Debido a las preocupaciones ambientales sobre el uso de combustibles fósiles, la energía renovable, especialmente la energía solar, es cada vez más buscada por su facilidad de instalación, rentabilidad y capacidad versátil. Sin embargo, la variabilidad en los factores ambientales plantea un desafío significativo para la predicción de la generación de energía fotovoltaica (PV), que es crucial para mantener la estabilidad del sistema eléctrico y la eficiencia económica. En este documento, se desarrolló un nuevo modelo de pronóstico de generación de energía PV por adelantado mediante la integración de pronósticos de un paso y de varios pasos de diversas resoluciones temporales. Se utilizaron capas de redes neuronales convolucionales (CNN) unidimensionales para el pronóstico de un solo paso para capturar patrones temporales específicos, y el modelo transformer mejoró el pronóstico de varios pasos aprovechando las salidas combinadas de la CNN. Esta combinación puede proporcionar pronósticos precisos e inmediatos, así como la capacidad de identificar tendencias de generación a largo plazo. Utilizando los conjuntos de datos DKASC-ASA-1A y 1B para validación empírica, se aplicaron varios métodos de preprocesamiento y se realizaron una serie de experimentos para comparar el rendimiento del modelo con otros modelos de aprendizaje profundo ampliamente utilizados. El marco demostró ser capaz de predecir con precisión la generación de energía PV por adelantado en varios pasos a múltiples resoluciones temporales.