Con el aumento continuo en la proporción de estaciones de energía fotovoltaica distribuida, la demanda de conexión a la red eléctrica de energía fotovoltaica se vuelve cada vez más urgente, y los requisitos para la precisión de la predicción de energía fotovoltaica distribuida a nivel regional también están aumentando. Se propone aquí un modelo de predicción de energía fotovoltaica regional distribuida basado en un algoritmo de conjunto apilado. Este modelo primero utiliza una red de atención gráfica (GAT) para aprender las características estructurales y las relaciones entre las estaciones de energía fotovoltaica de subárea, calculando dinámicamente los pesos de atención de las estaciones de energía fotovoltaica para capturar las relaciones globales e importancia entre las estaciones, y selecciona estaciones representativas para cada subárea. Posteriormente, se utiliza el modelo paralelo de múltiples canales CNN-LSTM-multi-head attention (CNN-LSTM-MHA (PC)) como modelo básico para predecir estaciones representativas para subáreas integrando las ventajas de los modelos CNN y LSTM. Los resultados predichos se utilizan luego como nuevas características para los datos de entrada del meta-modelo, que finalmente predice la energía fotovoltaica de la gran área. A través de experimentos comparativos en diferentes estaciones y escalas de tiempo, este enfoque regional distribuido redujo la métrica MAE en un total de 22.85 kW en primavera, 17 kW en verano, 30.26 kW en otoño y 50.62 kW en invierno en comparación con otros modelos.