La presente tesis aborda el problema de la variabilidad en la producción de energía fotovoltaica, causada por factores climáticos impredecibles como lo son radiación solar, temperatura, humedad, velocidad, dirección del viento, nubosidad, entre otros. Para mejorar la eficiencia en la administración de la energía generada, se propone el desarrollo de un sistema de predicción basado en modelos de inteligencia artificial. Se emplea la metodología SEMMA(Sample, Explore, Modify, Model, Assess) para la recolección, preprocesamiento y análisis de los datos, utilizando información proveniente de la NASA y de una planta fotovoltaica. Se implementan y comparan tres modelos de predicción: Bosques aleatorios (RF, por sus siglas en inglés), Support Vector Machines (SVM) y Long Short-Term Memory (LSTM). La evaluación se realiza mediante la métrica de Error Cuadrático Medio (MSE), determinando que el modelo LSTM presenta un mejor desempeño en la predicción de series temporales.