Штучний інтелект та методи машинного навчання сприяють моделям у прогнозуванні споживання енергії .
Такі моделі значно підвищують точність , надійність та ефективність звичайних інструментів прогнозування часових рядів .
Атомні електростанції можуть фізично виробляти більше або менше необхідної кількості енергії .
Процес обчислення дисбалансів вимагає порівняння придбаної чи проданої електроенергії за контрактом з результатами комерційного обліку фізичного виробництва та споживання .
Це дослідження намагається зробити найкращий підхід , переглядаючи різні моделі машинного навчання : Random Forest , SVR , XGBoost та MLR .
Удосконалена аналітика та алгоритми можуть допомогти підвищити ефективність та допомогти збалансувати попит та пропозицію .
Кращі короткострокові прогнози можуть покращити планування електроенергії , даючи змогу операторам і зменшити залежність від забруднювальних станцій , і активізувати збільшення кількості джерел , що чергуються .
Регулювання кількості виробленої енергії призведе до енергозбереження та покращення екологічної ситуації .
