La integración de más recursos de energía renovable en las redes de distribución hace que la operación de estos sistemas sea más desafiante en comparación con las redes pasivas tradicionales. Esto se debe principalmente al comportamiento intermitente de la mayoría de los recursos renovables como la generación solar y eólica. Hay muchas soluciones diferentes que se están desarrollando para hacer que los sistemas sean flexibles, como el almacenamiento de energía o la respuesta a la demanda. En el contexto de la respuesta a la demanda, un factor clave es estimar adecuadamente la cantidad de carga a lo largo del tiempo para gestionar mejor el lado de la demanda. Hay muchos métodos de pronóstico diferentes, pero las soluciones más precisas se encuentran principalmente en la predicción de cargas agregadas a nivel de subestación o edificio. Sin embargo, una respuesta a la demanda más efectiva desde el lado residencial requiere la predicción del consumo de energía a nivel de cada hogar individual. La precisión de pronosticar cargas en este nivel a menudo es menor con los métodos existentes, ya que la volatilidad de las cargas residenciales individuales es muy alta. En este documento, presentamos un método híbrido basado en técnicas de codificación de imágenes de series temporales y una red neuronal convolucional. Se comparan los resultados del pronóstico de un cliente residencial real utilizando diferentes técnicas de codificación con algunos otros métodos de pronóstico existentes, incluidos SVM, ANN y CNN. Sin CNN, el error porcentual absoluto medio más bajo (MAPE) para un pronóstico de 15 minutos está por encima del 20%, mientras que con CNN existente, aplicado directamente a series temporales, se podría lograr un MAPE de alrededor del 18%. Encontramos la mejor técnica de codificación de imagen para series temporales, que podría resultar en una mayor precisión de pronóstico utilizando CNN, con un MAPE de alrededor del 12%.