Para la estabilidad de la red, la operación y la planificación, la predicción de la irradiancia solar es crucial. En este documento, proporcionamos un método para predecir los valores medios de la Irradiancia Horizontal Global (GHI) con una hora de anticipación. Se utilizan imágenes del cielo para entrenar los diversos modelos de predicción junto con datos meteorológicos medidos para tener en cuenta la variabilidad a corto plazo de la irradiancia solar, que es causada principalmente por la presencia de nubes en el cielo. Además, se utilizan ampliamente modelos de aprendizaje profundo como el perceptrón multicapa (MLP), redes neuronales convolucionales (CNN), memoria a largo y corto plazo (LSTM) o sus formas hibridadas para la predicción determinista de la irradiancia solar. La implementación de la predicción probabilística de la irradiancia solar, que está ganando prominencia en la gestión de la red ya que ofrece información sobre la probabilidad de diferentes resultados, es otra tarea que llevamos a cabo utilizando regresión cuantílica. La novedad de este documento radica en la combinación de un modelo híbrido de aprendizaje profundo (CNN-LSTM) con regresión cuantílica para el cálculo de intervalos de predicción en diferentes niveles de confianza. El entrenamiento de los diferentes algoritmos de aprendizaje automático se realiza con un año de imágenes del cielo y datos meteorológicos de los años 2019 a 2020. Los datos fueron medidos en la Universidad de Polinesia Francesa (17.5770 grados S, 149.6092 grados O), en la isla de Tahití, que tiene un clima tropical. En general, el modelo híbrido (CNN-LSTM) es el que mejor rendimiento y precisión muestra en términos de métricas deterministas y probabilísticas. Además, se encontró que la CNN, LSTM y ANN muestran buenos resultados en comparación con la persistencia.