El seguimiento del punto de máxima potencia (MPPT) es esencial para maximizar la eficiencia de los sistemas fotovoltaicos (PV) solares. Si bien existen numerosos métodos de MPPT, las implementaciones prácticas a menudo se inclinan hacia técnicas convencionales debido a su simplicidad. Sin embargo, estos métodos tradicionales pueden tener dificultades con las fluctuaciones rápidas en la irradiancia solar y la temperatura. Este documento presenta un nuevo algoritmo de MPPT basado en aprendizaje profundo que aprovecha una red neuronal profunda (DNN) de memoria a largo y corto plazo (LSTM) para rastrear de manera efectiva la máxima potencia de los paneles solares PV, utilizando datos del mundo real. Las simulaciones de tres algoritmos: Perturbación y Observación (P&O), Red Neuronal Artificial (ANN) y el MPPT basado en LSTM propuesto, se llevaron a cabo utilizando MATLAB (2021b) y RT_LAB (24.3.3) con un simulador OPAL-RT para análisis en tiempo real. Los datos utilizados para este estudio se obtuvieron de los Datos Diarios de Resolución Nativa de irradiación solar y temperatura específicos de Imphal, Manipur, India, de NASA/POWER. Los resultados obtenidos demuestran que el sistema MPPT basado en LSTM logra una precisión de seguimiento de potencia superior bajo condiciones solares cambiantes, produciendo una salida promedio de 74 W. En comparación, los métodos ANN y P&O generan salidas promedio de 57 W y 62 W, respectivamente. Esta mejora significativa, es decir, del 20 al 30%, subraya la efectividad de la técnica LSTM en la mejora de la producción de potencia de los sistemas solares PV. Al incorporar datos del mundo real, se proporcionan valiosas ideas sobre la generación de energía solar específica para la ubicación seleccionada. Además, las salidas del modelo fueron verificadas a través de simulaciones en tiempo real utilizando el simulador OPAL-RT OP4510, mostrando la aplicabilidad práctica de este enfoque en escenarios del mundo real.