La gestión de la energía es crucial para diversas actividades en el sector energético, como la explotación efectiva de los recursos energéticos, la fiabilidad en el suministro, la conservación de energía y los sistemas energéticos integrados. En este contexto, se han desarrollado varios modelos de aprendizaje automático y aprendizaje profundo durante las últimas décadas centrándose en la demanda de energía y la predicción de la producción de fuentes de energía renovable (RES). Sin embargo, la mayoría de los modelos de pronóstico se entrenan utilizando aprendizaje por lotes, ingiriendo todos los datos para construir un modelo de forma estática. El principal inconveniente de los modelos entrenados offline es que tienden a descalibrarse después del lanzamiento. En este estudio, proponemos un nuevo marco de aprendizaje en línea (o incremental) integrado que reconoce la naturaleza dinámica de los entornos de aprendizaje en problemas de pronóstico de series temporales relacionados con la energía. El paradigma propuesto se aplica al problema de pronóstico de energía, lo que resulta en la construcción de modelos que se adaptan dinámicamente a nuevos patrones de datos en tiempo real. El proceso de evaluación se realiza utilizando un caso de uso real que consiste en un problema de pronóstico de demanda de energía y producción de RES. Los resultados experimentales indican que los modelos de aprendizaje en línea superan a los modelos de aprendizaje offline en un 8,6% en el caso de la demanda de energía y en un 11,9% en el caso del pronóstico de RES en términos de error absoluto medio (MAE), destacando los beneficios del aprendizaje incremental.