En este trabajo, se consideraron competiciones de pronóstico de series temporales de energía de la empresa Schneider, la plataforma en línea Kaggle y la sociedad estadounidense ASHRAE. Estas competiciones incluyen pronósticos de generación de energía y consumo de energía en edificios. Los conjuntos de datos utilizados en estas competiciones se basan en registros de sensores confiables y reales. Además, se añaden con precisión variables exógenas al conjunto de datos. Todo esto asegura la riqueza de la información contenida en el conjunto de datos, lo cual es crucial para la gestión de energía. Por lo tanto, (1) Elegimos estudiar modelos de pronóstico adecuados para la gestión de energía en estos conjuntos de datos de energía; (2) Modelos de pronóstico que incluyen estructuras de algoritmos populares como modelos de redes neuronales y modelos de conjunto. Además, como innovación, introducimos el método de IA Explicable (SHAP) para explicar modelos con excelentes indicadores de rendimiento, fortaleciendo así su confianza y transparencia; (3) Los resultados muestran que el rendimiento del modelo integrado en estas competiciones es más estable y eficiente, y en el modelo integrado, las ventajas de LightGBM son más evidentes; (4) A través de la interpretación de SHAP, descubrimos que las características rezagadas del área del edificio y las variables objetivo son características importantes.