La producción de energía fotovoltaica (PV) se caracteriza por una alta variabilidad debido a efectos meteorológicos a corto plazo como los movimientos de nubes. Estos efectos tienen un impacto significativo en la irradiancia solar incidente en los parques fotovoltaicos. Con el objetivo de controlar el rendimiento del parque fotovoltaico, los investigadores se han centrado en enfoques de Visión por Computadora y Aprendizaje Profundo para realizar pronósticos de irradiancia a corto plazo utilizando imágenes del cielo. Motivado por la tarea de mejorar el control del parque fotovoltaico, el trabajo actual introduce el Módulo de Regresión de Imágenes, que produce valores de irradiancia a partir de imágenes del cielo utilizando métodos de procesamiento de imágenes y Redes Neuronales Convolucionales (CNNs). Con el objetivo de mejorar el rendimiento de los modelos de CNN en la tarea de estimación y pronóstico de irradiancia, proponemos un método de procesamiento de imágenes basado en la localización del sol. Nuestros hallazgos muestran que el método propuesto puede mejorar consistentemente la precisión de los valores de irradiancia producidos por todos los modelos de CNN de nuestro estudio, reduciendo el Error Cuadrático Medio en hasta 10.44 W/m para el modelo MobileNetV2. Estos hallazgos indican que las futuras aplicaciones que utilizan CNNs para el pronóstico de irradiancia deberían identificar la posición del sol en la imagen para producir valores de irradiancia más precisos. Además, la integración de los modelos propuestos en una FPGA orientada a bordes hacia un parque fotovoltaico inteligente para el control en tiempo real de la producción fotovoltaica enfatiza sus ventajas.