Este documento presenta un marco de trabajo adaptativo basado en Machine Learning (ML) para la optimización automática de carga en Casas Conectadas Inteligentes Verdes (CSGTs). El sistema optimiza dinámicamente el consumo de carga y las transiciones entre modos conectados a la red y en isla. Las transiciones automáticas de modo reducen la necesidad de cambios manuales, asegurando un funcionamiento confiable. Se utilizan datos reales de ocupación, demanda de carga, clima y precio de la energía para gestionar las cargas, lo que mejora la eficiencia, los ahorros de costos y la sostenibilidad. Se emplea un marco de trabajo adaptativo que combina el procesamiento de datos y ML. Se utiliza un modelo híbrido de Red Neuronal Convolucional de Memoria a Corto y Largo Plazo (LSTM-CNN) para analizar series temporales y datos espaciales. Se emplea la Optimización de Enjambre de Partículas Multi-Objetivo (MOPSO) para equilibrar costos, emisiones de carbono y eficiencia. Los resultados obtenidos muestran una mejora del 3-5% en la eficiencia para el modo conectado a la red y del 10-12% para el modo en isla, así como una reducción del 4-6% en las emisiones de carbono.