El consumo de electricidad ha estado aumentando constantemente debido a los desarrollos tecnológicos desde la Revolución Industrial. Por lo tanto, están surgiendo tecnologías que pueden predecir el uso y la gestión de energía para mejorar la eficiencia. La gestión detallada de la energía requiere una previsión precisa del consumo de energía. Las tecnologías de aprendizaje profundo han sido ampliamente utilizadas recientemente para lograr un alto rendimiento. Muchas tecnologías de aprendizaje profundo se centran en la precisión, pero no implican una investigación detallada de predicción de uso basada en el tiempo. Además, los modelos detallados de predicción de energía deben considerar la potencia de cálculo, como la de los dispositivos de Internet de las cosas finales y los AMI domésticos finales. En este trabajo, realizamos experimentos para predecir las demandas por hora para los modelos de red neuronal temporal (TCN) y transformador, así como modelos de red neuronal artificial, memoria a corto plazo a largo plazo (LSTM) y modelos de unidad recurrente con compuertas. El estudio abarcó intervalos de tiempo detallados de 1 a 24 h con incrementos de 1 h. Los resultados experimentales fueron analizados y se derivaron los modelos óptimos para diferentes intervalos de tiempo y conjuntos de datos. El modelo LSTM mostró un rendimiento superior para conjuntos de datos con características similares a las de las escuelas, mientras que el modelo TCN tuvo un mejor rendimiento para conjuntos de datos de consumo de energía promedio o industrial.