Целью является проведение исследований в области прогнозирования выработки солнечных электростанций. В качестве объекта исследования предложена ансамблевая нейросетевая прогнозная модель ADWM на основе взвешенных нейронных сетей: сети долгой краткосрочной памяти LSTM, рекуррентной нейронной сети RNN и полносвязной нейронной сети DNN. При этом для поиска оптимальных весов использован метод безусловной оптимизации Нелдера-Мида для получения лучшей предсказательной эффективности прогнозной модели. С целью валидации предложенной прогнозной модели использованы реальные данные о выработке солнечных электростанций на основе фотоэлектрических панелей и метеорологические данные из Австралии за период – один год. Для имитации условий неустойчивой низкой инсоляции использована аугментация данных, добавление шума к набору данных. Анализ прогнозных моделей на реальных временных рядах показал, что в разные сезоны как данные выработки, так и наиболее значимые признаки существенно различаются. Установлено, что точность прогнозирования разных нейросетевых моделей в различные сезоны может существенно варьироваться. Результаты прогнозирования показывают, что предложенная комплексная модель имеет более высокую точность прогнозирования, чем отдельные модели в экстремальных погодных условиях. Для проверки надежности предложенной модели использовано скользящее окно для извлечения доверительного интервала и метод Bootstrap для расчета доверительного интервала. Таким образом, экспериментальным путем установлено, что точность и надежность прогнозирования комплексированной прогнозной нейросетевой модели ADWM выше, чем у традиционных нейросетевых моделей. Проведенные исследования позволят более эффективно использовать углеродно-нейтральные источники фотоэлектрической энергии и планировать работу энергосистем с распределенной генерацией.