La previsión de la generación de plantas de energía solar (SPPs) requiere tener en cuenta parámetros meteorológicos que influyen en la diferencia entre la irradiancia solar en la parte superior de la atmósfera calculada con alta precisión y la irradiancia solar en el plano inclinado del panel solar en la superficie terrestre. Uno de los factores clave es la nubosidad, que puede presentarse no solo como un porcentaje del área del cielo cubierta por nubes, sino también mediante muchos parámetros adicionales, como el tipo de nubes, la distribución de nubes en las capas atmosféricas y su altura. El uso de algoritmos de aprendizaje automático para prever la generación de plantas de energía solar requiere datos retrospectivos durante un largo período y la formalización de las características; sin embargo, los datos retrospectivos con información detallada sobre la nubosidad normalmente se registran en formato de lenguaje natural. Este artículo propone un algoritmo para procesar dichos registros y convertirlos en un vector de características binarias. Los experimentos realizados con datos de una planta de energía solar real mostraron que este algoritmo aumenta la precisión de las previsiones de irradiancia solar a corto plazo en un 5-15%, dependiendo de la métrica de calidad utilizada. Al mismo tiempo, añadir características hace que el modelo sea menos transparente para el usuario, lo cual es una desventaja significativa desde el punto de vista de la inteligencia artificial explicativa. Por lo tanto, el artículo utiliza un algoritmo de explicación aditiva basado en el vector de Shapley para interpretar la salida del modelo. Se muestra que este enfoque permite que el modelo de aprendizaje automático explique por qué genera una previsión particular, lo que proporcionará un mayor nivel de confianza en los sistemas de información inteligentes en la industria energética.