La variabilidad eólica y las limitaciones de los controladores tradicionales (PID/MPC) reducen la eficiencia energética y aumentan el desgaste mecánico en turbinas eólicas, comprometiendo su viabilidad económica y operativa. El objetivo de esta investigacion es el desarrollo de un sistema de control de turbinas eolicas para maximizar la generación de energía mediante ajustes dinámicos de pitch/yaw; minimizar cargas estructurales para prolongar la vida útil de componentes críticos. Se implementó el algoritmo Deep Deterministic Policy Gradient (DDPG) en Python/Gym, entrenado con datos históricos de viento (2015-2022) de Santiago de Cuba. La validación empleó simulación híbrida Python-MATLAB/Simulink, comparando desempeño frente a PID y MPC en una turbina de 5 MW (Norma IEC 61400-1). El DDPG incrementó un 15% la generación energética anual (AEP) y redujo un 20% las cargas mecánicas (DEL en raíz de pala). Superó a controles estándar en estabilidad operativa bajo turbulencia (71% menos fluctuaciones que ROSCO), demostrando adaptabilidad en condiciones no entrenadas (σ > 3.5 m/s). El DDPG resuelve la dicotomía histórica entre eficiencia energética y preservación estructural. Su función de recompensa multicriterio e integración en simuladores industriales constituyen avances significativos para la adopción de Deep Reinforcement Learning en energía eólica.