuación el diagrama de Pareto que recoge las horas
de parada según el tipo de incidencia.
HORAS PARADAS POR TIPO DE INCIDENCIA
2000 100
80
Percent
60
Count
1000
40
20
0 0
rs
Defect 23 26 22 21 28 29 13 2 36 25 38 4 61 43 20 18 60 10 35 7 42 34 19 39 6 52 12 14Othe
293,00 118,33 93,58 59,75 38,50 35,50 30,50 29,00 27,91 26,83 21,00 20,00 17,67 12,75
Count 442,34 181,62 95,50 66,66 41,50 35,86 31,67 29,16 29,00 27,00 22,00 20,09 18,75 15,75 86,76
Percent 22 15 9 6 5 5 3 3 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4
Cum % 22 37 47 53 57 62 66 69 71 73 75 76 78 79 81 82 84 85 87 88 89 90 91 92 93 94 95 96 100

Página 120 de 169
I.C.A.I-D.O.I.
Se observa que la incidencia responsable del máximo de horas de

parada es la 23 con un 22% del total, seguido de la 26 con un 15% del
total de horas de parada y la 22 con un 9% del total. Estas tres
incidencias agrupan el 47% del total de horas de parada, es decir, una
de cada dos horas de parada esta producida por una de estas tres
incidencias.
Estas incidencias son:

23: Grupo no desacopla (hablando con el mantenedor se consiguió
averiguar que este fallo se daba por culpa del hielo.
26: Mantenimiento Mayor
22: Fallo tensión de red (Esta incidencia se puede rearmar
automáticamente con el telemando.
Como son muchas incidencias es difícil leer este diagrama y extraer un

resultado que sirva para interpretar un patrón de comportamiento. Se
procede a crear grupos de incidencias según la causa que los provoca y
poder analizar el factor responsable de la incidencia.
Los grupos que se han elegido son estos:
Grupo Incidencia Código grupo

RETROFIT (Mejora) 2
FALLO ELECTRICO 3
HIELO 4
FALLO COMUNICACIÓN 5
PREVENTIVO 6
MECANICO/HIDRAULICO 7
VIENTO 8
TERMICO DE POTENCIA 9
SEGURIDAD 10
ELECTRONICO 11
El retrofit es una política de mejora del mantenedor. Este realiza un

retrofit cuando se reemplaza una pieza por otra que supuestamente
debe de mejorar la calidad y la fiabilidad del aerogenerador.
Se presenta a continuación el diagrama de Pareto de las horas de

parada por grupo de incidencia.

Página 121 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR GRUPO DE INCIDENCIA
2000 100
80
60
Count
1000
40
20
0 0
rs
he
Defect 3 4 7 6 2 11 Ot
Count 499,31 445,84 414,67 397,25 83,50 38,50 88,41

Percent 25,4 22,7 21,1 20,2 4,2 2,0 4,5
Cum % 25,4 48,0 69,1 89,3 93,5 95,5 100,0
Se puede observar que el grupo que acumula el mayor numero de

horas de parada es el 3 (Fallo eléctrico) con un 25,4% del total,
seguido de los grupos 4, 7 y 6 con un poco más del 20% cada uno.
Se presenta a continuación los diagramas de Pareto de las horas de

parada por tipo de incidencia y grupo de incidencia en función de las
diferentes variables que se han manejado hasta ahora, a saber Mes y
Parque. No se contempla la variable Horario ya que no tiene sentido en
este caso.

Página 122 de 169
I.C.A.I-D.O.I.
►Agrupando por Mes
HORAS PARADAS POR TIPO DE INCIDENCIA DICIEMBRE
100
400
80
300
Percent
60
Count
200 40
100 20
0 0
rs
Defect 21 28 2 13 61 25 60 26 43 7 20 36 59 Ot
he
Count 98,00 91,00 53,00 39,58 31,67 31,00 29,00 19,50 17,33 12,00 11,83 9,50 8,50 18,83
Percent 21 19 11 8 7 7 6 4 4 3 3 2 2 4
Cum % 21 40 51 60 67 73 79 83 87 90 92 94 96 100
HORAS PARADAS POR GRUPO DE INCIDENCIA DICIEMBRE
100
400
80
300
Percent
60
Count
200 40
100 20
0 0
rs
Defect 7 3 6 9 10 Ot
he
Count 197,50 132,91 103,50 11,83 8,50 16,50

Percent 42,0 28,2 22,0 2,5 1,8 3,5
Cum % 42,0 70,2 92,2 94,7 96,5 100,0

Página 123 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA ENERO
900 100
800
700 80
600
Percent
60
Count
500
400
40
300
200 20
100
0 0
rs
Defect 23 22 26 29 13 4 20 38 36 43 35 7 34 19 6 25 31 Othe
172,12 29,25 22,00 16,44 13,17 12,08 11,92
Count 393,34 89,50 27,08 17,33 14,00 13,00 12,00 9,25 7,50 7,42 45,42
Percent 43 19 10 3 3 2 2 2 2 1 1 1 1 1 1 1 1 5
Cum % 43 62 72 75 78 80 82 84 86 87 88 90 91 92 93 94 95 100
HORAS PARADAS POR GRUPO DE INCIDENCIA ENERO
900 100
800
80
700
600
Percent
60
Count
500
400
40
300
200 20
100
0 0
s
er
Defect 4 3 6 7 2
Oth
Count 393,34 246,31 107,75 88,09 47,00 30,33

Percent 43,1 27,0 11,8 9,7 5,1 3,3
Cum % 43,1 70,1 81,9 91,5 96,7 100,0

Página 124 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA FEBRERO
450 100
400
350 80
300
Percent
60
Count
250
200
40
150
100 20
50
0 0
rs
Defect 26 29 23 18 10 42 21 39 36 38 12 11 22 4 19 6
Ot
he
Count 105,00 64,33 49,0029,00 22,91 22,0020,33 20,00 18,00 14,6712,25 12,00 9,50 9,00 8,17 8,00 16,09
Percent 24 15 11 7 5 5 5 5 4 3 3 3 2 2 2 2 4
Cum % 24 38 50 56 61 66 71 76 80 83 86 88 91 93 95 96 100
HORAS PARADAS POR GRUPO DE INCIDENCIA FEBRERO
450 100
400
350 80
300
Percent
60
Count
250
200
40
150
100 20
50
0 0
s
er
Defect 3 7 6 4 11 10 Oth
Count 112,34 108,41 105,00 49,00 29,00 22,00 14,50

Percent 25,5 24,6 23,9 11,1 6,6 5,0 3,3
Cum % 25,5 50,1 74,0 85,1 91,7 96,7 100,0

Página 125 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA MARZO

150
100
80
100
Percent
60
Count
40
50
20
0 0
s
er
Defect 26 52 35 14 38 30 4 44 2 10 Oth
Count 79,00 17,67 14,00 10,25 4,75 4,00 2,50 2,33 2,00 2,00 5,67
Percent 54,8 12,3 9,7 7,1 3,3 2,8 1,7 1,6 1,4 1,4 3,9
Cum % 54,8 67,1 76,8 83,9 87,2 89,9 91,7 93,3 94,7 96,1 100,0
HORAS PARADAS POR GRUPO DE INCIDENCIA MARZO
150
100
80
100
Percent
60
Count
40
50
20
0 0
rs
he
Defect 6 7 2 5 3
Ot
Count 81,00 20,67 18,50 10,25 7,75 5,50

