La problemática radica en la falta de modelos predictivos para la generación de energía fotovoltaica en bloques de parques con similitudes geográficas y adaptados a las condiciones de Cuba. El objetivo general fue desarrollar un modelo basado en aprendizaje federado para predecir la generación de energía en un bloque de parques fotovoltaicos, con objetivos específicos que incluyeron analizar técnicas de predicción, implementarlo en una arquitectura cliente-servidor y evaluar su eficacia. La metodología empleada fue un enfoque federado utilizando un modelo codificador-decodificador (CNN-LSTM), idónea para manejar problemas de ausencia de información, tanto información incompleta en algunos parques, como parques de reciente incorporación al bloque sin datos históricos. La investigación se desarrolló en dos etapas, primero se usaron datos internacionales (la base de datos PVItaly) para diseñar y obtener una primera versión del modelo de predicción y luego este se ajustó al contexto cubano usando los datos de un bloque de parques de la región central de Cuba que incluyó siete parques. La evaluación se realizó mediante métricas como RMSE. Los resultados demostraron que el modelo federado superó a los modelos individuales, en la primera fase con PVItaly se obtuvo un RMSE de 0.11 kWh, validando su efectividad para capturar patrones espaciales y temporales. En la segunda fase, aplicado al contexto cubano, se obtuvo un RMSE de 0.14 kWh, consolidando la efectividad del modelo. Se concluyó que el aprendizaje federado es una solución viable para la predicción en bloques de parques, mejorando la precisión, y preservando la privacidad de los datos.