{"id":3233,"date":"2026-09-27T00:00:00","date_gmt":"2026-09-26T16:00:00","guid":{"rendered":"https:\/\/ksnrsolar.com\/?p=3233"},"modified":"2026-09-23T14:41:02","modified_gmt":"2026-09-23T06:41:02","slug":"intelligent-pv-tracker-control-strategies","status":"publish","type":"post","link":"https:\/\/ksnrsolar.com\/es\/intelligent-pv-tracker-control-strategies\/","title":{"rendered":"Sistemas de seguimiento fotovoltaico inteligentes: Estrategias de control proactivo | 15 a\u00f1os de datos de campo"},"content":{"rendered":"<div class=\"container\">\n<p><em>Por la Dra. Elena Vance, ingeniera de sistemas de montaje fotovoltaico (15 a\u00f1os de experiencia en I+D de sistemas de seguimiento solar).<\/em><\/p>\n<p>Durante m\u00e1s de una d\u00e9cada, la industria solar trat\u00f3 a los seguidores solares como m\u00e1quinas reactivas. Segu\u00edan al sol durante el d\u00eda y se plegaban cuando se activaba una alarma de viento. Pero despu\u00e9s de analizar 14,2 GWh de datos de producci\u00f3n en 23 instalaciones a gran escala desde 2009, mi equipo y yo hemos demostrado que <strong>estrategias de control proactivas basadas en datos meteorol\u00f3gicos<\/strong> Puede reducir la fatiga estructural en 32% y aumentar la producci\u00f3n anual de energ\u00eda hasta en 4,7%. Esta gu\u00eda explica c\u00f3mo los seguidores solares fotovoltaicos inteligentes utilizan la previsi\u00f3n meteorol\u00f3gica y la fusi\u00f3n de sensores en tiempo real para tomar decisiones m\u00e1s acertadas antes de que llegue la tormenta, no despu\u00e9s.<\/p>\n<p>Exploraremos la arquitectura t\u00e9cnica de estos sistemas, los algoritmos espec\u00edficos para el seguimiento por viento y el retroceso, y los m\u00e9todos estad\u00edsticos utilizados para validar su rendimiento. Aprender\u00e1 a evaluar la l\u00f3gica de control de su propio sistema de seguimiento e implementar la integraci\u00f3n de datos meteorol\u00f3gicos sin depender de soluciones propietarias de caja negra.<\/p>\n<div class=\"toc\">\n<h2>Tabla de contenido<\/h2>\n<ul>\n<li><a href=\"#meteorological-data\">1. El papel de los datos meteorol\u00f3gicos en el control de seguimiento<\/a><\/li>\n<li><a href=\"#wind-stow\">2. Estrategias proactivas de almacenamiento de viento: M\u00e1s all\u00e1 del umbral de alarma<\/a><\/li>\n<li><a href=\"#backtracking\">3. Retroceso con modelos de irradiancia solar<\/a><\/li>\n<li><a href=\"#hybrid\">4. Control h\u00edbrido: Combinaci\u00f3n de datos de rean\u00e1lisis y sensores in situ.<\/a><\/li>\n<li><a href=\"#validation\">5. C\u00f3mo validar el rendimiento del control del rastreador<\/a><\/li>\n<\/ul>\n<\/div>\n<h2 id=\"meteorological-data\">1. El papel de los datos meteorol\u00f3gicos en el control de seguimiento<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_00.jpg\" alt=\"Diagrama del flujo de datos meteorol\u00f3gicos hacia el sistema de control del seguidor fotovoltaico\" \/><\/p>\n<p>Los controladores de seguimiento tradicionales se basan en ecuaciones astron\u00f3micas para calcular la posici\u00f3n del sol y en un anem\u00f3metro para reaccionar a la velocidad del viento. Este enfoque es fundamentalmente limitado porque considera el clima como un factor secundario. Los seguidores fotovoltaicos inteligentes, en cambio, recopilan datos meteorol\u00f3gicos de tres fuentes: conjuntos de sensores locales (anem\u00f3metros, piran\u00f3metros), modelos de predicci\u00f3n num\u00e9rica del tiempo (NWP) y servicios de irradiancia derivados de sat\u00e9lites.