针对仅依靠单一时序数据维度建模时，现有分布式光伏功率预测方法对数据中季节性与趋势性特征挖掘与利用不足，导致预测精度不佳的问题，提出一种基于变分深度嵌入（variational deep embedding

VaDE）、历史可分解混合（past decomposable mixing

PDM）与TimeXer网络的分布式光伏功率预测方法。首先，利用拉格朗日插值法对缺失数据进行补充，并通过VaDE算法将分布式光伏发电功率数据进行相似日聚类划分；其次，通过在TimeXer模型前端引入PDM模块，从历史出力数据中提取多尺度季节特征与趋势特征；最后，将提取的特征数据作为外生变量，结合自注意力机制和交叉注意力机制分析特征与数据之间的关联，充分挖掘内生变量与外生变量的相关性和互补性，有效提升光伏功率预测精度。基于某分布式光伏电站的实测运行数据开展光伏时序出力预测分析。结果表明，在无气象数据场景下，所提VaDEPDM-TimeXer模型相较于PatchTST模型，其E

MS

、E

MA

分别平均降低15.91%、10.86%

R

2

提升8.13%，预测性能显著优于现有方法。