данном исследовании мы представили подробный анализ и прогнозирование выработки электроэнергии на ветряных электростанциях в Германии с использованием моделей машинного обучения Lasso, LightGBM и CatBoost. Для обработки данных использовался метод Feature Engineering, который позволил извлечь более подробные данные с дат, использованные для улучшения качества моделей. С помощью расширенного анализа данных (Extensive Data Analysis, EDA) мы определяем и разрабатываюм запаздывающие и скользящие признаки из временного ряда производства энергии, исходя из того, что точные прогнозы могут значительно повысить стабильность энергетических систем, особенно в контексте растущей зависимости от возобновляемых источников энергии. Производительность каждой модели оценивается на основе показателей средней абсолютной ошибки (MAE), средней квадратичной ошибки (MSE) и корневой средней квадратичной ошибки (RMSE), при этом среди этих моделей CatBoost демонстрирует самую высокую точность по всем показателям. В заключение указываются возможности для дальнейших исследований, направленных на оптимизацию этих моделей и их адаптацию к другим регионам, подчеркивается комплексный и долгосрочный потенциал данного исследования в контексте энергетической сферы.