Los recursos de energía renovable están desempeñando un papel crucial en la minimización de las emisiones de combustibles fósiles. Integrar técnicas de aprendizaje automático con la predicción de la energía mareomotriz podría mejorar en gran medida la precisión y confiabilidad de las predicciones, lo cual es crucial para una producción y gestión de energía eficientes. Un enfoque híbrido que combine diferentes métodos a menudo produce mejores resultados que depender de técnicas individuales. La precisión de la energía de corriente mareal es muy importante, especialmente para aplicaciones de redes inteligentes. Este trabajo propone un sistema híbrido de inferencia neurodifusa adaptativa (ANFIS) con el filtro de Kalman (KF) y una red neuronal-wavelet (WNN) para pronósticos de velocidad, dirección y potencia de corriente mareal. La turbina utilizada en este estudio es impulsada por un generador síncrono de imán permanente de accionamiento directo (DDPMSG). Las predicciones de modelos individuales e híbridos, incluido el ANFIS, el filtro de Kalman y el WNN para la velocidad de corriente mareal y la potencia que genera, se comparan con otro conjunto de datos como una forma de validación que es la dirección de las corrientes mareales. Además, se comparan los resultados de otros trabajos publicados en la literatura con el trabajo propuesto. Se proponen diferentes modelos híbridos para la integración de redes inteligentes. Los resultados de este trabajo indican que el modelo híbrido del WNN y el ANFIS para la predicción de la potencia o velocidad de corriente mareal tiene el mejor rendimiento en comparación con todos los demás modelos.