Con los datos recopilados por sensores del Internet de las Cosas, los modelos de aprendizaje profundo (DL) pueden prever la capacidad de generación de plantas de energía fotovoltaica (PV). Esta funcionalidad es especialmente relevante para los operadores y usuarios de energía PV, ya que las plantas PV exhiben un comportamiento irregular relacionado con las condiciones ambientales. Sin embargo, los modelos de DL son vulnerables a ejemplos adversariales, lo que puede llevar a un aumento del error predictivo y a decisiones operativas incorrectas. Este trabajo propone un nuevo esquema para detectar ejemplos adversariales y mitigar su impacto en los modelos de pronóstico de DL. Este enfoque se basa en clasificadores de una sola clase y características extraídas de los datos introducidos en los modelos de pronóstico. Se realizaron pruebas utilizando datos recopilados de una planta de energía PV del mundo real junto con muestras adversariales generadas por el Método de Signo de Gradiente Rápido bajo múltiples patrones y magnitudes de ataque. Se evaluaron el Máquina de Soporte Vectorial de una sola clase y el Factor de Outlier Local como detectores de ataques a los modelos de pronóstico de Memoria a Largo y Corto Plazo y Red Convolucional Temporal. Según los resultados, el esquema propuesto mostró una alta capacidad para detectar muestras adversariales con un F1-score promedio cercano al 90%. Además, el enfoque de detección y mitigación redujo drásticamente el aumento del error de predicción causado por muestras adversariales.