A geração fotovoltaica representa uma porta de entrada para os pequenos consumi- dores como prossumidores no mercado de energia, pois sua modularidade permite ajustar o investimento de acordo com a escala. Os esforços regulatórios no sentido de aumentar a participação do consumidor no mercado de energia brasileiro tendem a incentivar o agrupamento de cargas e geradores em Microrredes e, principalmente, em Plantas Virtuais de Energia, operadas por agentes varejistas, para ganhos de escala e simplificação operacional. Com sua lógica de agregação de recursos remotos este ente deve alavancar ainda mais esta fonte de energia e criar novas oportunidades de negócios aos seus participantes, as quais demandam algoritmos de planejamento e operação especializados para a atuação competitiva. Esses algoritmos dependem de previsões de consumo e geração adaptados a esta nova realidade através da utilização de dados possíveis de se obter e modelos preparados para a incorporação de novas usinas. Este trabalho propõe uma abordagem para previsão intradiária e do dia seguinte com a aplicação de perceptron multicamadas a partir de dados físicos calculados do geoposicionamento solar, fontes de previsões meteorológicas disponíveis a qualquer interessado e dados de geração das usinas fotovoltaicas. Para orientar o desenvolvi- mento e os testes são utilizados os históricos de três usinas do Brasil, Estados Unidos e Austrália. Os experimentos realizados sugerem, considerados os prós e contras, que é possível selecionar uma estrutura de rede neural artificial comum às três usinas. Os resultados são verificados de acordo com a forma como a previsão é operacionalizada em uma microrrede ou planta virtual, ou seja, com o crescimento gradativo do histórico de dados de geração, algo raro na bibliografia. A agregação das previsões dessas usinas confirma o poder intrínseco de redução de variabilidade proporcionado pelas plantas virtuais. A comparação com um algoritmo de floresta aleatória, a segmentação dos erros por atributo de entrada e a análise dos maiores erros contribuem para a compreensão do potencial do perceptron multicamadas nesse tipo de aplicação e suas limitações, bem como para o aperfeiçoamento futuro do método.