Percent 56,4 14,4 12,9 7,1 5,4 3,8
Cum % 56,4 70,8 83,6 90,8 96,2 100,0

Página 126 de 169
I.C.A.I-D.O.I.
►Agrupando por Parque
HORAS PARADAS POR TIPO DE INCIDENCIA AVILA
100
80
200
Percent
60
Count
40
100
20
0 0
s
er
Defect 23 29 18 13 36 7 5 27 Oth
Count 144,00 29,25 29,00 22,00 18,00 10,75 7,33 6,00 12,83
Percent 51,6 10,5 10,4 7,9 6,4 3,9 2,6 2,1 4,6
Cum % 51,6 62,1 72,4 80,3 86,8 90,6 93,3 95,4 100,0
HORAS PARADAS POR GRUPO DE INCIDENCIA AVILA
100
80
200
Percent
60
Count
40
100
20
0 0
rs
Defect 4 7 11 3 10 Ot
he
Count 144,00 63,33 30,00 25,33 8,50 8,00

Percent 51,6 22,7 10,7 9,1 3,0 2,9
Cum % 51,6 74,3 85,0 94,1 97,1 100,0

Página 127 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA CRUZ DE HIERRO
100
600
500 80
400
Percent
60
Count
300
40
200
20
100
0 0
s
er
Defect 23 21 28 26 43 60 13 22 7 12 6 14 59 Oth
Count 245,51 98,00 81,00 41,50 30,50 29,00 17,58 14,45 13,33 12,25 9,25 8,62 8,50 27,76
Percent 39 15 13 7 5 5 3 2 2 2 1 1 1 4
Cum % 39 54 67 73 78 82 85 87 90 92 93 94 96 100
HORAS PARADAS POR GRUPO DE INCIDENCIA CRUZ DE HIERRO
100
600
500 80
400
Percent
60
Count
300
40
200
20
100
0 0
s
er
Defect 4 7 3 6
Oth
Count 247,51 174,25 146,62 43,50 25,37

Percent 38,8 27,3 23,0 6,8 4,0
Cum % 38,8 66,2 89,2 96,0 100,0

Página 128 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA OJOS ALBOS
100
300 80
Percent
60
Count
200
40
100
20
0 0
s
er
Defect 26 22 23 11 4 28 35 30 14 34 Oth
Count 142,50 112,00 49,50 12,00 11,50 10,00 9,00 6,25 4,13 4,00 15,00
Percent 37,9 29,8 13,2 3,2 3,1 2,7 2,4 1,7 1,1 1,1 4,0
Cum % 37,9 67,7 80,9 84,1 87,1 89,8 92,2 93,8 94,9 96,0 100,0
HORAS PARADAS POR GRUPO DE INCIDENCIA OJOS ALBOS
100
300 80
Percent
60
Count
200
40
100
20
0 0
s
er
Defect 6 3 4 2 7
Oth
Count 142,50 137,50 51,00 24,50 7,00 12,88

Percent 38,0 36,6 13,6 6,5 1,9 3,4
Cum % 38,0 74,6 88,2 94,7 96,6 100,0

Página 129 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR TIPO DE INCIDENCIA VILLACASTIN
700
100
600
80
500
Percent
400 60
Count
300
40
200
20
100
0 0
rs
Defect 26 29 2 22 25 61 38 20 13 10 36 4 42 21 19 3935 Othe
52 34
64,33 55,17 31,67 29,16 24,91 22,00 20,33 20,00 16,00 32,42
Count 109,00 57,75 38,50 31,11 27,08 23,50 22,00 20,09 17,67 13,00
Percent 16 10 9 8 6 5 5 4 4 4 3 3 3 3 3 3 3 2 2 5
Cum % 16 26 34 42 48 53 57 62 66 69 73 76 79 82 85 88 91 93 95 100
HORAS PARADAS POR GRUPO DE INCIDENCIA VILLACASTIN
700
100
600
80
500
Percent
400 60
Count
300
40
200
20
100
0 0
s
er
Defect 6 3 7 2 9
Oth
Count 205,25 189,86 170,09 51,00 29,16 30,33

Percent 30,4 28,1 25,2 7,5 4,3 4,5
Cum % 30,4 58,5 83,6 91,2 95,5 100,0

Página 130 de 169
I.C.A.I-D.O.I.
Se completa el estudio con el análisis de la frecuencia de ocurrencia

de las incidencias. Se procede de igual manera que para las horas de
parada. Se concluirá sobre el análisis de las incidencias después de este
análisis ya que es útil tener la visión de conjunto para poder sacar
conclusiones pertinentes.
FRECUENCIA DE TIPO DE INCIDENCIA
350 100
300
80
250
Percent
60
Count
200
150
40
100
20
50
0 0
rs
Defect 23 26 34 2 22 35 4 25 28 30 38 29 6 14 36 7 10 13 61 5 12 20 43 17 19 21 33 37 39 41 60 3 8 9 11 16Othe
Count 57 44 24 23 22 22 20 16 16 8 8 7 5 5 5 4 4 4 4 3 3 3 3 2 2 2 2 2 2 2 2 1 1 1 1 1 17
Percent 16 13 7 7 6 6 6 5 5 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 5
Cum % 16 29 36 43 49 55 61 66 70 72 75 77 78 80 81 82 83 84 86 86 87 88 89 90 90 91 91 92 93 93 94 94 94 95 95 95 100
FRECUENCIA DE GRUPO DE INCIDENCIA
350 100
300
80
250
Percent
60
Count
200
150
40
100
20
50
0 0
rs
Defect 6 3 2 4 7 5 8
Ot
he
Count 84 71 66 60 39 8 8 11
Percent 24,2 20,5 19,0 17,3 11,2 2,3 2,3 3,2
Cum % 24,2 44,7 63,7 81,0 92,2 94,5 96,8 100,0

Página 131 de 169
I.C.A.I-D.O.I.
►Agrupando por Mes
FRECUENCIA DE TIPO DE INCIDENCIA DICIEMBRE
100
70
60 80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect 2 25 28 34 61 26 13 20 43 60 4 5 6 7 21 36 53 54 Othe
Count 19 13 13 5 4 3 2 2 2 2 1 1 1 1 1 1 1 1 3
Percent 25 17 17 7 5 4 3 3 3 3 1 1 1 1 1 1 1 1 4
Cum % 25 42 59 66 71 75 78 80 83 86 87 88 89 91 92 93 95 96 100
FRECUENCIA DE GRUPO DE INCIDENCIA DICIEMBRE
100
70
60 80
50 Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect 6 3 7 2 4 9
Ot
he
Count 35 17 11 6 2 2 3
Percent 46,1 22,4 14,5 7,9 2,6 2,6 3,9
Cum % 46,1 68,4 82,9 90,8 93,4 96,1 100,0

Página 132 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA ENERO
100
150
80
Percent
100 60
Count
40
50
20
0 0
rs
Defect 23 22 35 26 34 4 30 2 25 5 6 7 13 17 29 36 38 41 8 9 10 12 14 19 20 Othe
Count 53 21 13 12 12 11 6 3 3 2 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 8
Percent 32 13 8 7 7 7 4 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 5
Cum % 32 44 52 59 66 73 77 78 80 81 83 84 85 86 87 89 90 91 92 92 93 93 94 95 95 100
FRECUENCIA DE GRUPO DE INCIDENCIA ENERO
100
150
80 Percent
100 60
Count
40
50
20
0 0
rs
Defect 4 2 3 6 7 8
Ot
he
Count 53 36 32 19 14 6 7
Percent 31,7 21,6 19,2 11,4 8,4 3,6 4,2
Cum % 31,7 53,3 72,5 83,8 92,2 95,8 100,0

Página 133 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA FEBRERO
100
60
50 80
40
Percent
60
Count
30
40
20
20
10
0 0
rs
Defect 26 4 29 38 23 34 6 10 12 36 37 39 3 7 11 14 16 18 19 21 22 Othe
Count 17 6 5 5 4 4 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 3
Percent 26 9 8 8 6 6 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 5
Cum % 26 35 43 51 57 63 66 69 72 75 78 82 83 85 86 88 89 91 92 94 95 100
FRECUENCIA DE GRUPO DE INCIDENCIA FEBRERO
100
60
50 80
40
Percent
60
Count
30
40
20
20
10
0 0
rs
Defect 3 6 7 2 4 5
Ot
he
Count 19 17 11 10 4 2 2
Percent 29,2 26,2 16,9 15,4 6,2 3,1 3,1
Cum % 29,2 55,4 72,3 87,7 93,8 96,9 100,0

