La energía solar es una importante fuente de energía alternativa, y es esencial prever la generación de energía solar para una gestión eficiente de la energía. Debido a las características estacionales de los fenómenos meteorológicos, las estrategias de partición de datos estacionales ayudan a desarrollar modelos de predicción que funcionan mejor en situaciones extremas relacionadas con el clima. La mayoría de los estudios existentes se basan en particiones estacionales fijas, como meteorológicas y astronómicas, donde las fechas de inicio y fin son específicas. Sin embargo, incluso si los países se encuentran en el mismo hemisferio norte o sur, pueden producirse cambios estacionales debido a climas anormales como el calentamiento global. Por lo tanto, proponemos una novedosa partición de datos estacionales no fija basada en Aproximación Agregada Simbólica (SAX) para prever la generación de energía solar. Aquí, las representaciones simbólicas generadas por SAX se utilizan para seleccionar características estacionales y obtener criterios estacionales. Luego empleamos LSTM apiladas de dos capas y combinamos predicciones de varias características estacionales y particiones a través de métodos de conjunto. Los conjuntos de datos utilizados en los experimentos son de plantas de paneles solares del mundo real, como en Gyeongju, Corea del Sur; y en California, EE. UU. Los resultados de los experimentos muestran que los métodos propuestos funcionan mejor que las previsiones de generación de energía solar no particionadas o particionadas fijas. Los superan en un 2,2% a 3,5%; y 1,6% a 6,5% en los conjuntos de datos de Gyeongju y California, respectivamente.