Las redes inteligentes (SG) generan conjuntos de datos extensos sobre las variables del sistema, es decir, la demanda y la oferta. Estos conjuntos de datos extremadamente grandes se conocen como big data. Por lo tanto, el preprocesamiento de estos vastos datos y su integración se convierten en pasos críticos en el proceso de pronóstico de carga. La predicción precisa de la carga es la principal preocupación al equilibrar la demanda y la oferta en SG. Muchas técnicas fueron ideadas para el pronóstico de carga utilizando métodos de aprendizaje automático como los Modelos de Aprendizaje Profundo. Sin embargo, en el caso de conjuntos de datos grandes, solo unos pocos modelos proporcionan un buen rendimiento, como el Modelo de Media Móvil Integrada Autorregresiva (ARIMA). Sin embargo, este enfoque es complejo, ya que se necesitan un mínimo de 50 observaciones para realizar una evaluación. En este documento, se utiliza la técnica Prophet en la predicción de la respuesta de demanda futura basada en los datos pasados, que se presentan en forma de series temporales. Esta técnica es válida incluso si faltan algunos valores en la serie temporal. Además, el procedimiento no se ve afectado por fluctuaciones, tendencias y variaciones anormales. Se adopta un enfoque de ajuste de modelo automático por su rendimiento efectivo. Además, se han utilizado los modelos ARIMA y Prophet para pronosticar y el enfoque se ha verificado utilizando varios indicadores de evaluación. Se logró la gestión de respuesta de demanda y se está validando con dos conjuntos de datos. Los resultados muestran la efectividad del modelo Prophet en el esquema de gestión de respuesta de demanda que involucra grandes conjuntos de datos.