Los Vehículos Aéreos No Tripulados (VANT) se han utilizado ampliamente en logística y comunicación, aunque inicialmente se usaron con fines militares. Sin embargo, dado que el motor debe rotar siempre, el alcance de vuelo de un VANT es limitado, lo que, a su vez, restringe el ámbito de las aplicaciones de los VANT. Por supuesto, si se predice el consumo de energía de los VANT utilizando IA, es posible planificar eficazmente las operaciones de los VANT al derivar rutas de vuelo óptimas y eficientes en energía durante la fase de simulación. Sin embargo, al utilizar redes neuronales profundas (DNN) para construir un modelo de consumo de energía de VANT, es difícil hacer inferencias precisas basándose únicamente en datos de velocidad de vuelo. Para predicciones precisas, también se requieren datos de aceleración de vibración aleatoria, como resultado de empuje y resistencia. Desafortunadamente, dicha información no se puede obtener durante la fase de simulación y solo se puede adquirir a través del entorno de vuelo real. En este artículo, proponemos el primer modelo de potencia híbrido basado en DNN que combina un modelo de consumo de energía basado en DNN y un modelo de aceleración de vibración aleatoria impulsado por datos que deriva información de aceleración de vibración aleatoria de VANT basada en la velocidad de vuelo y el entorno. El marco de modelado propuesto fue evaluado con experimentos de vuelo, demostrando un error porcentual cuadrático medio raíz (RMSPE) del 6.12%, que es un 39.45% más preciso en comparación con un modelo de potencia convencional solo basado en DNN. Además, realizamos estudios de caso para mostrar que es posible encontrar rutas de vuelo eficientes en energía.