Página 134 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA MARZO
40 100
80
30
Percent
60
Count
20
40
10
20
0 0
rs
Defect 26 35 14 34 4 30 2 10 28 38 44 47 50 Ot
he
Count 12 9 3 3 2 2 1 1 1 1 1 1 1 2
Percent 30 23 8 8 5 5 3 3 3 3 3 3 3 5
Cum % 30 53 60 68 73 78 80 83 85 88 90 93 95 100
FRECUENCIA DE GRUPO DE INCIDENCIA MARZO
40 100
30 80 Percent
60
Count
20
40
10
20
0 0
rs
Defect 2 6 3 5 7 8
Ot
he
Count 14 13 3 3 3 2 1
Percent 35,9 33,3 7,7 7,7 7,7 5,1 2,6
Cum % 35,9 69,2 76,9 84,6 92,3 97,4 100,0

Página 135 de 169
I.C.A.I-D.O.I.
►Agrupando por Parque
FRECUENCIA DE TIPO DE INCIDENCIA AVILA
100
30 80
Percent
60
Count
20
40
10
20
0 0
rs
Defect 23 29 36 4 5 6 7 9 13 18 27 28 32 33 44 54 Ot
he
Count 18 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Percent 50 6 6 3 3 3 3 3 3 3 3 3 3 3 3 3 3
Cum % 50 56 61 64 67 69 72 75 78 81 83 86 89 92 94 97 100
FRECUENCIA DE GRUPO DE INCIDENCIA AVILA
100
30 80
Percent
60
Count
20
40
10
20
0 0
rs
Defect 4 7 3 10 11 2
Ot
he
Count 18 8 4 2 2 1 1
Percent 50,0 22,2 11,1 5,6 5,6 2,8 2,8
Cum % 50,0 72,2 83,3 88,9 94,4 97,2 100,0

Página 136 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA CRUZ DE HIERRRO
100
100
90
80 80
70
60
Percent
60
Count
50
40 40
30
20 20
10
0 0
rs
Defect 23 22 28 26 35 43 6 7 12 14 30 37 60 2 10 13 21 24 34 38 40 41 Othe
Count 29 16 9 7 5 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 4
Percent 30 17 9 7 5 3 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 4
Cum % 30 47 56 64 69 72 74 76 78 80 82 84 86 87 89 90 91 92 93 94 95 96 100
FRECUENCIA DE GRUPO DE INCIDENCIA CRUZ DE HIERRRO
100
100
90
80 80
70
60
Percent
60
Count
50
40 40
30
20 20
10
0 0
rs
Defect 3 4 7 6 2 5
Ot
he
Count 35 31 11 8 6 2 3
Percent 36,5 32,3 11,5 8,3 6,3 2,1 3,1
Cum % 36,5 68,8 80,2 88,5 94,8 96,9 100,0

Página 137 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA OJOS ALBOS
100
70
60 80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect 26 23 4 34 30 22 28 35 14 5 3 7 8 11 12 16 Ot
he
Count 22 9 8 6 5 4 4 4 3 2 1 1 1 1 1 1 3
Percent 29 12 11 8 7 5 5 5 4 3 1 1 1 1 1 1 4
Cum % 29 41 51 59 66 71 76 82 86 88 89 91 92 93 95 96 100
FRECUENCIA DE GRUPO DE INCIDENCIA OJOS ALBOS
100
70
60 80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect 6 2 3 4 8 5 7
Ot
he
Count 22 18 10 10 5 4 4 2
Percent 29,3 24,0 13,3 13,3 6,7 5,3 5,3 2,7
Cum % 29,3 53,3 66,7 80,0 86,7 92,0 97,3 100,0

Página 138 de 169
I.C.A.I-D.O.I.
FRECUENCIA DE TIPO DE INCIDENCIA VILLACASTIN
140 100
120
80
100
Percent
60
Count
80
60 40
40
20
20
0 0
rs
Defect 2 34 25 26 35 4 38 29 61 10 20 36 6 13 17 19 22 28 39 Ot he
Count 22 17 16 15 13 11 7 5 4 3 3 3 2 2 2 2 2 2 2 7
Percent 16 12 11 11 9 8 5 4 3 2 2 2 1 1 1 1 1 1 1 5
Cum % 16 28 39 50 59 67 72 76 79 81 83 85 86 88 89 91 92 94 95 100
FRECUENCIA DE GRUPO DE INCIDENCIA VILLACASTIN
140 100
120
80
100
60
Percent
Count
80
60 40
40
20
20
0 0
rs
Defect 6 2 3 7 9
Ot
he
Count 53 41 22 16 3 5
Percent 37,9 29,3 15,7 11,4 2,1 3,6
Cum % 37,9 67,1 82,9 94,3 96,4 100,0

Página 139 de 169
I.C.A.I-D.O.I.
Ahora se contrasta los dos grupos. Se agrupan los datos por Mes y
por Parque. Se podrían incluir todas las representaciones de los
diagramas de Pareto resultantes de estos análisis pero engordaría
mucho la memoria por lo cual se incluye sólo uno de ellos aunque se
utilicen la totalidad de ellos para extraer las conclusiones.
HORAS PARADAS POR TIPO DE INCIDENCIA EN ENERO EN CRUZ DE HIERRO
100
200
80
Percent
60
Count
100 40
20
0 0
rs
Defect 23 43 6 22 Ot
he
Count 196,51 13,17 9,25 4,95 10,83

Percent 83,7 5,6 3,9 2,1 4,6
Cum % 83,7 89,3 93,3 95,4 100,0

Página 140 de 169
I.C.A.I-D.O.I.
Se resume a continuación los resultados obtenidos gracias al uso de

unos diagramas de queso.
Repartición de las incidencias (% )
23
26
16
23 34
2
22
13 35
2 4
2
2 25
5 28
7
5 30
7 38
6
6 6 29
otros
La leyenda de derecha presenta el numero de incidencia en el

quesito el numero que aparece es el porcentaje de ocurrencia.
Repartición de los grupos de incidencias (% )
2,3 3,2
11,2 19
2
3
4
5
6
24,2 20,5 7
8
otros
2,3
17,3

Página 141 de 169
I.C.A.I-D.O.I.
►►CONCLUSIONES
9 EL HIELO ES LA CAUSA AISLADA QUE MAS

INDISPONIBILIDAD PRODUCE
HORAS PARADAS POR TIPO DE INCIDENCIA

o pl
a
ac
2000
es
or 100
may
lo d
o
ient
ie n o
enim
)
(H o
nt
p
Ma
ru
80
G
Percent
60
Count
1000
40
Fallo tensión de red
20
0 0
rs
Defect 23 26 22 21 2 8 29 13 2 36 2 5 38 4 61 43 2 0 18 60 10 35 7 42 34 19 39 6 52 12 14Othe
293,00 118,33 93,58 59,75 38,50 35,50 30,50 29,00 27,91 26,83 21,00 20,00 17,67 12,75
Count 442,34 181,62 95,50 66,66 41,50 35,86 31,67 29,16 29,00 27,00 22,00 20,09 18,75 15,75 86,76
Percent 22 15 9 6 5 5 3 3 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 4
Cum % 22 37 47 53 57 62 66 69 71 73 75 76 78 79 81 82 84 85 87 88 89 90 91 92 93 94 95 96 100
Se agrupan los datos para una mayor comprensión.

