Predecir con precisión el consumo de energía es esencial para garantizar un suministro de energía seguro. Se han estudiado varias tecnologías para predecir el consumo de energía, pero la predicción del consumo de energía utilizando modelos de aprendizaje profundo ha sido bastante exitosa. Sin embargo, para predecir el consumo de energía utilizando modelos de aprendizaje profundo, es necesario encontrar un conjunto apropiado de hiperparámetros. Esto introduce el problema de la complejidad y las amplias áreas de búsqueda. El campo del consumo de energía debería predecirse con precisión en diversas áreas distribuidas. Con este fin, se necesita un modelo de aprendizaje profundo personalizado para la predicción del consumo, que es esencial para optimizar los hiperparámetros adecuados para el entorno. Sin embargo, los usuarios típicos de modelos de aprendizaje profundo carecen del conocimiento necesario para encontrar los valores óptimos de los parámetros. Para resolver este problema, proponemos un método para encontrar los valores óptimos de los parámetros para el aprendizaje. Además, los parámetros de capa de los modelos de aprendizaje profundo se optimizan aplicando algoritmos genéticos. En este documento, proponemos un método de optimización de hiperparámetros que resuelve los problemas de tiempo y costos que dependen de métodos o experiencias existentes. Derivamos un plan de optimización de hiperparámetros que resuelve los problemas de tiempo y costos dependientes de métodos o experiencias existentes. Como resultado, el modelo RNN logró un error cuadrático medio y un error absoluto medio un 30% y un 21% mejores, respectivamente, que el modelo de aprendizaje profundo arbitrario, y el modelo LSTM logró un rendimiento un 9% y un 5% más alto.