El uso de energía eléctrica es directamente proporcional al aumento de la población mundial, tanto en lo que respecta a la creciente industrialización como a la demanda residencial en aumento. La necesidad de lograr un equilibrio entre la producción y el consumo de energía eléctrica inspira a los investigadores a desarrollar modelos de pronóstico para un uso energético óptimo y económico. Mayormente, los sectores residencial e industrial utilizan sensores de medición que solo registran la energía consumida pero no pueden gestionar la electricidad. En este documento, presentamos un análisis comparativo de una variedad de características profundas con varios modelos de aprendizaje secuencial para seleccionar la arquitectura híbrida optimizada para la predicción del consumo energético. Los mejores resultados se logran utilizando una red neuronal convolucional de memoria a largo plazo (ConvLSTM) integrada con una red neuronal bidireccional de memoria a largo plazo (BiLSTM). La ConvLSTM extrae inicialmente características de los datos de entrada para producir secuencias codificadas que son decodificadas por BiLSTM y luego procede con una capa densa final para la predicción del consumo energético. El marco general consiste en preprocesar datos en bruto, extraer características, entrenar el modelo secuencial y luego evaluarlo. El modelo propuesto de predicción del consumo energético supera a los modelos existentes en conjuntos de datos públicos, incluidos los conjuntos de datos de hogares y edificios comerciales coreanos.