Predecir la generación de energía solar es un desafío complejo con múltiples problemas, como la calidad de los datos y la elección de métodos, que son cruciales para integrar de manera efectiva la energía solar en las redes eléctricas y gestionar las plantas fotovoltaicas. Este estudio crea una metodología híbrida para mejorar la precisión de las predicciones de energía a corto plazo utilizando un modelo llamado Transformer Bi-LSTM (Memoria a Corto y Largo Plazo Bidireccional). Este modelo, que combina elementos de la arquitectura del transformador y LSTM bidireccional, se evalúa utilizando dos estrategias: la primera estrategia realiza una predicción directa utilizando datos meteorológicos, mientras que la segunda emplea una cadena de modelos de aprendizaje profundo basados en aprendizaje por transferencia, simulando así el modelo de cadena física tradicional. El enfoque propuesto mejora el rendimiento y permite incorporar modelos físicos para refinar las predicciones. Los resultados superan a los métodos existentes en métricas como el error absoluto medio, específicamente alrededor del 24%, lo que podría impactar positivamente en la operación de la red eléctrica y la adopción de energía solar.