Evaluar el consumo de energía de los edificios es de suma importancia en los estudios de sostenibilidad y eficiencia energética (EE). El desarrollo de un modelo preciso de predicción de EE es fundamental para optimizar los recursos energéticos y facilitar una planificación efectiva de los edificios. Los enfoques tradicionales de modelado físico se ven obstaculizados por una alta complejidad y ciclos de modelado prolongados. En este documento, presentamos un modelo novedoso de regresión neuronal dendrítica evolutiva (EDNR) diseñado para pronosticar la EE de edificios residenciales. Reconociendo el vasto panorama y la complejidad del espacio de pesos de EDNR, junto con la susceptibilidad inherente de los algoritmos de optimización tradicionales a óptimos locales, proponemos un algoritmo de evolución diferencial basado en estrategias guiadas por redes complejas para entrenar el modelo EDNR. Esta estrategia golpea hábilmente un equilibrio entre la exploración y la explotación durante el proceso de búsqueda, mejorando significativamente las capacidades predictivas y de generalización de EDNR. Hasta donde sabemos, este estudio representa la primera aplicación de regresión neuronal dendrítica en escenarios de predicción del mundo real. Los extensos hallazgos experimentales demuestran la eficacia de EDNR en predecir con precisión la EE de los edificios con un rendimiento encomiable. Además, los resultados de dos pruebas estadísticas no paramétricas confirman la validez y estabilidad de EDNR. En consecuencia, nuestra metodología propuesta muestra un alto potencial y competitividad en aplicaciones de aprendizaje automático dentro del ámbito energético.