Página 142 de 169
I.C.A.I-D.O.I.
HORAS PARADAS POR GRUPO DE INCIDENCIA
2000 100
80
ic o
Percent
ul 60
Count
á
ric
o i dr
1000 ct /H
l é co
o
e
á ni o s
ll
elo ec tiv 40
Fa Hi m ven
llo Pr
e
Fa
20
0 0
rs
Defect 3 4 7 6 2 11 Ot
he
Count 499,31 445,84 414,67 397,25 83,50 38,50 88,41

Percent 25,4 22,7 21,1 20,2 4,2 2,0 4,5
Cum % 25,4 48,0 69,1 89,3 93,5 95,5 100,0
9 EL HIELO ES LA CAUSA DIFERENCIADORA QUE

ESTRATIFICA NUESTROS PARQUES EN DOS GRUPOS.
*Parques 2 y 4
HORAS PARADAS POR GRUPO DE INCIDENCIA P4 HORAS PARADAS POR GRUPO DE INCIDENCIA P2
100 100
600 600
500 80 500 80
400 400
Pe rce n t
60
P e rce n t
60
Count
C ount
300 300
40
40
200
200
20
20 100
100
0 0
0 0
4 7 3 6 ers
4 7 3 6 ers
Defect Oth
Defect Oth
Count 247,51 174,25 146,62 43,50 25,37
Count 247,51 174,25 146,62 43,50 25,37 Percent 38,8 27,3 23,0 6,8 4,0
Percent 38,8 27,3 23,0 6,8 4,0 Cum % 38,8 66,2 89,2 96,0 100,0
Cum % 38,8 66,2 89,2 96,0 100,0

Página 143 de 169
I.C.A.I-D.O.I.
*Parques 1 y 3
HORAS PARADAS POR GRUPO DE INCIDENCIA PARQUE 3 HORAS PARADAS POR GRUPO DE INCIDENCIA OJOS ALBOS
700 100
100
600
80 300 80
500
P e rc e n t
60
P e rc e n t
400 60
Count
Count
200
300
40 40
200 100
20 20
100
0 0 0 0
ers 6 3 4 2 7 ers
Defect 6 3 7 2 9
Oth Defect Oth
Count 205,25 189,86 170,09 51,00 29,16 30,33 Count 142,50 137,50 51,00 24,50 7,00 12,88
Percent 30,4 28,1 25,2 7,5 4,3 4,5 Percent 38,0 36,6 13,6 6,5 1,9 3,4
Cum % 30,4 58,5 83,6 91,2 95,5 100,0 Cum % 38,0 74,6 88,2 94,7 96,6 100,0
9 EL HIELO Y LOS PEQUEÑOS FALLOS ELÉCTRICOS Y

MECÁNICOS AGLUTINAN EL 90% DE LAS INCIDENCIAS
Parque 1 Parque 3
Parque 2 Parque 4
HIELO, 22.7%
1%
32%
56%
11%
• Las paradas por Hielo localizadas principalmente en el parque 2

(55%) y en el 4 (32%).

Página 144 de 169
I.C.A.I-D.O.I.
FALLO ELECTRICO, 25.40%
5%
38% 28%
29%
• Los fallos eléctricos no afectan apenas al parque 4 (5%).
FALLOS MECANICOS, 21.1%
15%
2%
41%
42%
• Los fallos mecánicos priman en el parque 3 (41%) y en el 2

(42%).
9 TORMENTAS Y PROBLEMAS PUNTUALES EN

MULTIPLICADORAS SON LAS PRINCIPALES CAUSAS DE
INDISPONIBILIDAD MECÁNICA Y ELÉCTRICA
• Dentro de los fallos eléctricos cabe destacar que el 36% de dichos

fallos son consecuencia de problemas en la red. Los mencionados
problemas de red ocasionan disparos de las protecciones de las
máquinas, lo que produce parada en las máquinas asociadas.
• Como consecuencia de la incidencia anterior, aparecen problemas

en el acoplamiento de determinadas máquinas. Dichos
problemas, producen que el 19% de los fallos eléctricos sean
consecuencia de los problemas de acoplamientos antes
mencionados.
Página 145 de 169
I.C.A.I-D.O.I.
• La mitad de los fallos mecánicos han sido consecuencia de

problemas en el tren de potencia de cuatro máquinas:
9 Problemas en la multiplicadora de las máquinas 12 del
parque número 3 y 5 del parque número 2.
9 Problemas en el sistema de Bombeo de la máquina 5 del
parque número 3 y 6 del parque número 4.
4.2.2.2. Mantenimientos preventivos
El mantenedor realiza al año 28 semanas de preventivos sobre las 84

máquinas que componen el parque eólico. Eso implica 14.000 horas de
parada en la que los aerogeneradores no dan potencia a la red. No
existe política respecto a los mantenimientos preventivos, es decir, se
sigue un planning previamente establecido y se realizan los preventivos
tal y como se ha fijado sin tener en cuenta los factores exteriores.
Esto se ve como una fuente de indisponibilidad ya que incluso en los
días de mucho viento, si se ha planificado hacer un mantenimiento
preventivo, se paran las máquinas acordadas y se realiza. Ahí se esta
perdiendo la posibilidad de aumentar la disponibilidad del parque
aprovechando buenos vientos.
Se ha pensado en establecer un límite de velocidad del viento a partir
del cual no se haría el mantenimiento preventivo. Se recuerda que los
aerogeneradores entran en funcionamiento con un viento que sopla a
partir de 4 metros por segundo y se para cuando este supera los 15
metros por segundo.
Para establecer un límite a partir del cual no se debería de realizar el
preventivo, se ha de analizar la curva de potencia del aerogenerador
G47 que ya se presento con anterioridad.
A continuación se presenta la gráfica de la curva de potencia con la
estimación de dicha velocidad tope, con la posterior explicación de
porque se ha elegido este limite.

Página 146 de 169
I.C.A.I-D.O.I.
Curva de potencia de un aerogenerador
700
600
500
Potencia instantanea(kW)
400 Con 8 m/s se

entrega un 38%
de la potencia
300
200
100
0
0 5 10 15 20 25 30
Velocidad de viento(m/s)
Se puede observar en la curva de potencia del aerogenerador que a

partir de 7/8 metros por segundo de viento la máquina esta en un
tramo en la que entrega una potencia instantánea consecuente (38% de
su potencia a 8 m/s) por lo que se define como velocidad limite para
poder realizar un mantenimiento preventivo la barrera de 8 metros por
segundo de velocidad del viento.
Estudiando más en detalle los mantenimientos preventivos realizados

por el mantenedor se puede observar que aproximadamente el 25% de
los preventivos se han llevado a cabo con viento superior a los 8 m/s.
La mala gestión de los preventivos implica que el 24% de los mismos

se realicen en condiciones en las que los aerogeneradores están
produciendo al menos un 38% de su potencia nominal.

Página 147 de 169
I.C.A.I-D.O.I.
Esto se ve en el diagrama de Pareto que se presenta a continuación.
PRESENCIA DE VIENTO>8m/s DURANTE LOS

PREVENTIVOS (HORAS)
150
100
80
100
Percent
60
Count
VIENTO<8m/s 40
50
20
0 0
Defect 0 1
Count 110,00 34,75

Percent 76,0 24,0
Cum % 76,0 100,0
Fijando el criterio de los 8 m/s las pérdidas por preventivos se

pueden reducir más de un 30%. Calculando el coste económico de esta
mala coordinación de los preventivos se llega a la conclusión de que
supone unas perdidas de 28.656 Euros/año.