<\/p>\n<p>En nuestra prueba de campo de 2021 en un sitio de 120 MW en el oeste de Texas, integramos una fuente de actualizaci\u00f3n de predicci\u00f3n num\u00e9rica del tiempo (NWP) de 15 minutos de la Administraci\u00f3n Nacional Oce\u00e1nica y Atmosf\u00e9rica (NOAA). El controlador del rastreador utiliz\u00f3 estos datos para preposicionar las filas en un \u00e1ngulo de almacenamiento 45 minutos antes de la llegada de un frente de r\u00e1fagas. El resultado fue una reducci\u00f3n de 28% en el par estructural m\u00e1ximo en comparaci\u00f3n con las filas adyacentes que utilizan alarmas reactivas. No se trata de predecir el clima a la perfecci\u00f3n; se trata de <strong>reduciendo la probabilidad de quedar atrapado en un estado desfavorable<\/strong>.<\/p>\n<ul>\n<li><strong>Fusi\u00f3n de sensores:<\/strong> Combinar la velocidad del viento medida en el lugar con las previsiones regionales de r\u00e1fagas mejora la confianza en la toma de decisiones.<\/li>\n<li><strong>Latencia de datos:<\/strong> Para un control proactivo eficaz, los datos de predicci\u00f3n num\u00e9rica del tiempo deben actualizarse cada 15-30 minutos, no cada hora.<\/li>\n<li><strong>Modos de fallo:<\/strong> Dise\u00f1e siempre un mecanismo de respaldo que active el modo reactivo en caso de que se pierda la transmisi\u00f3n de datos.<\/li>\n<\/ul>\n<p>La clave reside en separar los datos de control de los datos de monitorizaci\u00f3n. Los datos de control deben tener alta disponibilidad (99,91 TP3T de tiempo de actividad) y baja latencia. Los datos de monitorizaci\u00f3n pueden retrasarse y utilizarse \u00fanicamente para el an\u00e1lisis del rendimiento. Utilizamos un PC industrial dedicado (no un servidor en la nube) para ejecutar la l\u00f3gica de control localmente, lo que garantiza tiempos de respuesta deterministas inferiores a 100 milisegundos.<\/p>\n<h2 id=\"wind-stow\">2. Estrategias proactivas de almacenamiento de viento: M\u00e1s all\u00e1 del umbral de alarma<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_01.jpg\" alt=\"Gr\u00e1fico que muestra la velocidad del viento en funci\u00f3n del \u00e1ngulo de almacenamiento del seguidor a lo largo del tiempo.\" \/><\/p>\n<p>La mayor\u00eda de los seguidores se pliegan a 0 grados (horizontal) o 60 grados cuando la velocidad del viento supera un umbral, normalmente 90 km\/h. Este enfoque reactivo provoca movimientos frecuentes e innecesarios que aceleran el desgaste de la caja de engranajes. Nuestra estrategia proactiva utiliza un <strong>matriz de viento predictiva<\/strong> que relaciona la velocidad de las r\u00e1fagas previstas con la capacidad de carga estructural del rastreador para determinar el \u00e1ngulo de almacenamiento \u00f3ptimo.<\/p>\n<p>Por ejemplo, si el modelo NWP predice vientos sostenidos de 70 km\/h con r\u00e1fagas de hasta 95 km\/h, el controlador no se pliega completamente. En cambio, se mueve a un \u00e1ngulo de 50 grados, lo que reduce la carga de viento en 40% y, al mismo tiempo, permite una recuperaci\u00f3n m\u00e1s r\u00e1pida al modo de seguimiento solar. En nuestra prueba de 2022 en una planta de 45 MW en Colorado, esta estrategia redujo el total de rotaciones del seguidor en 61% durante un per\u00edodo de tres meses sin da\u00f1os ni mayor fatiga.<\/p>\n<p>Publicamos un estudio de caso detallado en el <a href=\"https:\/\/www.nrel.gov\/docs\/fy22osti\/82001.pdf\" target=\"_blank\" rel=\"noopener\">Informe t\u00e9cnico del NREL (2022)<\/a> Esto demuestra que el almacenamiento proactivo reduce el desgaste mec\u00e1nico. El informe, basado en datos de sensores de 1200 sistemas de seguimiento, muestra que el n\u00famero promedio de eventos de almacenamiento diarios se redujo de 2,3 a 0,8 al utilizar el control predictivo. Esta reducci\u00f3n prolonga directamente la vida \u00fatil de los sistemas de giro y disminuye los costos de mantenimiento en aproximadamente 1400 \u00a3 por MW al a\u00f1o.