El desafío operativo de un sistema integrado de energía fotovoltaica (PV) es la incertidumbre (irregularidad) de la futura producción de energía. La integración y correcta operación pueden llevarse a cabo con una pronóstico preciso de la potencia de salida de PV. Un método distinto de inteligencia artificial fue empleado en el presente estudio para pronosticar la potencia de salida de PV e investigar la precisión utilizando datos endógenos. Las transformadas wavelet discretas fueron utilizadas para descomponer la potencia de salida de PV en componentes aproximados y detallados. La potencia de salida descompuesta de PV fue alimentada en un modelo de entrada de sistema de inferencia neurodifuso adaptativo (ANFIS) para pronosticar la potencia de salida de PV a corto plazo. También se investigaron varias funciones madre de wavelet, incluyendo Haar, Daubechies, Coiflets y Symlets. El rendimiento del modelo propuesto estuvo altamente correlacionado con el conjunto de entrada y la función madre de wavelet. Se encontró que el rendimiento estadístico del wavelet-ANFIS tenía una mejor eficiencia en comparación con los modelos ANFIS y ANN. Además, wavelet-ANFIS coif2 y sym4 ofrecen la mejor precisión entre todos los modelos estudiados. El resultado destaca que la combinación de descomposición wavelet y el modelo ANFIS puede ser una herramienta útil para un pronóstico preciso de la producción de energía fotovoltaica a corto plazo y ofrecer una mejor eficiencia y rendimiento que el modelo convencional.