Página 148 de 169
I.C.A.I-D.O.I.
4.2.3. Conclusiones Fase Medir y Analizar
Para dar por finalizada la fase de medición y análisis, se presenta a

continuación un resumen de las conclusiones más importantes a las que
se ha llegado. Esta información va a ser la base para poder realizar la
siguiente fase del método Six Sigma de una manera exitosa. Partiendo
de las conclusiones extraídas del análisis de las variables que
intervienen en la disponibilidad del parque eólico, podremos proponer
mejoras susceptibles de reducir la indisponibilidad del parque.
Las conclusiones sobre las que se va a apoyar la fase de mejora

son las siguientes:
9 AL ANALIZAR LAS INCIDENCIAS NO SE DETECTAN

PROBLEMAS DE DISEÑÓ EN MÁQUINAS, SE PUEDE
AFIRMAR QUE LAS MÁQUINAS EN ESTE EMPLAZAMIENTO
SON FIABLES.
9 LAS CAUSAS DE INDISPONIBILIDAD SON:

GENERALES
• Modo de operación del mantenedor es deficiente
• Ausencia de un centro de tele-control centralizado para
los cuatro parques produce que la atención personal
dependa del remoto
• Limitación de la labor de control del jefe de parque sobre
el mantenedor
• Sistema de atención remota basado en GSM con un
tiempote refresco de 4 horas
• Mala coordinación de los preventivos
• Bonificación del mantenedor no esta basada en la
disponibilidad económica
ESPECIFICAS-Parque 2 y 4
• Ambos parques están afectados por problemas con el
hielo debido a su localización
• Parque 4 tiene el problema de la distancia respecto de
los otros tres parques, hace falta recorrer 50 kilómetros
para atender sus incidencias

Página 149 de 169
I.C.A.I-D.O.I.
4.3. Mejorar
Una vez hemos medido y analizado todos los datos, ya se sabe
cuales son las causas que influyen en que la disponibilidad del parque
eólico no sea del 100%.
Se tiene que encontrar las posibles acciones susceptibles de mejorar
aquella variable respuesta (Y= disponibilidad) sobre la que se ha estado
haciendo el estudio. Ante los diversos factores que entran en juego, se
ha de valorar cuales de ellos son los que inciden más en el aumento de
la indisponibilidad ya que hay que aunar esfuerzos en resolver aquellos
problemas con mas repercusión. Se procede pues al estudio del
impacto de los distintos problemas sobre la baja de rendimiento del
parque.
• Horas de parada por hielo

El primer problema que se ha detectado es el efecto del hielo que
produce un tiempo total de paradas elevado. Resulta que el 20% del
total de las horas de parada cuando hay viento, se traduce en una
indisponibilidad económica del 1,8%.
• Horas de parada por mantenimientos preventivos y retrofit

El 5% del total de las horas de parada cuando hay viento, se traduce
en una indisponibilidad económica del 0,45%.
• Horas de parada por mantenimientos correctivos

El 75% del total de las horas de parada cuando hay viento, se
traduce en una indisponibilidad económica del 6,75%.
Durante las paradas por mantenimiento correctivo el 60% del tiempo
no se aprovecha tal y como se comento en el apartado 4.2.2.1, lo que
se traduce en una indisponibilidad del 4,05%. El tiempo útil es de 40%
del total y se traduce en una indisponibilidad del 2,70%.
A la vista de estos resultados se ha decidido centrar el esfuerzo en

optimizar la gestión de los tiempos muertos así como los
mantenimientos preventivos.
Se recuerda que el objetivo ultimo de este proyecto es el de conseguir
un aumento del 2% de la disponibilidad económica.
Con la mejora de los mantenimientos preventivos en un 50% se espera
conseguir una mejora de la disponibilidad del 0,225%.
Con la reducción de los tiempos muertos del 45% se espera conseguir
una mejora de la disponibilidad del 1,775%.
Así se obtendría una mejora global del 2%.
Un aumento del 2% de la disponibilidad supone 114.000€ de

aumento del EBITDA de la sociedad.

Página 150 de 169
I.C.A.I-D.O.I.
Los cálculos se han realizado del modo que se presenta a

continuación.
Los datos de cierre de la sociedad a 31.08.2004 eran los siguientes.
EBITDA: 3.300 K€
PRODUC.: 70.460 MWh
Los datos de cierre de la sociedad a 31.12.2004 eran los siguientes.
EBITDA: 5.700 K€
PRODUC.: 114.000 MWh
Cada incremental del 1% disponibilidad supone:

9 El aumento en 21 Horas equivalentes.
9 Una producción de 1.140 MWh adicionales
9 Un incremento del EBITDA EN 57.000 Euros
La justificación económica es bastante conservadora ya que el

aumento en EBITDA en tanto mayor cuanto más alto es el precio del
pool y mayor número de horas equivalentes. Los datos de 2004 se
caracterizaron por bajos precios de pool y pocos recursos eólicos, es
decir, pocas horas equivalentes.
4.3.1. Propuestas de mejora
Las propuestas que se formulan a continuación se dividen en dos

partes. Por un lado las mejoras que atañen al conjunto del parque y por
otro lado las mejoras específicas que se pueden hacer a los diferentes
parques que lo necesiten.
Se presenta a continuación las propuestas generales de mejora.
9 Definición de nuevos criterios para la operación y gestión del

parque.
• Creación de un tele-control centralizado en la subestación
del parque numero 1. Se precisaran las características de
este tele-control mas adelante.
• Necesidad de implantar un sistema de atención remota vía
satélite que monitorice el parque las 24 horas del día. Junto
con las directrices claras de operación y control se
gestionaría el parque de manera mucha más eficiente.
• Realización de los mantenimientos preventivos sólo si la
velocidad del viento es inferior a ocho metros por segundo,
tal y como se explico anteriormente.

Página 151 de 169
I.C.A.I-D.O.I.
• Bonificación del mantenedor ligada con la disponibilidad

económica del parque. De este modo se le incentiva.
• Definición de un sistema de control integrado en un
despacho diseñado a tal efecto.
Las propuestas especificas para los parques 2 y 4.
• Sondas de temperatura y humedad.

• Estudiar la viabilidad de la implantación de un sistema de
manguera tal y como se utilizan el los aeropuertos para
evitar la congelación de las alas.
• Evaluar con el fabricante de los aerogeneradores la
posibilidad de recircular el aire de refrigeración de la
multiplicadora hacia las palas. En efecto, el aire que sirve
de refrigeración para la multiplicadora sale caliente del
aerogenerador por lo que se ha pensado en enviar este aire
hacia las palas para aumentar la temperatura y evitar así
que se deposite hielo sobre las palas.
• Proposición de incorporación de dos mantenedores más
asignados al parque 4 que es el que esta alejado de 50
kilómetros del resto del parque. Este alejamiento es el
responsable de la mala disponibilidad de este parque por lo
que disponer de personal in situ permitiría compensar esta
deficiencia.
4.3.2. Acciones de mejora

Se presenta a continuación los detalles de las propuestas
anteriormente citadas. Para sintetizar la información se va a seguir el
esquema de presentación siguiente.
• Problema encontrado
• Efecto que tiene en el parque
• Perdidas en disponibilidad económica y en euros
• Solución
• Responsable y plazo de ejecución
• Coste de la implantación
• Beneficio esperado
• Ahorro esperado

