La rápida expansión de la capacidad fotovoltaica global (PV) ha impuesto mayores demandas en precisión y puntualidad en la previsión de energía en el despacho. Sin embargo, los modelos tradicionales de previsión de energía fotovoltaica diseñados para estaciones de energía PV distribuidas a menudo luchan con la precisión debido a variaciones meteorológicas impredecibles, ruido de datos, señales no estacionarias y errores de recolección de datos inducidos por humanos. Para mitigar efectivamente estas limitaciones, este trabajo propone un método de extracción de características de doble etapa basado en la Descomposición Modal Variacional (VMD) y el Análisis de Componentes Principales (PCA), mejorando las capacidades de modelado multi-escala y reducción de ruido. Además, se adopta el Algoritmo de Optimización de Ballenas para optimizar eficientemente los hiperparámetros de iTransformer para el marco de trabajo, mejorando la adaptabilidad de parámetros y la eficiencia de convergencia. Basado en la extracción de características refinadas VMD-PCA, se emplea entonces iTransformer para realizar la predicción continua de potencia activa a través de pasos de tiempo, aprovechando su fortaleza en el modelado de dependencias temporales a largo plazo bajo condiciones meteorológicas complejas. Los resultados experimentales demuestran que el modelo propuesto exhibe una robustez superior en múltiples métricas de evaluación, incluyendo coeficiente de determinación, error cuadrático medio, error absoluto medio y error cuadrático medio, con una latencia comparativamente baja. Esta investigación proporciona un soporte de modelo valioso para el despacho confiable de sistemas PV y su aplicación en redes inteligentes.