La tecnología de modelado de sustitución se utiliza para crear análogos livianos de software intensivo en recursos y cálculos, siempre que el problema pueda reducirse al problema de regresión. En este artículo, construimos un modelo de sustitución para predecir el consumo anual de energía utilizando el software de código abierto EnergyPlus y varias técnicas de muestreo. Se presenta un algoritmo general para una técnica de muestreo adaptativo basada en el error para construir el modelo de sustitución. Los mejores resultados fueron mostrados por el método de Muestreo Mixto compuesto con una ventana de refinamiento de datos del tamaño del 70% y un modelo de regresión LightGBM. Los mejores valores de métricas alcanzados son los siguientes: ECM = 7.76, RMSE = 1.47, MAE = 0.98 y R = 0.99. Para un pequeño número de iteraciones, una técnica de muestreo adaptativo basada en el error con ajuste de hiperparámetros es preferible al enfoque de muestreo estático. Para un gran número de iteraciones, ambas técnicas muestran resultados predictivos aproximadamente buenos del modelo de sustitución construido. Después de realizar el ajuste de hiperparámetros, el valor promedio de la métrica ECM disminuyó de 43.43 a 7.76. Una característica de grosor de gas mayor a 0.015 no tuvo un efecto positivo en la optimización del ahorro de energía. Para temperaturas en un día de verano de 30 grados y superiores, hubo un aumento brusco en el consumo de energía. La temperatura máxima de bulbo seco en un día de invierno y verano y la velocidad del viento en un día de invierno fueron las características más importantes del modelo de sustitución construido con valores de ganancia de la importancia de la característica de 492, 483 y 443, respectivamente.