Predviđanje opterećenja, kao jedno od važnih istraživačkih područja pametnih mreža, obuhvaća širok raspon metoda, od tradicionalnih ekonometrijskih analiza vremenskih serija do različitih pristupa strojnog učenja, a odnedavno i dubokog učenja. Ovaj rad predlaže novi pristup strojnog učenja za kratkoročno predviđanje vremenskih nizova opterećenja, koji koristi klasteriranje agregatnog opterećenja s ansambl učenjem na temelju metode prozora. Ansambl osnovnih učenika, koji se sastoji od povećanja gradijenta, stroja potpornih vektora (SVM) i nasumične šume, stvoren je slaganjem modela s linearnom regresijom "elastične mreže". Hiperparametri modela fino se podešavaju pomoću pretraživanja mreže s pristupom unakrsne provjere, osim za SVM, gdje je uvedena Bayesova optimizacija. Primjenjuje se inženjering i odabir značajki na temelju analize važnosti, uz korištenje vremenskih podataka i vremenskih serija podataka o učitavanju. Za provjeru se koristi srednja apsolutna postotna pogreška. Dobiveni rezultati pokazuju da predloženi pristup pokazuje točna i robusna predviđanja.