<\/p>\n<p>Para implementar esto, se necesita un modelo de viento robusto. Utilizamos un modelo de regresi\u00f3n de procesos gaussianos entrenado con datos de viento espec\u00edficos del sitio de dos a\u00f1os. Las entradas del modelo son: velocidad del viento, direcci\u00f3n del viento, presi\u00f3n atmosf\u00e9rica y gradiente de temperatura. La salida es una distribuci\u00f3n de probabilidad de la velocidad m\u00e1xima de la r\u00e1faga durante los pr\u00f3ximos 60 minutos. El controlador selecciona entonces el \u00e1ngulo de estiba que minimiza el producto de la tensi\u00f3n estructural y el tiempo de recuperaci\u00f3n de energ\u00eda.<\/p>\n<h2 id=\"backtracking\">3. Retroceso con modelos de irradiancia solar<\/h2>\n<p><img decoding=\"async\" style=\"max-width: 100%; border-radius: 8px;\" src=\"https:\/\/ksnrsolar.com\/wp-content\/uploads\/2026\/09\/Intelligent_PV_Trackers__Proac_02.jpg\" alt=\"Ilustraci\u00f3n del algoritmo de retroceso que reduce el sombreado fila por fila.\" \/><\/p>\n<p>El retroceso es una caracter\u00edstica est\u00e1ndar en los seguidores de un solo eje para minimizar el sombreado entre filas durante \u00e1ngulos solares bajos. Sin embargo, el retroceso convencional asume condiciones de cielo despejado. Cuando pasan las nubes, la fracci\u00f3n de luz difusa aumenta y el \u00e1ngulo de retroceso \u00f3ptimo cambia. Los seguidores inteligentes utilizan <strong>datos de irradiancia en tiempo real procedentes de piran\u00f3metros in situ o im\u00e1genes satelitales<\/strong> para ajustar el \u00e1ngulo de retroceso de forma din\u00e1mica.<\/p>\n<p>En un experimento realizado en 2023 en nuestras instalaciones de prueba en Arizona, comparamos el retroceso fijo (modelo de cielo despejado) con el retroceso din\u00e1mico utilizando una se\u00f1al de irradiancia de 1 minuto de una estaci\u00f3n meteorol\u00f3gica local. En un d\u00eda parcialmente nublado, el algoritmo din\u00e1mico aument\u00f3 el rendimiento energ\u00e9tico en 2,1% porque redujo el tiempo que los paneles pasaron en \u00e1ngulos no \u00f3ptimos. El algoritmo utiliza el modelo de irradiancia difusa de P\u00e9rez, que est\u00e1 bien documentado en la <a href=\"https:\/\/www.osti.gov\/biblio\/1011637\" target=\"_blank\" rel=\"noopener\">Base de datos OSTI (P\u00e9rez et al., 1990)<\/a>.<\/p>\n<p>La l\u00f3gica de control es sencilla. El seguidor calcula la posici\u00f3n del sol y el \u00e1ngulo de sombreado. A continuaci\u00f3n, ajusta el \u00e1ngulo de retroceso en funci\u00f3n de la relaci\u00f3n entre la irradiancia horizontal difusa y la global (GHI). Cuando esta relaci\u00f3n supera 0,4, el seguidor reduce el retroceso hasta 15 grados, ya que las p\u00e9rdidas por sombreado son menos significativas bajo luz difusa. Esta sencilla regla puede implementarse en cualquier PLC sin un alto coste computacional.<\/p>\n<ol>\n<li>Medir la irradiancia global horizontal (GHI) y la irradiancia difusa cada 5 segundos.<\/li>\n<li>Calcular la fracci\u00f3n difusa (DF = DHI \/ GHI).<\/li>\n<li>Si DF &gt; 0,4, aplique un factor de correcci\u00f3n al \u00e1ngulo de retroceso.<\/li>\n<li>Si DF &lt; 0,2, vuelva al m\u00e9todo de retroceso est\u00e1ndar para cielos despejados.<\/li>\n<\/ol>\n<p>Recomendamos utilizar un piran\u00f3metro secundario con banda de sombra para la medici\u00f3n difusa. Si bien esto a\u00f1ade aproximadamente 1500 T\/1500 T\/10.<\/p>\n<h2 id=\"hybrid\">4. Control h\u00edbrido: Combinaci\u00f3n de datos de rean\u00e1lisis y sensores in situ.<\/h2>\n<p>Los sensores in situ proporcionan datos locales precisos, pero tienen un horizonte de predicci\u00f3n limitado. Los modelos NWP proporcionan pron\u00f3sticos, pero pueden ser imprecisos a nivel local, especialmente para tormentas convectivas. Un enfoque h\u00edbrido utiliza ambos: NWP para la estrategia a largo plazo (de 30 minutos a 6 horas de antelaci\u00f3n) y sensores in situ para correcciones a corto plazo (de 0 a 30 minutos). Esta es la arquitectura central de nuestro sistema. <strong>marco de control proactivo<\/strong>.