Este estudio explora modelos multivariantes avanzados que incorporan variables exógenas no climáticas para la predicción de energía fotovoltaica a muy corto plazo. Al integrar datos históricos de energía de múltiples plantas fotovoltaicas, la investigación tiene como objetivo mejorar la precisión de la predicción de una planta objetivo mientras aborda desafíos críticos en los sistemas de energía eléctrica (EPS), como la estabilidad de frecuencia. La estabilidad de frecuencia se vuelve cada vez más compleja a medida que las fuentes de energía renovable penetran en la red debido a su naturaleza intermitente. Para mitigar este desafío, la predicción precisa de la generación de energía fotovoltaica es esencial para equilibrar la oferta y la demanda en tiempo real. Se comparó el rendimiento de las redes de memoria a largo y corto plazo (LSTM) y las redes LSTM bidireccionales (BiLSTM) en un horizonte de 5 minutos. Incluir datos de generación de energía de plantas vecinas mejoró significativamente la precisión de la predicción en comparación con modelos univariantes. Entre los modelos, el BiLSTM multivariante mostró un rendimiento superior, logrando un menor error cuadrático medio (RMSE) y mayores coeficientes de correlación. La regresión cuantílica se aplicó para gestionar la incertidumbre de la predicción, proporcionando intervalos de confianza robustos. Los resultados sugieren que la incorporación de una serie de potencia exógena captura eficazmente las correlaciones espaciales y mejora la precisión de la predicción. Este enfoque ofrece beneficios prácticos para optimizar la gestión de la red, reducir costos operativos, mejorar la integración de fuentes de energía renovable y apoyar la estabilidad de frecuencia en los sistemas de generación de energía.