La predicción de energía fotovoltaica (PV) juega un papel significativo en el apoyo a la operación estable y la programación de recursos de los sistemas energéticos integrados. Sin embargo, la aleatoriedad y volatilidad de la generación de energía fotovoltaica afectarán en gran medida la precisión de la predicción. Enfocándose en este problema, se propone en esta investigación un marco de predicción mediante el desarrollo de un algoritmo de búsqueda de gorriones mejorado (ISSA) para optimizar los hiperparámetros de las redes neuronales de memoria a corto y largo plazo (LSTM). El ISSA está especialmente diseñado desde tres aspectos para apoyar un rendimiento de búsqueda poderoso. En primer lugar, la variedad de la población inicial se enriquece mediante el uso de un mapeo caótico de seno mejorado. En segundo lugar, se introduce la posición relativa de los productores vecinos para mejorar la estrategia de actualización de posición del productor y mejorar las capacidades de búsqueda global. Luego, se utiliza la variación Cauchy-Gaussiana para ayudar a evitar la solución óptima local. Experimentos numéricos en 20 funciones de prueba indican que el ISSA podría identificar la solución óptima con mejor precisión en comparación con los algoritmos SSA y PSO. Además, se proporciona un estudio comparativo de métodos de predicción de energía fotovoltaica. El algoritmo ISSA-LSTM desarrollado en este documento y cinco modelos de referencia se implementan en un conjunto de datos reales recopilados en el área de Alice Springs en Australia. En contraste con el modelo SSA-LSTM, la mayoría de los valores de MAE, MAPE y RMSE del modelo propuesto se reducen en un 20-60%, demostrando la superioridad del modelo propuesto bajo diversas condiciones climáticas y estaciones típicas.