Este artículo tiene como objetivo evaluar el rendimiento de las previsiones de radiación solar producidas por CMA-WSP v2.0 (versión 2 del Sistema de Predicción de Energía Eólica y Solar de la Administración Meteorológica de China) y explorar la aplicación de algoritmos de aprendizaje automático de la biblioteca Python scikit-learn para mejorar la predicción de radiación solar realizada por el CMA-WSP v2.0. Se ha encontrado que el rendimiento de la previsión de radiación solar del CMA-WSP v2.0 está estrechamente relacionado con las condiciones meteorológicas, con notables fluctuaciones diurnas. El error porcentual absoluto medio (MAPE) producido por el CMA-WSP v2.0 es aproximadamente del 74% entre las 11:00 y las 13:00. Sin embargo, el MAPE varía del 193% al 242% entre las 07:00-08:00 y las 17:00-18:00, lo que es mayor que el observado en otros períodos diurnos. El MAPE es relativamente bajo (alto) tanto para condiciones soleadas como nubladas (cubiertas y lluviosas), con una alta probabilidad de un error porcentual absoluto por debajo del 25% (por encima del 100%). Las previsiones tienden a subestimar (sobreestimar) la radiación solar observada en condiciones soleadas y nubladas (cubiertas y lluviosas). Al aplicar modelos de aprendizaje automático (como regresión lineal, árboles de decisión, K-vecinos más cercanos, regresión de bosques aleatorios, aumento adaptativo y regresión de aumento de gradiente) para revisar las previsiones de radiación solar, el MAPE producido por el CMA-WSP v2.0 se reduce significativamente. La reducción del MAPE está estrechamente conectada a las condiciones meteorológicas. Los modelos de K-vecinos más cercanos, regresión de bosques aleatorios y árboles de decisión pueden reducir el MAPE en todas las condiciones meteorológicas. El modelo de K-vecinos más cercanos exhibe el rendimiento más óptimo entre estos modelos, particularmente en condiciones de lluvia. El modelo de regresión de bosques aleatorios demuestra el segundo mejor rendimiento en comparación con el modelo de K-vecinos más cercanos. Se ha observado que el modelo de regresión de aumento de gradiente reduce el MAPE del CMA-WSP v2.0 en todas las condiciones meteorológicas excepto en lluvias. En contraste, el modelo de aumento adaptativo (regresión lineal) mostró una capacidad disminuida para mejorar la predicción de radiación solar del CMA-WSP v2.0, con una ligera reducción en el MAPE observada solo en condiciones soleadas (soleadas y nubladas). Además, la selección de características de entrada tiene una influencia considerable en el rendimiento del modelo de aprendizaje automático. La incorporación de datos de series temporales asociados con la variación diurna de la radiación solar como característica de entrada puede mejorar aún más el rendimiento del modelo.