La creciente preocupación sobre el cambio climático ha intensificado los esfuerzos para utilizar energía renovable, destacando la energía eólica como una fuente en crecimiento. Se sabe que los aerogeneradores se caracterizan por distintos modos de funcionamiento que reflejan la eficiencia de producción. En este trabajo, nos enfocamos en el problema de pronóstico para series de tiempo univariadas de valores discretos de modos de funcionamiento. Definimos tres estrategias de predicción para superar las dificultades asociadas con datos faltantes. Estas estrategias son evaluadas a través de experimentos utilizando cinco métodos de pronóstico en dos conjuntos de datos de la vida real. Dos de los métodos de pronóstico han sido introducidos en la literatura estadística como extensiones del conocido algoritmo de contexto: cadenas de Markov de longitud variable y árbol de contexto bayesiano. Además, consideramos un método bayesiano basado en factorización tensorial condicional y dos suavizadores diferentes de las herramientas clásicas para el pronóstico de series de tiempo. Después de evaluar cada estrategia de predicción/método de pronóstico en términos de precisión de predicción versus complejidad computacional, proporcionamos orientación sobre los métodos adecuados para pronosticar las series de tiempo de modos de funcionamiento. Los resultados de predicción que informamos demuestran que se puede lograr alta precisión con recursos computacionales reducidos.