Ofta är de faktiska kostnaderna kopplade till aggregerade serier snarare än individuella kraftverk. I så fall bör varje modellträning sträva efter att minimera MAE för den aggregerade serien, och alltså beakta sammanlagringseffekter. Dessa är mycket beroende av den geografiska spridningen för alla ingående verk i den aggregerade serien, ju större spridning, desto mindre skeva tenderar de aggregerade fördelningarna att vara. Detta gör att modellträningen bör anpassas efter varje kunds specifika innehav av vindkraft i sitt balansansvar. Antag att prognoserna för en summaserie uppvisar en viss systematisk avvikelse från de uppmätta värdena som inte har sin motsvarighet i någon av underserierna till den aggregerade serien. Avikelserna uppkommer istället genom summeringen av att de enskilda felen från underserierna (som kan anses vara osystematiska) adderas upp till systematiska fel. Dessa fel kan reduceras i Aiolos genom användandet av dynamiska andelstal. Detta verktyg kan användas på alla typer av prognosserier men kanske särskilt på summan av vindprognoser, då osäkerheten i varje enskild vindprognos leder till att modellen för produktionsprognosen blir välgrundat ”försiktig” dvs. varierar mindre än den uppmätta produktionen. Men summan av dessa ”försiktiga” prognoser kan bli onödigt försiktig, plötsliga upp och nedgångar är svåra att pricka in rätt i tid för de enskilda verken samtidigt som utjämningseffekter oftast gör det lättare att prognosticera upp och nedgångar för den totala produktionen inom ett område. Dynamiska andelstal gör det möjligt att efterbehandla prognoserna utifrån en regressionsmodell, efter eller i samband med att de summeras upp. Denna modul kräver att man har en installation av Aiolos forecast Studio.