Las grabaciones de la velocidad del viento y la potencia asociada de los aerogeneradores (WT) poseen ruido, debido a mediciones inexactas de los sensores, condiciones atmosféricas, paradas de funcionamiento y fallos. Las mediciones aún contienen ruido incluso después de la purificación, por lo que la curva de ajuste de la potencia del aerogenerador podría ser diferente de la hoja de datos. El modelo de potencia del aerogenerador (MWTP) es significativo, debido a su utilización para predecir y gestionar la energía eólica. Hay dos tipos de MWTP, a saber, los tipos paramétrico y no paramétrico. La identificación de parámetros del MWTP paramétrico puede considerarse un problema de optimización no lineal de alta complejidad. La función de ajuste consiste en minimizar los errores cuadráticos medios (RASE) entre las potencias del viento calculadas y medidas, mientras se sujeta a un conjunto de restricciones de parámetros. El MWTP no paramétrico se identifica a través del entrenamiento mediante aprendizaje automático. En este artículo, se aplica de manera innovadora el aprendizaje automático, a saber, la regresión de vectores de soporte (SVR), para la identificación del MWTP no paramétrico. Además, se estudian teóricamente la fuerza dinámica y los parámetros propios de los WT a diferentes velocidades del viento. El modelo teórico para analizar las frecuencias naturales de los WT se valida utilizando dos técnicas, a saber, el método de elementos finitos y la teoría de vigas de Euler-Bernoulli. Las simulaciones se ejecutan utilizando MATLAB. El SVR se evalúa mediante la comparación de sus resultados con los de tres MWTP paramétricos, a saber, las funciones logísticas de 5 y 6 parámetros, y la tangente hiperbólica modificada. Se puede afirmar que la ejecución del SVR es excelente y puede producir el MWTP no paramétrico con un RASE menor que otros algoritmos entre un 0.4% y un 93.8%, con un bajo costo computacional.