This Ph.D. thesis’ goal is focused on the optimization of renewable energy resources development, specifically solar PV energy, using different hybrid computational Machine Learning techniques. Energy is the engine of our society, allowing us performing almost every action taken by human beings in our daily routine, and providing a constant evolution and development in all our fields. Currently, fossil fuels entail the higher percentage of energy sources in our planet. They have several advantages, such as easy and constant production, but, at the same time, they present substantial disadvantages, like the extreme pollution associated with these resources, and their contribution to global warming and climate change. This is the reason why the largest and most powerful economies are working for a energy change towards renewable sources for a sustainable development. In the introduction of this thesis, a large number of studies are presented, which foresee a penetration by over a 50% of this kind of energies in the next decades. Strong investments are being made in this field, looking for technology development and, besides, introducing these energies into society as a matter to be taken into account, for it is related to economic and social status. However, the development of energy systems mainly based on renewable energy will surely be slow, since these energies depend on variables which are out of our control, mainly atmospheric and climatic variables, which are intrinsically intermittent. This matter must be taken into account, due to the amount of energy demanded by society at the present, as well as the tremendous increase that is predicted for this demand in the future, due to new technologies and new ways of daily routines, like electric vehicles or IoT, etc. To obtain a solution for this problem, on one hand, it is fundamental to achieve the capability of predicting the quantity of energy obtained in each moment, avoiding increases or decreases of energy, being this matter the core of this Ph.D. Thesis, where the optimal feature selection for predicting the quantity of global solar radiation in a given point is studied. On the other hand, all the information to do the prediction process will be obtained from a numerical weather mesoscale model called WRF (Weather Research and Forecasting), a static model based on different physic equations which involve different variables like humidity, pressure or percentage of cloud fraction in any point and different heights in the planet. Additionally, dynamic information, like global solar radiation can be obtained from a radiometric measuring point in Toledo, Spain, allowing us to get a database of the solar global radiation in the past few years. The result of 9 mixing both of these data will be added as inputs in our hybrid systems. In this work, a deep analysis in the state of art for machine learning models is performed, so as to solve the problems previously considered. Different contributions have been proposed: 1. One of the pillars of this work is focused on the optimal feature selection in the exploitation of solar PV radiation in a given point. For this purpose, Extreme-Learning Machine (ELM) will be used as regressor element in the system, where the output of the ELM will be calculated from the WRF outcome features added as inputs in the system. 2. The second contribution of this thesis is related to parameters selection problems. More specifically, the use of EAs such as Grouping Genetic Algorithm (GGA) or Coral Reef Optimization (CRO) hybridized with others ML are used as classifiers and regressors. Regarding this, the GGA or CRO look for several subsets of basic parameters to solve the problem, and the regressor employed provides the prediction in terms of the selected by the Genetic Algorithm (GA), reducing the computational cost maintaining a good accuracy. Finally, the several of the mentioned algorithms are applied in the same problem already defined, in order to get the global solar radiation prediction in different points, dealing to improve previous results in other works and obtaining new applications and techniques, as new paths of research in the future., Esta Tesis doctoral tiene como objetivo la optimización de la explotación de recursos energéticos renovables, siendo en este caso el objetivo principal la energía solar fotovoltaica y la predicción del recurso. El análisis llevado a cabo se fundamenta en la utilización de algoritmos y técnicas computacionales metaheurísticas híbridas, específicamente algoritmos genéticos de agrupamiento, algoritmos de arrecife de coral y redes neuronales artificiales. La energía es el motor de nuestra sociedad, que nos permite realizar casi la totalidad de las acciones que el ser humano hace a diario, propugnando una constante evolución y desarrollo en cualquier ámbito de nuestra vida. Actualmente, los combustibles denominados fósiles son la mayor fuente energética de nuestro planeta, tanto por la facilidad y continuidad en su obtención, como porque gran parte de la tecnología hasta hace poco tiempo estaba basada en su consumo. Es sobradamente conocido que este tipo de energía son un recurso finito y extremadamente contaminante, afectando al medio en el que vivimos. Debido a esto, las grandes economías están apostando por un cambio paulatino en las fuentes de energía, siendo los recursos renovables los que garantizan un futuro sostenible para nuestra forma de vida. Como veremos en la introducción de esta tesis, numerosos estudios preveen una penetración de dichas fuentes por encima del 50% en las próximas décadas. Las fuertes inversiones que se realizan en esta materia, para su desarrollo y ampliación en la penetración, hacen de ellas un elemento interesante a niveles socio-económicos. Esta evolución será lenta y paulatina, ya que este tipo de energías tienen un elemento que no podemos controlar (al contrario que en las energías fósiles) que es su intermitencia intrínseca, ya que son energías que dependen de en muchos casos de fenómenos naturales, fundamentalmente atmosféricos en el caso de la energía solar y eólica. El objetivo final es conseguir que la penetración de estas energías renovables supere a las energías fósiles y permita salvar el problema anteriormente descrito. La mejor opción para conseguir una penetración elevada de los recursos renovables es desarrollar sistemas de predicción que permitan establecer el recurso disponible en el futuro próximo, para poder adelantarnos a cualquier exceso o defecto de la producción. Este será un elemento clave sobre el que gira la presente Tesis doctoral. Específicamente, la selección de las variables más importantes para realizar una predicción del recurso solar con el menor error posible y que nos permita realizar las gestiones oportunas en tiempo y forma. En este aspecto, obtendremos toda la información para la predicción de un modelo numérico-meteorológico de meso-escala (WRF), el cual es un modelo estático y que, basado en distintas ecuaciones físicas, aporta una serie de variables como la humedad, la presión o el porcentaje de cielo nublado que obtendremos en cualquier lugar del planeta, a distintas alturas. Este modelo puede ser utilizado para la predicción en sí mismo, pero usualmente sufre de falta de resolución en la estimación de la radiación solar en un punto específico de la superficie. En esta Tesis se utiliza una red neuronal de entrenamiento rápido para realizar la predicción final en el punto deseado, usando los algoritmos metaheurísticos mencionados anteriormente para la selección delas variables óptimas a usar en esta predicción. En este trabajo se ha realizado un análisis del estado del arte de los modelos de aprendizaje máquina que se utilizan actualmente, con el objetivo de resolver los problemas asociados a los temas tratados con anterioridad. Diferentes contribuciones han sido propuestas: 1. Uno de los pilares esenciales de este trabajo está centrado en la selección de los parámetros más importantes en la medición de la energía solar fotovoltaica en un punto dado. Con este propósito, el algoritmo de Extreme Learning Machine (ELM), será utilizado como elemento regresor del sistema, que permitirá calcular en un tiempo de cómputo mínimo, el valor de la radiación solar global en función de las variables de entrada. 2. Otro de los aspectos tratados está relacionado con problemas de selección de características para una óptima predicción de nuestro sistema regresor. Concretamente, con el uso de algoritmos evolutivos como Algoritmos de Agrupación Genética (GGA) o los algoritmos de Optimización de Arrecife de Coral (CRO) hibridados con otros métodos de aprendizaje máquina como clasificadores y regresores. En este sentido, el GGA o CRO analizan diferentes conjuntos de características para obtener aquel que resuelva el problema con el menor posible, y el regresor empleado proporciona la predicción en función de las características obtenidas por el GGA, reduciendo el coste computacional con gran fiabilidad en los resultados. Los diferentes algoritmos mencionados han sido aplicados a una serie de casos reales con medidas de radiación solar del observatorio Astronómico de Toledo, España.