Página 152 de 169
I.C.A.I-D.O.I.
Ineficiencias en la actual operación diaria de los parques
9 PROBLEMA
• No existe un centro de tele-control en la subestación del
parque 1, que este centralizado y que integre la totalidad de
los parques.
• El sistema de telemando remoto esta basado en tecnología
GSM y conexión cada 4 horas a cada uno de los parques.
9 EFECTO
• Debido a que no se dispone de la infraestructura antes
mencionada, se producen:
1. Demoras en la detección de incidencias por parte
del mantenedor.
2. Mal seguimiento y control en la resolución de las
incidencia
3. Gestión deficiente del funcionamiento de los
parques por el mantenedor y por el Jefe de
Parque.
4. Mal control y seguimiento del Jefe de Parque
sobre el parque y las actuaciones del mantenedor.
9 PERDIDAS EN DISPONIBILIDAD ECONOMICA Y EN EUROS
• Este fenómeno produce que se pierda un 4,05% de
disponibilidad económica o lo que es lo mismo unos 230.850
Euros anuales de reducción del EBITDA.
9 SOLUCION-RESPONSABLE Y PLAZOS
• Instalación de un centro de tele-control centralizado para
todos los parques en la subestación del parque 1 e integración
de los parques dentro de la primera fase del despacho eólico.
Definición de los informes necesarios a implementar dentro del
despacho eólico necesarios para desarrollar un despacho
eólico.
• Responsables: Departamento O&M de Genesa junto con los
responsables Despacho eólico HC.
• Plazos: 1 de Octubre de 2005, inicio del funcionamiento del
sistema.
9 COSTE IMPLANTACIÓN
60.000 Euros
9 BENEFICIO ESPERADO
• Se pretende una mejora en la reducción de los tiempos
muertos del 44%, mejora disponibilidad económica de
1,775%, lo que se traduce en 101.175 Euros.
9 AHORRO ESPERADO CON LA MEJORA
41.000 Euros

Página 153 de 169
I.C.A.I-D.O.I.
Mala Gestión de los mantenimientos preventivos
9 PROBLEMA
• No existe fijado por contrato el compromiso por parte del
mantenedor de no iniciar mantenimientos preventivos cuando
el viento es superior a 8 m/s.
9 EFECTO
• Perdidas de producción debido a que el mantenedor inicia la
realización de mantenimientos preventivos en un 25% de las
ocasiones con vientos superiores a 8 m/s.
• Este fenómeno produce que se pierda un 0,45% de
disponibilidad económica o lo que es lo mismo unos 25.650
Euros anuales de reducción del EBITDA.
• Comunicar al mantenedor que no se hagan los preventivos si
la velocidad del viento supera los 8 m/s.
• Responsables: Departamento de O&M de GENESA para
negociar compromiso con mantenedor
• Plazos: 1 de Febrero de 2005, aplicación de esta propuesta.
Los resultados han sido positivos. Ya se ha observado los
buenos resultados de esta mejora.
Ninguna
• Se pretende reducir con ello un 50% de la indisponibilidad
económica preventivos, es decir, un 0,225% lo que es
equivalente a 12.825 Euros
12.825 Euros

Página 154 de 169
I.C.A.I-D.O.I.
Parques Aislados
9 PROBLEMA
• El parque 4, por su ubicación a 50 kilómetros del resto de los
otros 3 parques, no tiene asignado ningún equipo de trabajo
por parte del mantenedor.
9 EFECTO
• El personal del mantenedor se encuentra a una hora de viaje
del parque 4, lo que produce que la duración de las paradas de
las máquinas sean superiores al resto de parques.
• Este fenómeno produce que este parque tenga una
disponibilidad económica, inferior al parque 2 en 1,31% (se
compara con este parque ya que es el que tiene el patrón de
comportamiento similar, tal y como se ha comentado a lo
largo de la memoria), lo que implica 16.000 Euros anuales.
• Departamento de O&M de GENESA para negociar que en el
contrato aparezca asignada un equipo de trabajo del
mantenedor al parque 4.
• Plazo de implantación: N/A. Dado que GENESA sólo posee el
31% del parque no se estima oportuno perder oportunidades
de negociación con el mantenedor y dejar esta baza para otros
parques.
Ninguna
Ninguno
Ninguno, sin embargo, esta mejora podría servir para otros
parques que posee el grupo.

Página 155 de 169
I.C.A.I-D.O.I.
Existencia de Hielo
9 PROBLEMA
• Los parques 2 y 4 se ven afectados notablemente por el hielo
durante los meses invernales.
9 EFECTO
• Como consecuencia de la presencia del hielo en las palas,
estos dos parques presentan gran número de paradas en
máquinas.
• Este fenómeno produce que la disponibilidad económica de la
sociedad se reduzca en 1,8%, lo que equivale a 102.600
Euros.
• Análisis por parte del departamento de O&M de Genesa de la
posibilidad de implantación de las soluciones planteadas en
acciones de mejoras, y establecer una línea de trabajo
conjunta con los fabricantes de aerogeneradores para la
búsqueda de soluciones técnicas.
• Implementación por parte del departamento de recurso eólico
de criterios planteados en acciones de mejoras, para evaluar
con mayor precisión la presencia de hielo en futuros parques.
Ninguna
No aplica
No aplica

Página 156 de 169
I.C.A.I-D.O.I.
Bonificación del mantenedor inadecuada
9 PROBLEMA
• La bonificación anual que recibe el mantenedor no esta basada
en la disponibilidad económica.
9 EFECTO
• Se entiende que al no estar incentivado el mantenedor por el
criterio de la disponibilidad económica, éste no establece sus
actuaciones de mantenimiento tratando de buscar una
maximización del recurso eólico.
• Efecto no cuantificable.
• Departamento de O&M de GENESA y departamento de
Compras: Fijar para los existentes y nuevos contratos de O&M
con el mantenedor de parques eólicos que la bonificación anual
este ligada a la disponibilidad económica. Hacer presión para
conseguir este objetivo en el momento de la compra de los
aerogeneradores.
• Implantación: 1 de Febrero de 2005
Ninguna
• Mayor optimización de la operación del parque, valor no
Cuantificable
No aplica

Página 157 de 169
I.C.A.I-D.O.I.
Se presenta a continuación una tabla que presenta un resumen de

las acciones de mejora junto con sus efectos previstos en la
disponibilidad, la repercusión en el EBITDA, la acción de mejora
asociada, el beneficio esperado, el coste de implantación y el plazo de
implantación.
Efecto Efecto
Problema Beneficio
Disp. EBITDA Acción de mejora Coste Plazo
Detectado Esperado
(%) (€)
Seguimiento Centro tele-control
Enero
de la operación 4,05% 230.850 más 1ª Fase 101.175 60.000
2006
del parque despacho eólico
Gestión
Preventivos sólo si Enero
mantenimiento 0,45% 25.650 12.800 0
viento < 8 m/s 2006
Preventivos
Presencia Parque1,31% Asignación personal Enero
16.000 0 0
Aislado (4) (*) mantenedor 2006
Existencia de Grupos de trabajo Enero
1,80% 102.000 N/A N/A
Hielo con mantenedor 2006
Bonificación Basada en Disponibili Enero
N/A N/A N/A N/A
Mantenedor económica 2006
Directrices Jefe Definición precisa de
N/A N/A N/A N/A Ya
De Parque tareas
(*) Diferencia de Disponibilidad respecto a un parque similar, P2.

Página 158 de 169
I.C.A.I-D.O.I.
Ampliación y detalles sobre las herramientas facilitadoras del

seguimiento y control del mantenedor
Ya que se ha propuesto como mejora la implantación de un

sistema central de supervisión y control, se ha llevado a realizado una
pequeña investigación con el fin de especificar un cuales deberían de
ser las características de este sistema así como las variables que
debería de ser capaz de monitorizar y controlar.
La implantación de un despacho centralizado que controle los parques
eólicos debería de reunir las siguientes funciones:
• Supervisión de los parques y equipos
• Vigilancia de alarmas
• Operación Remota
• Enlace con operación local y/o retenes
• Adquisición y tratamiento de datos de explotación
A nivel normativo se tendrá que respetar las normas que se enumeran

a continuación:
• Normas UNE
• Normas IEC
• Normas IEEE, ISO, IETF
• Instrucciones Técnicas y Procedimientos Operativos vigentes en
Hidroeléctrica del Cantábrico S.A.
• Cualquier norma que durante la ejecución de trabajos se publique
y le afecte dentro del ámbito legal o técnico.
El parque eólico entra en un centro de seccionamiento y dispone de

un centro de control de supervisión. Este centro de control dispone de
un PC como interface.
El Sistema de despacho debe de estar previsto para poder
monitorizar los otros parques del grupo y sucesivas ampliaciones con
capacidad de integrar los parques que vayan entrando en explotación,
asegurando un incremento no limitado de nuevos parques.
El parque dispone de un sistema de supervisión y control basado en
un sistema scada. El ordenador estación maestra del scada está
comunicado con los procesadores de control de los diferentes grupos,
en su mayoría basados en PLCs.

