Los sistemas de energía digital dependen de datos reales sobre el consumo y la generación de energía, que no siempre están disponibles y, en ciertas situaciones, pueden ser reemplazados por formas sintéticas. Este estudio presenta una metodología para generar datos sintéticos de series temporales de consumidores de energía eléctrica. Está basado en la teoría de cadenas de Markov, y a diferencia de estudios anteriores, los datos se dividen en registros mensuales de cambio de hora y por hora, lo que conduce a la generación de 48 matrices de transición para cada mes. Este estudio tuvo como objetivo garantizar la similitud estadística y probabilística entre los datos originales y sintéticos, que fue evaluada utilizando la distancia de Frobenius, el coeficiente de determinación, la varianza y la desviación estándar. La metodología se aplicó a tres perfiles de carga obtenidos de diferentes tipos de consumidores: domésticos, agrícolas e industriales. En los tres casos, las características estadísticas y probabilísticas de los datos generados fueron muy similares a las de los conjuntos de datos originales; sin embargo, la comparación visual mostró que se recomienda aumentar el número de estados para reducir la dispersión de datos. Basándose en los resultados, se proponen recomendaciones sobre cómo elegir el número de estados para las matrices de transición para optimizar la similitud estadística y probabilística. La metodología descrita puede ser utilizada por expertos involucrados en el diseño de sistemas con fuentes de energía renovable y por científicos que trabajan en estudios a largo plazo.