La predicción precisa de la irradiancia solar es beneficiosa para reducir el desperdicio de energía asociado con las plantas de energía fotovoltaica, prevenir daños en el sistema causados por la severa fluctuación de la irradiancia solar y estabilizar la integración de la salida de energía entre diferentes redes eléctricas. Considerando la aleatoriedad y la multidimensionalidad de los datos meteorológicos, se propone un modelo híbrido de aprendizaje profundo que combina una red neuronal de unidad recurrente con compuerta (GRU) y un mecanismo de atención para predecir los cambios en la irradiancia solar en cuatro estaciones diferentes. En el primer paso, se diseñan la red neuronal Inception y ResNet para extraer características del conjunto de datos original. En segundo lugar, las características extraídas se introducen en la red neuronal recurrente (RNN) para el entrenamiento del modelo. Los resultados experimentales muestran que el modelo híbrido de aprendizaje profundo propuesto predice con precisión los cambios en la irradiancia solar de manera a corto plazo. Además, el rendimiento de predicción del modelo es mejor que el de los modelos tradicionales de aprendizaje profundo (como la memoria a largo y corto plazo y GRU).