Página 159 de 169
I.C.A.I-D.O.I.
Alcance funcional de supervisión y control del despacho
El sistema requerido para realizar el despacho de parques eólicos,

deberá de estar capacitado para tomar datos de las siguientes
instalaciones del parque:
1. Del conjunto de los aerogeneradores
2. De las torres meteorológicas
3. De la subestación de conexión de parque a red de distribución o

transporte
Señales requeridas
Para la función del despacho, las señales imprescindibles requeridas

para supervisión “on line” en Central Remota son:
AEREOGENERADORES
Entradas Digitales por aerogenerador:

• Estados de los aéreos (Acoplado / Listo / Indisponible / …)
• Situación de aéreos (Con anomalía / Mantenimiento / Bloqueado-
Enclavado / …)
• Posición de interruptores-contactores de fuerza del generador
(Acoplamiento, excitación, alimentación rotor, maniobra Y-Δ, …)
• Posición de elementos bloqueantes (Frenos, …)
• Presencia de tensión: Linea OK
Salidas Digitales por aerogenerador:

• Órdenes de cambio de Estado (Marcha / Parada / Habilitado /
Deshabilitado /…)
• Rearme de alarmas
Estas órdenes deben de presentar una opción de orden general para el
conjunto de todos los aerogeneradores del parque.
Las órdenes de mando y reconocimiento requerirán de botón de
ejecución más botón de confirmación.

Página 160 de 169
I.C.A.I-D.O.I.
Entradas Analógicas por aerogenerador:

• Potencias Activa
• Potencia Reactiva
• Velocidad de Viento
• Velocidad de Rotor
• Velocidad de Generador
• Tensión de Generación
• Frecuencia de Generación
• Posición de palas (regulación aerodinámica)
• Posición de orientación
• Torcimiento (nº de vueltas girado en un mismo sentido)
• Temperatura exterior
• Temperatura interior de góndola
• Contadores-Integradores de energía producida
• Contadores de horas de trabajo en los diferentes estados que
pueda presentar: Marcha / Listo / Indisponible / …
Salidas Analógicas (consignas) por aerogenerador:

• Potencia Reactiva / Capacitiva
• Factor de Potencia (cos.φ)
Salidas Analógicas (consignas) por parque:

• Potencia máxima limite de exportación
• Potencia Reactiva / Capacitiva de exportación
TORRE METEREOLÓGICA
Entradas Analógicas:
• Velocidad de viento
• Dirección de viento
• Velocidad de viento a altura media de torre
• Temperatura
• Presión
• Humedad relativa
• Estado de carga de batería back-up
SUBESTACIÓN
A definir en especificación de subestación y dependiendo del telemando

de la misma. Como mínimo, deben de incluirse:

Página 161 de 169
I.C.A.I-D.O.I.
Entradas Digitales:
• Posición de interruptores de líneas de aerogeneradores
• Posición de interruptor / ruptofusible de alimentación de servicios
auxiliares
• Posición de interruptor de salida de barras de bus de potencia de
aerogeneradores
• Posición de interruptor/es de salida de subestación a red
• Posición de seccionadores de salida de subestación a red (no
imprescindible)
• Tensión cc OK
• Disparo de interruptor
Entradas Analógicas:
• Contadores de energía producida de líneas de parques (de existir)
• Contador de energía de punto de interconexión a red
• Potencia activa y reactiva de exportación
• Tensión en barras de generación de aerogeneradores
• Tensión en barras de subestación
• Tensión en red de conexión
Informes
Una gran ventaja del despacho va a ser la posibilidad de generar

informes que podrán incluir:
• Datos diarios: Producciones, viento, disponibilidad económica y
sus estadísticos básicos
• Factor de utilización y horas por aerogeneradores y agregado por
parque.
• Horas equivalentes reales y justificación de su falta respecto a
las teóricas cuando proceda.
• Estados e incidencias
• Informes meteorológicos.
Se presenta en la siguiente página un modelo gráfico de cómo

podría ser el modelo de supervisión del parque.

Página 162 de 169
I.C.A.I-D.O.I.

Página 163 de 169
I.C.A.I-D.O.I.
Ámbito local: Exigir máxima capacidad de resolución de averías.
• Máxima autonomía del equipo mantenedor

9 Equipo capacitado + especialistas disponibles asociados a
conjunto de parques eólicos.
9 Amplia cobertura de retenes. Siempre disponible contacto
con despacho central
9 Control de consumibles y repuestos críticos. Evitar ser
causa de paradas
• Sistemas expertos de diagnóstico en máquinas
• Contacto continuo con supervisor de parques eólicos.
• Protocolos eficientes de comunicación y enlace entre equipo local,
centro coordinador de contratas exteriores, y centro de despacho
central de explotación del promotor.
Ámbito Despacho: Exigir máxima capacidad de resolución de

averías.

Página 164 de 169
I.C.A.I-D.O.I.
4.4. Controlar
Esta es la ultima de las cinco fases de la metodología Six Sigma.
Como ya se comentó en la introducción, esta fase consiste en controlar
si las mejoras que se ha propuesto e implantado son realmente eficaces
y si se consiguen los objetivos especificados.
Ante los plazos especificados para cada mejora, el horizonte de

tiempo es demasiado corto para poder implementar la mejora,
controlar su eficacia e incluir los resultados en esta memoria. Sólo se
podrán observar los frutos de las mejoras el año que viene.
Aun así, hay algunas mejoras que si se han implementado

suficientemente pronto como para haber podido controlar los buenos
resultados que deban. Es el caso de la mejora orientada a disminuir la
indisponibilidad resultante de la mala gestión de los mantenimientos
preventivos. El mantenedor ya no realiza estos mantenimientos si la
velocidad del viento supera los 8 m/s y ya se han observado la mejora
de esta acción en los meses de Marzo y Abril. Los estudios se han
realizado sobre los meses que van desde Diciembre 2004 hasta Marzo
2005 pero también se han consultado los resultados de Abril. La
disponibilidad del mes de Abril ha sido todavía mejor que la de Marzo
por lo que es esperanzador.
Con la implementación de las demás acciones de mejora, se tiene la

convicción de que se conseguirá llegar al 93% de disponibilidad
económica y así cumplir con los objetivos planteados.
Como sistema de control se prevé establecer dos puntos de control

sobre la disponibilidad y los mantenimientos preventivos. Sobre la
disponibilidad se definirá gráficos de control sobre:
• La maquina
• El parque
• La sociedad
Para estos gráficos se establecerá la frecuencia de refresco así como

los responsables encargados de su seguimiento.
Para los gráficos de control se establecen los límites superiores e

inferiores de acuerdo con los criterios definidos en el proyecto.
Se tiene la convicción de que se mantendrá el contacto con el

responsable de Hidrocantábrico-Genesa de este proyecto más halla de
la estricta relación profesional y que eso, además, permitirá la
obtención de un feedback sobre los resultados obtenidos después de la

Página 165 de 169
I.C.A.I-D.O.I.
puesta en marcha de todas las acciones de mejora propuestas en el

ámbito de este trabajo.

