Für die Erstellung der Leistungsprognosen nutzte enercast bislang entweder physikalische Simulationen oder Verfahren der künstlichen Intelligenz. Die Zusammenführung beider Ansätze steigert den Rechenaufwand erheblich und war daher bis vor Kurzem nicht möglich. Mit Methoden des maschinellen Lernens, die Muster in großen Datenmengen erkennen, hat enercast das Problem zusammen mit Forschern der Universität Kassel gelöst. Jetzt lassen sich die Vorteile von physikalischen Modellen und künstlicher Intelligenz kombinieren. Die innovative Vorhersagearchitektur integriert zudem neue, detailliertere Wettermodelle.