La energía verde es muy importante para el desarrollo de nuevas ciudades con un alto consumo de energía, además de ayudar a la preservación del medio ambiente. La integración de la energía solar en una red es muy desafiante y requiere una precisa predicción de la producción de energía. Los avances recientes en Inteligencia Artificial han sido muy prometedores. En particular, las tecnologías de Aprendizaje Profundo han logrado grandes resultados en la predicción de series temporales a corto plazo. Por lo tanto, es muy adecuado utilizar estas técnicas para la predicción de la producción de energía solar. En este trabajo, se utilizó una combinación de una Red Neuronal Convolucional (CNN), una red LSTM (Long Short-Term Memory) y un Transformador para la predicción de la producción de energía solar. Además, se aplicó una técnica de clustering para el análisis de correlación de los datos de entrada. Se seleccionaron características relevantes en los datos históricos utilizando un mapa auto-organizado. El modelo híbrido CNN-LSTM-Transformador se utilizó para la predicción. El conjunto de datos abierto de Fingrid se utilizó para entrenar y evaluar el modelo propuesto. Los resultados experimentales demostraron la eficiencia del modelo propuesto en la predicción de la producción de energía solar. En comparación con modelos existentes y otras combinaciones, como LSTM-CNN, el modelo propuesto CNN-LSTM-Transformador logró la mayor precisión. Los resultados obtenidos muestran que el modelo propuesto puede ser utilizado como una técnica de predicción confiable que facilita la integración de la energía solar en las redes.