Página 166 de 169
I.C.A.I-D.O.I.
5. CONCLUSIONES
Aunque España, junto con Alemania, tiene una posición bastante

avanzada en cuanto a generación de energía limpia a través de la
energía eólica, es preciso que se mantengan los esfuerzos si se quiere
conseguir los objetivos fijados por el protocolo de Kyoto.
La puesta en marcha de nuevas explotaciones eólicas es cada vez

más cara ya que los buenos emplazamientos para captar el viento
empiezan a escasear y hacen falta máquinas más sofisticadas para
poder aprovechar los pocos recursos eólicos. Frente a esta situación,
surge la alternativa de mejorar la eficiencia de instalaciones ya en
explotación en vez de financiar nuevos parques eólicos.
Este proyecto fin de carrera ha ido encaminado al estudio completo

de un parque eólico con el fin de averiguar que acciones de mejora se
podrían implantar para conseguir aumentar la disponibilidad económica
de un parque en un 2%, lo que se traduce en un aumento del margen
bruto de explotación de 114.000€.
Se entiende que no todos los parques eólicos están sometidos a los

mismos problemas detectados en este caso concreto y que son la causa
de indisponibilidad económica, aun así se podrán extrapolar gran parte
de las conclusiones a las que se ha llegado para su posterior aplicación
en los otros parques eólicos pertenecientes al grupo. De esta manera, el
impacto de este estudio, llevado a cabo siguiendo la metodología Six
Sigma, es todavía mayor y permite aumentar la eficiencia energética de
los parques eólicos al mismo tiempo que aumenta los beneficios de la
empresa para la que se ha realizado el proyecto.
El horizonte de estudio siendo inferior a un año, es difícil poder

englobar las 5 fases de la metodología Six Sigma ya que algunas
mejoras propuestas requieren un tiempo de implantación de varios
meses y otros tantos para poder apreciar los resultados. Aunque no se
puedan comprobar en la actualidad la eficacia de las acciones de
mejora, se confía en que la rigurosidad con la que se ha trabajado y lo
conservador que se ha sido en las estimaciones, aseguren los buenos
resultados y la consecución de los objetivos. En un futuro no muy lejano
se podrá comprobar si se ha conseguido alcanzar ese 2% de aumento
de la disponibilidad económica que se había fijado como mejora y así
confortar la satisfacción de haber logrado los objetivos de un proyecto
ambicioso como este con éxito.
Incluso si se diera la mala suerte de que no se alcanza un 2% de

mejora, no se consideraría un fracaso del todo ya que a lo largo de este
proyecto se ha aprendido muchas cosas que difícilmente se hubiesen
Página 167 de 169
I.C.A.I-D.O.I.
podido adquirir de otro modo. Cabe destacar a grandes rasgos el interés

en investigar más a fondo el funcionamiento tanto a nivel técnico como
a nivel de gestión de la explotación de un parque eólico y como
metodología de trabajo la eficacia que se puede llegar a obtener
siguiendo una estructura bien definida con pautas establecidas y
objetivos definidos a alcanzar.

Página 168 de 169
I.C.A.I-D.O.I.
6. BIBLIOGRAFÍA
• The Six Sigma Project Planner- Thomas Pyzdek– McGraw-

Hill- 2003
• Six Sigma para todos – George Eckes – Granica 2004
• Seis Sigma, el camino hacia la excelencia – Formación para

Black Belts – Juran Institute volumen 1 y 2.
• Sistemas Eólicos de producción de Energía Eléctrica – J.L

Rodríguez Amenedo – Ed. Rueda
• http://www.windpower.org/
• http://www.idae.es/ (Instituto para la diversificación y

Ahorro de la Energía)
• http://www.ciemat.es/ (Centro de Investigaciones

Energéticas, Medioambientales y Tecnológicas)
• http://www.iter.es/ (Instituto Tecnológico y de las Energías

Renovables)
• http://www.appa.es/ (Asociación de productores de

Energías Renovables)

Página 169 de 169
I.C.A.I-D.O.I.

MEJORA DE LA DISPONIBILIDAD DE UN PARQUE EÓLICO UTILIZANDO EL MÉTODO SIX SIGMA. Del Alumno. Antoine Berte EL DIRECTOR DEL PROYECTO PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MEJORA DE LA DISPONIBILIDAD DE UN PARQUE EÓLICO UTILIZANDO EL MÉTODO SIX SIGMA. Del Alumno. Antoine Berte EL DIRECTOR DEL PROYECTO PDF

Cargado por

Copyright:

Formatos disponibles

Autorizada la entrega del proyecto

MEJORA DE LA DISPONIBILIDAD DE UN PARQUE EÓLICO

EL DIRECTOR DEL PROYECTO

David Talaván Luque

Fdo.: …………………… Fecha: ……/ ……/ ……

Vº Bº del Coordinador de Proyectos

Fdo.: …………………… Fecha: ……/ ……/ ……

INGENIERO EN ORGANIZACIÓN INDUSTRIAL

PROYECTO FIN DE CARRERA

MADRID, Junio de 2005

Antoine Romain Berte

España es hoy la segunda potencia mundial en energía eólica y su

Las energías renovables producen ya la electricidad que consumen

Antoine Romain Berte

Después de haber superado el escepticismo de muchos y

En segundo lugar, y también relacionado con la dimensión que está

En cuanto a las infraestructuras no cabe el planteamiento de que el

Teniendo esto en mente, parece claro que una posible solución a

Existen una serie de factores que impiden llegar a un 100% de

El alcance de este proyecto es el de analizar y cuantificar la

1.2. Objetivos del proyecto

En el momento en el que se inicia este proyecto en Julio de 2004, la

El cumplimiento de estos objetivos permitirá mantener a largo plazo

de este proyecto lo aspectos técnicos y los aspectos relacionados con la

2. ¿QUÉ ES UN PARQUE EÓLICO?

Este proyecto, al tratar variables que son específicas del sector de la

Se va a describir y explicar cada una de estas variables consideradas

2.1. Aspectos técnicos

2.1.1. ¿De dónde viene la energía eólica?

Antoine Romain Berte

Las regiones alrededor del ecuador, a 0° de latitud, son calentadas

Un aerogenerador obtiene su potencia de entrada convirtiendo la

A presión atmosférica normal y a 15 °C el aire pesa unos 1,225

Antoine Romain Berte

Figura 1: Potencia generada en función del diámetro del rotor.

Antoine Romain Berte

Se presenta a continuación una imagen que ilustra lo que se acaba

Figura 2: Desvió del viento tras su paso por un aerogenerador.

En la imagen de arriba tenemos el viento que viene desde la derecha

Antoine Romain Berte

Medición de la velocidad del viento.

Las mediciones de las velocidades del viento se realizan

Se pueden comprar anemómetros sorprendentemente baratos de

Si está pensando construir un parque eólico puede resultar un

Antoine Romain Berte

Selección del emplazamiento de un aerogenerador.

Normalmente, el sólo hecho de observar la naturaleza resulta de

Los datos meteorológicos, obtenidos en forma de rosa de vientos

También habrá que considerar la conexión a la red ya que

Se tendrá que tener en cuenta las condiciones del suelo. La

Antoine Romain Berte

2.1.2. ¿Cómo funciona un aerogenerador?

Palas Góndola Sistema hidráulico Anemómetro

Eje de baja Multiplicador Eje de alta Controlador electrónico

Torre Generador eléctrico

• La góndola contiene los componentes clave del aerogenerador,

• Las palas del rotor capturan el viento y transmiten su potencia

Antoine Romain Berte

• El eje de baja velocidad del aerogenerador conecta el buje del

• El multiplicador tiene a su izquierda el eje de baja velocidad.

• El eje de alta velocidad gira aproximadamente a 1.500

• El generador eléctrico suele llamarse generador asíncrono o de

• El controlador electrónico tiene un ordenador que