Mittels Machine-Learning-Methoden werden komplexe, aber verbesserte Prognosen bzgl. Stromverbrauch und -erzeugung (durch Erneuerbare) basierend auf unterschiedlichen Inputdaten (Wetter, Verluste durch Extremwetter, Marktdaten, etc.) erstellt. Darauf aufbauend können, von Stromhändlern, automatisierte Handelsstrategien für den Day-Ahead- und Intraday-Markt umgesetzt werden. Diese Strategien passen Handelsvolumina dynamisch an Preisentwicklungen, Wetterverhältnisse und anlagenspezifische Einschränkungen an – einschließlich des Verhaltens von Energiespeichern – und ermöglichen so eine Gewinnmaximierung bei gleichzeitiger Risikominimierung. Durch den zielgerichteteren Handel im Vorfeld, kann Ausgleichsenergie reduziert werden. Dies schlägt sich auf günstigere Stromtarife für die Stadt nieder. Außerdem können Gemeinden auch Energiegemeinschaften gründen und Prognosen für die Teilnehmer:innen zur Verfügung stellen. Werden Komponenten in städtischer Hand damit geladen, wie beispielsweise E-Autos, Warmwasserbereitung von öffentlichen Gebäuden etc., kann die erneuerbare Erzeugung in der Energiegemeinschaft besser genutzt werden.