La utilización de energía es uno de los factores más estrechamente relacionados que afectan a muchas áreas de la granja inteligente, el crecimiento de las plantas, la producción de cultivos, la automatización de dispositivos y el suministro de energía en el mismo grado. Recientemente, tecnologías de la cuarta revolución industrial como IoT, inteligencia artificial y big data se han utilizado ampliamente en entornos de granjas inteligentes para utilizar energía de manera eficiente y controlar las condiciones de las granjas inteligentes. En particular, las tecnologías de aprendizaje automático con análisis de big data se utilizan activamente como uno de los métodos de predicción más potentes que respaldan el uso de energía en la granja inteligente. Este estudio propone un modelo de predicción basado en aprendizaje automático para el uso máximo de energía mediante el análisis de datos relacionados con la energía recopilados de varios dispositivos ambientales y de crecimiento en una granja de pimientos inteligente del Servicio de Investigación y Extensión Agrícola de Jeonnam en Corea del Sur entre 2019 y 2021. Para encontrar el modelo de predicción más optimizado, se realizan pruebas de evaluación comparativa utilizando algoritmos de ML representativos como red neuronal artificial, regresión de vectores de soporte, bosque aleatorio, vecinos más cercanos, aumento de gradiente extremo y máquina de aumento de gradiente, y algoritmo de series temporales ARIMA con clasificación binaria para diferentes números de características de entrada. Este artículo puede proporcionar una forma efectiva y viable para los gerentes de granjas inteligentes o agricultores de invernaderos que puedan gestionar mejor el problema de la energía agrícola de manera económica y ambiental. Por lo tanto, esperamos que el método de ML recomendado ayude a mejorar el uso de energía de la granja inteligente o sus políticas energéticas en varios campos relacionados con la energía agrícola. Las siete métricas de rendimiento, incluidas R-cuadrado, error cuadrático medio y error absoluto medio, están asociadas con estos dos algoritmos. Se concluye que el modelo basado en RF es más exitoso que en la precisión de predicción de los otros, con un 92%. Por lo tanto, el modelo propuesto puede contribuir al desarrollo de diversas aplicaciones para el uso de energía ambiental en una granja inteligente, como un servicio de notificación para el momento pico de uso de energía o un control de uso de energía para cada dispositivo.