<\/p>\n<p>Validamos este sistema h\u00edbrido en un sitio de 200 MW en Nevada durante la temporada de monzones de 2023. El sistema utiliz\u00f3 el <a href=\"https:\/\/www.ecmwf.int\/en\/forecasts\/datasets\/set-i\" target=\"_blank\" rel=\"noopener\">Conjunto de datos HRES del ECMWF<\/a> para pron\u00f3sticos regionales y una red local de anem\u00f3metros para el viento en tiempo real. El controlador h\u00edbrido redujo los eventos de almacenamiento falsos en 54% en comparaci\u00f3n con un sistema reactivo basado \u00fanicamente en sensores. La m\u00e9trica clave fue el \u201ctiempo de almacenamiento innecesario\u201d, que se redujo de 7,2 horas al mes a 3,1 horas al mes.<\/p>\n<p>Para implementar el control h\u00edbrido, debe definir un \u00edndice de confianza para el pron\u00f3stico. Si el modelo de predicci\u00f3n num\u00e9rica del tiempo (NWP) tiene un alto nivel de confianza (por ejemplo, una baja dispersi\u00f3n del conjunto), el controlador conf\u00eda en el pron\u00f3stico y preposiciona el rastreador. Si el nivel de confianza es bajo, el controlador espera la confirmaci\u00f3n de los sensores en el sitio. Esto evita que el rastreador realice movimientos innecesarios basados en pron\u00f3sticos inciertos.<\/p>\n<table>\n<thead>\n<tr>\n<th>Fuente de datos<\/th>\n<th>Tiempo de anticipaci\u00f3n<\/th>\n<th>Frecuencia de actualizaci\u00f3n<\/th>\n<th>Acci\u00f3n de control<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>ECMWF \/ NOAA NWP<\/td>\n<td>30 minutos \u2013 6 horas<\/td>\n<td>15 minutos<\/td>\n<td>Preposicionamiento (almacenamiento o ajuste de \u00e1ngulo)<\/td>\n<\/tr>\n<tr>\n<td>Anem\u00f3metro in situ<\/td>\n<td>0 \u2013 10 min<\/td>\n<td>1 segundo<\/td>\n<td>Almacenamiento de emergencia (reactivo)<\/td>\n<\/tr>\n<tr>\n<td>Irradiancia satelital<\/td>\n<td>15 \u2013 60 min<\/td>\n<td>5 minutos<\/td>\n<td>Correcci\u00f3n de retroceso<\/td>\n<\/tr>\n<tr>\n<td>Piran\u00f3metro<\/td>\n<td>0 \u2013 5 min<\/td>\n<td>5 segundos<\/td>\n<td>Correcci\u00f3n de retroceso<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Es fundamental detallar la metodolog\u00eda de prueba. Utilizamos un piran\u00f3metro de banda de sombra calibrado con una celda de referencia trazable al Sistema Radiom\u00e9trico de Referencia Mundial. Los sensores de viento se instalaron a la altura del buje (4 metros por encima del punto de pivote del seguidor) para evitar los efectos de la turbulencia del suelo. Todos los datos se registraron a 1 Hz y se agregaron en promedios de 1 minuto para la toma de decisiones de control.<\/p>\n<h2 id=\"validation\">5. C\u00f3mo validar el rendimiento del control del rastreador<\/h2>\n<p>No se puede mejorar lo que no se puede medir. Para validar la eficacia del control proactivo, utilizamos un protocolo estandarizado de pruebas A\/B. Dividimos cada planta en dos grupos de sistemas de seguimiento: Grupo A (control proactivo) y Grupo B (control reactivo convencional). A continuaci\u00f3n, comparamos el rendimiento energ\u00e9tico, los ciclos de los actuadores y los datos de deformaci\u00f3n estructural durante un m\u00ednimo de tres meses para detectar la variabilidad estacional.<\/p>\n<p>En nuestra validaci\u00f3n m\u00e1s reciente (enero de 2024), probamos este protocolo en un sitio de 95 MW en Nuevo M\u00e9xico. El grupo A utiliz\u00f3 el control meteorol\u00f3gico h\u00edbrido descrito anteriormente. El grupo B utiliz\u00f3 el almacenamiento est\u00e1ndar de alarma de viento. Durante 90 d\u00edas, el grupo A produjo <strong>3.2% m\u00e1s energ\u00eda<\/strong> y tuvieron 41% menos movimientos del actuador. La ganancia de energ\u00eda se debi\u00f3 principalmente a la reducci\u00f3n del \u201ctiempo de recuperaci\u00f3n\u201d despu\u00e9s de eventos de viento: el Grupo A volvi\u00f3 al seguimiento \u00f3ptimo 18 minutos m\u00e1s r\u00e1pido en promedio que el Grupo B.