El fuerte desarrollo de fuentes de energía distribuida se ha convertido en una de las medidas más importantes para el desarrollo bajo en carbono a nivel mundial. Con una cantidad significativa de generación de energía fotovoltaica (PV) integrada en la red, la predicción precisa y eficiente de la generación de energía PV es una garantía esencial para la seguridad y estabilidad de la red eléctrica. Debido a la escasez de datos de estaciones PV y la influencia del clima, es difícil obtener un rendimiento satisfactorio para una predicción precisa de energía PV. En este sentido, presentamos un modelo de pronóstico de energía PV basado en una red neuronal gráfica de Fourier (FourierGNN). En primer lugar, se construye el grafo hipervariable considerando los datos eléctricos y climáticos de las plantas PV vecinas como nodos, respectivamente. Luego, el grafo de hiperdependencia se transforma en el espacio de Fourier para capturar la dependencia espacio-temporal entre los nodos a través de la transformada discreta de Fourier. El operador de grafo de Fourier de múltiples capas (FGO) puede ser utilizado además para obtener información de dependencia espacio-temporal. Experimentos realizados en seis plantas fotovoltaicas muestran que el enfoque presentado permite obtener el rendimiento óptimo al explotar adecuadamente la información espacio-temporal.