Este estudio tiene como objetivo desarrollar un método confiable para predecir los costos de construcción de plantas de energía durante las primeras etapas de planificación utilizando técnicas de aprendizaje automático en conjunto. Las predicciones de costos precisas son esenciales para la viabilidad del proyecto, y esta investigación destaca la fortaleza de los métodos en conjunto para mejorar la precisión de las predicciones al combinar las ventajas de múltiples modelos, ofreciendo una mejora significativa sobre los enfoques tradicionales. Esta investigación empleó el algoritmo Random Forest (RF) para estimar el costo total de construcción de una planta de energía. El algoritmo RF se contrastó con modelos de aprendizaje automático de un solo aprendiz: Regresión de Vectores de Soporte (SVR) y k-Vecinos Más Cercanos (KNN). Se utilizaron medidas de rendimiento, que comprenden el coeficiente de determinación, el Error Absoluto Medio (MAE) y el Error Cuadrático Medio (RMSE), para evaluar y contrastar el rendimiento de los modelos implementados. Las medidas estadísticas demostraron que el enfoque RF superó a los modelos alternativos, demostrando el coeficiente de determinación más alto para las pruebas y el menor Error Cuadrático Medio (RMSE = 29.27) para el conjunto de datos de prueba. Se implementó la técnica de Explicación Aditiva de Shapley (SHAP) para explicar la importancia e impacto de los factores predictivos que afectan los costos de construcción de plantas de energía. Los resultados de esta investigación proporcionan información crucial para los tomadores de decisiones del proyecto, permitiéndoles reducir las discrepancias en los costos proyectados y tomar decisiones informadas al inicio de la fase de construcción.