Este documento investiga la efectividad de las Políticas de Circuitos Neuronales (NCPs) en comparación con las redes de Memoria a Corto y Largo Plazo (LSTM) en la predicción de datos de series temporales para la producción y consumo de energía en el contexto del mantenimiento predictivo. Al utilizar un conjunto de datos generado a partir de los datos de producción y consumo de energía de una empresa toscana especializada en refrigeración de alimentos, simulamos un escenario en el que la empresa emplea un sistema de almacenamiento de 60 kWh y calculamos las políticas de carga y descarga de la batería para evaluar posibles reducciones de costos y aumento de autoconsumo de energía producida. Nuestros hallazgos demuestran que las NCPs superan a las redes LSTM al aprovechar modelos físicos subyacentes, ofreciendo soluciones de mantenimiento predictivo superiores para el consumo y producción de energía.