背景：机器学习（ML）方法是流行的预测模型构建工具，其性能优于传统方法。本研究是对2020-2025年间机器学习方法在负载和能耗预测中的利用进行的系统评价。研究涵盖多种方法，从线性回归和支持向量机等简单算法到复杂的深度学习模型，如长短期记忆网络（LSTM）、卷积神经网络（CNN）、变压器模型、图神经网络（GNN）以及特定的集成和混合方法。方法：本研究系统回顾了电负载和能源需求预测的机器学习技术，采用严格的方法，收集了2020年1月至2025年5月间的英语论文的主要研究数据库和预印本服务器。结果：本研究表明，深度学习模型（包括LSTM和CNN-LSTM）正变得越来越普遍，这表明操作成熟度的提高。然而，其复杂性可能对低资源环境造成困难。机器学习模型的性能在很大程度上取决于上下文，是预测涉及的规模、分辨率和范围等因素的函数，因此需要正确选择模型。最重要的是，优质数据和适当的预处理始终优于所选机器学习技术的影响。结论：机器学习在能源预测中发挥了重要作用，但在可用性和可靠性方面存在不足。需要更多技术和合作，以便在可再生能源系统中取得成功。本文的原创性/新颖性：本研究描述了能源预测中机器学习的新发展，并提到了未来研究和应用中可能出现的趋势和问题。
Akinrogunde等（周四）研究了这个问题。