Durante las ultimas dos décadas, la penetración de Energías Renovables (RES) en los sistemas de energía de todo el mundo ha aumentado de manera progresiva. A día de hoy, las RES constituyen un pilar fundamental de los planes energéticos y medioambientales de la próxima década, siendo un factor determinante en las principales estrategias de descarbonización. En el caso de Italia, el Plan Nacional Integrado de Energía y Clima (PNIEC), [2], prevé que el 30 % del consumo final de energía en Italia sea satisfecho con RES en 2030. Con res- pecto al sector eléctrico, el PNIEC estima un incremento de la generación de origen renovable desde los 113 TWh del año 2017 a 187 TWh en 2030. Para poder alcanzar este objetivo, se precisa que la capacidad instalada de RES aumente desde los 53 GW en 2017 hasta 95 GW, para lo cual se prevé una importante contribución de la energía solar fotovoltaica (PV), con un incremento de su capacidad instalada en 32 GW. Es indudable que la energía PV se ha convertido en uno de los recursos energéticos con mayor proyección, pudiendo llegar a competir directamente con las plantas tradicionales de combustibles fósiles en términos de costes. No obstante, el rápido incremento de la capacidad instalada de energía PV plantea una serie de dificultades para los operadores del sistema eléctrico. En primer lugar, implica un aumento de la generación distribuida de energía, lo cual requiere de una actualización de la infraestructura existente para dar cabida a la nueva capacidad instalada tanto en la red de distribución como la de transmisión. En segundo lugar, la generación PV está condicionada por la variabilidad e incertidumbre del recurso solar; lo cual dificulta el mantenimiento de la estabilidad de la red eléctrica. En este contexto, la introducción de herramientas que sean capaces de predecir de forma precisa la producción PV en el corto y medio plazo puede jugar un papel crucial para mitigar el impacto de la variabilidad del recurso solar en la red eléctrica, así como facilitar la integración de plantas PV en el sistema eléctrico en el ámbito de la planificación y operación. Del mismo modo que los operadores del sistema eléctrico se benefician de las herramientas de predicción de la producción PV, éstas también son esenciales para la actividad de los operadores de centrales PV. La normativa del mercado eléctrico fomenta la predicción de la generación para evitar las penalizaciones derivadas de los desvíos entre la producción real de energía y la prevista según lo asignado en la casación de la sesión del mercado eléctrico. En el Capitulo 2 de este Trabajo se detalla la estructura del mercado eléctrico italiano y el procedimiento de calculo de los costes de los desvíos de energía (ya sean positivos o negativos) en los que incurren los generadores. En este Trabajo se desarrolla una herramienta para la predicción de la producción de plantas PV. El objetivo es la obtención de predicciones precisas de la producción horaria en el corto y medio plazo, con especial atención a su aplicación en las ofertas de generación presentadas en la subasta del mercado eléctrico diario. Se pretende que la herramienta sea lo suficientemente robusta tal que las predicciones obtenidas permitan a los productores tener una elevada confianza a la hora de definir la estrategia para participar en las subas- tas del mercado eléctrico y poder reducir los costes asociados a las penalizaciones por desvíos. Este Trabajo se ha desarrollado gracias al acuerdo entre el Politécnico di Milano y Falck Renewables S.p.A., quien ha proporcionado series históricas de la producción de dos de sus plantas PV en Italia para validar y contrastar los métodos de predicción que se han implementado. El proyecto se divide en dos partes. La primera tiene por objetivo adoptar y contrastar diversos métodos de Machine Learning supervisado para evaluar cual es el más adecuado para el problema de interés. En la segunda parte, los parámetros que más influyen en los modelos de aprendizaje son analizados y optimizados con el objetivo de reducir la discrepancia entre las predicciones y la producción real de las plantas. Partiendo de los resultados obtenidos, se proponen métodos para minimizar el impacto de incidencias relacionadas con el uso de la herramienta en la precisión de las predicciones. Asimismo, se han contrastado los resultados obtenidos con los de una herramienta de predicción comercial en uso en la actualidad.