La programación óptima de las centrales hidroeléctricas consiste en el desafío de aprovechar tanto la altura disponible como los flujos del río. A pesar del objetivo de suministrar la máxima potencia a la red, algunas variables son inciertas, dinámicas, no lineales y no paramétricas. Sin embargo, algunos modelos pueden ayudar a los actores generadores de energía hidroeléctrica con la evolución de la informática, maximizando así la producción de energía de las centrales hidroeléctricas. A lo largo de los años, varios estudios han explorado técnicas de Aprendizaje Automático (ML) para optimizar la programación de las centrales hidroeléctricas, siendo aplicadas en las fases de preoperación, tiempo real y postoperación. Por lo tanto, este trabajo consiste en una revisión sistemática para analizar cómo se están utilizando modelos de ML para optimizar la producción de energía de las centrales hidroeléctricas. El análisis se centró en criterios que interfieren con las previsiones de generación de energía, políticas operativas y evaluación del rendimiento. Nuestras discusiones se centraron en técnicas de ML, previsiones de programación, sistemas fluviales y aplicaciones de ML para la optimización de la energía hidroeléctrica. Los resultados mostraron que las técnicas de ML se han aplicado más para la predicción del flujo del río y la optimización de la operación del embalse. El horizonte de programación a largo plazo es la aplicación más común en los estudios analizados. Por lo tanto, el aprendizaje supervisado fue más aplicado como segmento de técnica de ML. A pesar de ser un tema ampliamente explorado, nuevas áreas presentan oportunidades para investigaciones disruptivas, como la previsión de programación en tiempo real, la optimización del sistema de flujo continuo y la operación de plantas hidroeléctricas de baja altura.