La previsión de energía solar es esencial para la integración efectiva de la energía solar en las redes eléctricas y la gestión óptima de los recursos de energía renovable. A diferencia de la literatura existente, este estudio de revisión ofrece una contribución matizada al centrarse en los avances en las técnicas de previsión. Mientras que revisiones anteriores han examinado factores como los parámetros de entrada meteorológicos, los horizontes temporales, la metodología de preprocesamiento, la optimización y el tamaño de la muestra, nuestro estudio se adentra de manera única en un espectro diverso de horizontes temporales, que abarca intervalos ultracortos (de 1 min a 1 h) hasta duraciones más prolongadas (hasta 24 h). Esta diversidad temporal proporciona a los tomadores de decisiones en el sector de la energía renovable herramientas para una mejor asignación de recursos y una planificación operativa refinada. Nuestra investigación destaca la prominencia de las técnicas de Inteligencia Artificial (IA), centrándose específicamente en las Redes Neuronales en la previsión de energía solar, y revisamos métodos de aprendizaje supervisado, regresión, conjuntos y basados en la física. Esto muestra un enfoque multifacético para abordar los complejos desafíos asociados con las predicciones de energía solar. La integración de imágenes satelitales, predicciones meteorológicas y datos históricos aumenta aún más la precisión en la previsión. Al evaluar los modelos de previsión, nuestro estudio describe varias métricas de error. Mientras que la literatura existente discute la importancia de las métricas, nuestro énfasis radica en la significancia de conjuntos de datos estandarizados y métodos de referencia para garantizar evaluaciones precisas y facilitar comparaciones significativas con previsiones ingenuas. Este estudio representa un avance significativo en el campo, fomentando el desarrollo de modelos precisos cruciales para una planificación efectiva de la energía renovable y enfatizando la imperiosa necesidad de estandarización, abordando así las brechas clave en el panorama de investigación existente.