A medida que la generación de energía solar se ha vuelto cada vez más importante para las economías de numerosos países en las últimas décadas, es muy importante construir modelos precisos para predecir la cantidad de energía verde que se producirá. Diversos enfoques de aprendizaje profundo recurrente, principalmente basados en la memoria a corto y largo plazo (LSTM), se proponen para abordar tales problemas, pero los modelos más precisos pueden diferir de un caso de prueba a otro con respecto a la arquitectura y los hiperparámetros. En el estudio actual, se propone el uso de un LSTM y un LSTM bidireccional (BiLSTM) para tratar una colección de datos que, además de los valores de series temporales que denotan la generación de energía solar, también comprende información correspondiente sobre el clima. La investigación propuesta adicionalmente dota a los modelos con ajuste de hiperparámetros mediante una versión mejorada de una metaheurística propuesta recientemente, el algoritmo de búsqueda de reptiles (RSA). La salida de los modelos de redes neuronales recurrentes ajustados propuestos se compara con la de varios otros enfoques de optimización metaheurística de vanguardia que se aplican a la misma tarea, utilizando la misma configuración experimental, y los resultados obtenidos indican el enfoque propuesto como la mejor alternativa. Además, el mejor modelo recurrente logró los mejores resultados con un valor de 0.604 y un valor de error cuadrático medio normalizado de 0.014, lo que representa una mejora de alrededor del 13% sobre los modelos tradicionales de aprendizaje automático.