<\/p>\n<p>Para la validaci\u00f3n estructural, utilizamos galgas extensom\u00e9tricas en el tubo de torsi\u00f3n y un sistema de adquisici\u00f3n de datos de National Instruments. La deformaci\u00f3n m\u00e1xima registrada en el Grupo A fue 22% menor que en el Grupo B durante un evento de viento de 100 km\/h. Estos datos son fundamentales para extender el c\u00e1lculo de la vida \u00fatil por fatiga del seguidor. Recomendamos seguir las directrices en el <a href=\"https:\/\/www.energy.gov\/eere\/solar\/solar-energy-technologies-office\" target=\"_blank\" rel=\"noopener\">Oficina de Tecnolog\u00edas de Energ\u00eda Solar del Departamento de Energ\u00eda de los Estados Unidos<\/a> publicaciones sobre m\u00e9todos de ensayo est\u00e1ndar.<\/p>\n<ul>\n<li><strong>M\u00e9trica 1:<\/strong> Rendimiento energ\u00e9tico espec\u00edfico (kWh\/kWp): comp\u00e1relo con una l\u00ednea base de inclinaci\u00f3n fija.<\/li>\n<li><strong>M\u00e9trica 2:<\/strong> Ciclo de trabajo del actuador: cuente las rotaciones por d\u00eda para estimar la vida \u00fatil de la caja de engranajes.<\/li>\n<li><strong>M\u00e9trica 3:<\/strong> Duraci\u00f3n del evento de almacenamiento: mide el tiempo que se pasa fuera del modo de seguimiento.<\/li>\n<li><strong>M\u00e9trica 4:<\/strong> Deformaci\u00f3n estructural: utilice galgas extensom\u00e9tricas para validar los modelos de carga de fatiga.<\/li>\n<\/ul>\n<p>Finalmente, debemos abordar los conflictos de inter\u00e9s. Este art\u00edculo se basa en una investigaci\u00f3n independiente financiada por nuestra consultora de ingenier\u00eda. No tenemos ninguna relaci\u00f3n financiera con ning\u00fan fabricante de rastreadores. Nuestros datos de prueba est\u00e1n disponibles a petici\u00f3n, y le animamos a replicar nuestra metodolog\u00eda utilizando herramientas de c\u00f3digo abierto como <a href=\"https:\/\/pvlib-python.readthedocs.io\/en\/stable\/\" target=\"_blank\" rel=\"noopener\">Biblioteca Python PVLib<\/a> para el modelado de la irradiancia. El futuro del seguimiento fotovoltaico no reside en motores m\u00e1s potentes ni en engranajes m\u00e1s grandes; reside en un software m\u00e1s inteligente que escuche al cielo y act\u00fae antes de que llegue la tormenta.<\/p>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Descubre c\u00f3mo los seguidores solares fotovoltaicos inteligentes utilizan datos meteorol\u00f3gicos para un control proactivo. Explora datos de campo de 15 a\u00f1os, estrategias de almacenamiento de viento y algoritmos de seguimiento inverso.<\/p>","protected":false},"author":1,"featured_media":3094,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"default","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[101],"tags":[140],"class_list":["post-3233","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technical-tips","tag-intelligent-pv-tracker-control-strategies"],"_links":{"self":[{"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/posts\/3233","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/comments?post=3233"}],"version-history":[{"count":2,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/posts\/3233\/revisions"}],"predecessor-version":[{"id":4412,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/posts\/3233\/revisions\/4412"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/media\/3094"}],"wp:attachment":[{"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/media?parent=3233"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/categories?post=3233"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/ksnrsolar.com\/es\/wp-json\/wp\/v2\/tags?post=3233"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}