En este documento, proponemos una metodología novedosa para estimar datos faltantes en conjuntos de datos de consumo de energía. Los métodos convencionales de imputación de datos no son adecuados para estos conjuntos de datos, ya que son series temporales con características especiales y porque, para algunas aplicaciones, es bastante importante preservar la forma del perfil diario de energía. Nuestra respuesta a esta necesidad es el uso de autoencoders. Primero, dividimos el problema en dos subproblemas: cómo estimar la cantidad total de energía diaria y cómo estimar la forma del perfil diario de energía. Codificamos la forma como una nueva característica que puede ser modelada y predicha utilizando autoencoders. De esta manera, el problema de la imputación de datos de perfil se reduce a dos problemas relativamente simples en los que se pueden aplicar métodos convencionales. Sin embargo, las dos predicciones están relacionadas, por lo que se debe tener especial cuidado al reconstruir el perfil. Mostramos que, como resultado, nuestra metodología de imputación de datos produce perfiles plausibles donde otros métodos fallan. Lo probamos en un conjunto de datos altamente corrompido, superando a los métodos convencionales en un factor de 3.7.