Los datos para la generación de energía solar contienen una gran cantidad de datos con un gran número de características que son difíciles de extraer de manera efectiva. Es importante para la gestión de la red y la eficiencia operativa de la granja solar predecir con precisión la energía solar. Los modelos de predicción existentes utilizan datos históricos pero a menudo no logran capturar características latentes críticas. Esta limitación conduce a la ignorancia de dependencias complejas o relaciones temporales, lo que reduce la precisión de la predicción, especialmente en la previsión de carga y generación. Se utilizó un modelo de mínimos cuadrados parciales internos dinámicos basado en atención (DiPLS) y un modelo bidireccional de memoria a corto y largo plazo (BiLSTM) para la predicción de energía solar. Primero, se utiliza DiPLS para extraer características de manera dinámica, y luego, se utiliza un proceso de atención para predecir la importancia de estas características. Finalmente, los conjuntos de datos sin procesar se introducen en el modelo BiLSTM para hacer predicciones de energía solar en el futuro. El método propuesto mejora la precisión de la predicción, logrando un valor de 0.965 para el entrenamiento y 0.961 para las pruebas, en comparación con los modelos convencionales. Además, el método demostró un error cuadrático medio raíz (RMSE) más bajo, lo que indica una mayor estabilidad y precisión para la predicción de energía solar.