La predicción precisa de la producción de energía renovable es esencial para integrar fuentes de energía sostenibles en la red, facilitando una transición hacia una infraestructura energética más resiliente. Las nuevas aplicaciones de aprendizaje automático e inteligencia artificial se están utilizando para mejorar las metodologías de pronóstico, permitiendo predicciones más precisas y capacidades de toma de decisiones optimizadas. La integración de estos nuevos paradigmas mejora la precisión del pronóstico, fomentando una red energética más eficiente y confiable. Estos avances permiten una mejor gestión de la demanda, optimizan la asignación de recursos y mejoran la robustez ante posibles interrupciones. Los datos recopilados de la intensidad solar y la velocidad del viento a menudo se registran a través de instrumentos equipados con sensores, que pueden encontrar fallas intermitentes o permanentes. Por lo tanto, este documento propone un nuevo modelo de regresión de red de Fourier para procesar datos de irradiación solar y velocidad del viento. El enfoque propuesto permite una predicción precisa de los componentes suaves subyacentes, facilitando la reconstrucción efectiva de datos faltantes y mejorando el rendimiento general del pronóstico. El estudio actual se centra en Midland, Texas, como un caso de estudio para evaluar la irradiación solar directa normal (DNI), la irradiación difusa horizontal (DHI) y la velocidad del viento. Notablemente, el modelo muestra una correlación de 1 con un RMSE (error cuadrático medio) mínimo de 0.0007555. Este estudio aprovecha el análisis de Fourier para aplicaciones de energía renovable, con el objetivo de establecer una metodología que pueda aplicarse a un contexto geográfico novedoso.