Junto con el creciente interés hacia las fuentes de energía renovable dentro del marco de diferentes estrategias de varios países, el número de plantas de energía solar sigue creciendo. Sin embargo, gestionar la generación óptima de energía para las plantas de energía solar tiene sus propios desafíos. Primero viene el problema de la interrupción del trabajo y la reducción en la generación de energía. Dado que el sistema debe ser tolerante a las fallas, la relevancia y significado de la predicción a corto plazo de la generación de energía solar se vuelve crucial. Dentro del marco de esta investigación, se explica la aplicabilidad de diferentes métodos de pronóstico para la predicción a corto plazo. El objetivo principal de la investigación es mostrar un enfoque sobre cómo hacer que el pronóstico sea más preciso y superar los desafíos mencionados anteriormente utilizando datos de código abierto como características. Se propone un algoritmo de agrupación de datos basado en KMeans para entrenar modelos únicos para grupos específicos de muestras de datos y mejorar la precisión del pronóstico de generación. Basándose en cálculos prácticos, se seleccionan modelos de aprendizaje automático basados en el algoritmo de Bosques Aleatorios que han demostrado tener una mayor eficiencia en predecir la generación de plantas de energía solar. El algoritmo propuesto fue probado con éxito en la práctica, logrando una precisión cercana al 90%.