Anticipar correctamente la producción de electricidad fotovoltaica puede disminuir las fluctuaciones estocásticas e incentivar el consumo de energía. Para abordar la naturaleza intermitente e impredecible de la generación de energía fotovoltaica, este artículo presenta un modelo de aprendizaje en conjunto (MVMD-CLES) basado en el algoritmo de optimización de ballenas (WOA), descomposición modal variacional (VMD), red neuronal convolucional (CNN), memoria a largo y corto plazo (LSTM) y apilamiento de máquina de aprendizaje extremo (ELM). Dadas las variaciones en la distribución espacio-temporal de los datos fotovoltaicos y las características meteorológicas, se propone un modelo de aprendizaje iterativo de extracción de caracteres de múltiples ramas: aplicamos el algoritmo MWOA para encontrar los tiempos de descomposición óptimos y el factor de penalización de VMD, y luego dividimos las secuencias de potencia PV en submodos con diferentes frecuencias utilizando una estructura algorítmica de dos capas para reconstruir los componentes de potencia obtenidos. El aprendiz principal es CNN-BiLSTM, que se utiliza para comprender la correlación temporal y espacial de la potencia PV a partir de la información sobre el clima y la salida de las celdas fotovoltaicas, y el LSTM aprende la correlación de periodicidad y proximidad de los datos de potencia y obtiene las predicciones de componentes correspondientes. El segundo nivel es el aprendiz secundario: la salida de la primera capa se aprende nuevamente utilizando el ELM para atenuar el ruido y lograr una predicción a corto plazo. En diferentes estudios de casos, independientemente de los cambios climáticos, el método propuesto se proporciona con el mejor grupo de consistencia y constancia, con una mejora promedio de RMSE del 12.08-39.14% en comparación con otros modelos en una predicción de un solo paso, el RMSE promedio de pronóstico aumentó en un 5.71-9.47% para los dos primeros pasos.