O planejamento de gastos de energia elétrica vem se mostrando cada vez mais ser uma tarefa de difícil realização. Já que o ambiente em que grandes instituições operam está constantemente sujeito a mudanças inesperadas, é comum que busquem entender seu consumo de recursos para encaixá-los em suas receitas. O presente trabalho tem como objetivo a aplicação de técnicas de mineração de dados como os algoritmos KNN (k - Nearest Neighbor), Regressão Linear Simples e Random Forests a fim de gerar modelos preditivos que contribuam na análise de dados sobre a geração de energia das usinas fotovoltaicas de diversos campi do IFMG. Os campi que foram e que serão analisados são: Bambuí, Ouro Preto e Ribeirão das Neves. As bases de dados analisadas dispõem informações sobre a geração de energia elétrica mês a mês e foram retiradas do portal SolarView Pro. O portal possibilita a visualização de seus dados com as granularidades diária, mensal ou anual. Em um primeiro experimento, foram utilizados dados dos campi Bambuí, Ouro Preto e Ribeirão das Neves com bases de dados datadas de 2018 a 2020 contendo 36 instâncias e 1 atributo, exceto o Campus Bambuí que possui apenas 25 instâncias e 1 atributo. O atributo é caracterizado como data, já as instâncias são os valores de cada mês contendo a geração de energia dada em KWh. Para a análise dos modelos preditivos, serão utilizadas as técnicas de validação MAPE, MAE e RMSE. O trabalho apresenta pesquisas correlatas a fim de observar métricas, técnicas e parâmetros empregados no estado da arte. Emprega-se a ferramenta WEKA para mineração de dados, explorando seus recursos para edição e visualização de dados além de sua biblioteca de algoritmos. Espera-se que este trabalho possa ajudar em tomadas de decisões futuras e assim podendo gerar economia através do uso mais eficiente da usina fotovoltaica.