Predecir el consumo de energía de los edificios juega un papel crítico en el apoyo a los proveedores de servicios públicos, usuarios y gerentes de instalaciones para minimizar el desperdicio de energía y optimizar la eficiencia operativa. Sin embargo, esta predicción se vuelve difícil debido a la limitada disponibilidad de datos etiquetados supervisados para entrenar modelos de Inteligencia Artificial (IA). Esta disponibilidad de datos se vuelve costosa o difícil debido a la protección de la privacidad. Para superar la escasez de datos etiquetados equilibrados, el aprendizaje semisupervisado utiliza datos no etiquetados extensos. Motivados por esto, proponemos el aprendizaje semisupervisado para entrenar el modelo de IA. Para el modelo de IA, empleamos el Sistema Experto Basado en Reglas de Creencias (BRBES) debido a su predicción basada en conocimientos de dominio y mecanismo de manejo de incertidumbre. Para mejorar la precisión del BRBES, utilizamos datos etiquetados iniciales para optimizar los parámetros y la estructura del BRBES a través del aprendizaje evolutivo hasta que su precisión alcance el umbral de confianza. Como aprendizaje semisupervisado, empleamos un modelo de autoentrenamiento para asignar pseudoetiquetas, predichas por el BRBES, a datos no etiquetados generados a través de una débil y fuerte ampliación. Reoptimizamos el BRBES con datos etiquetados y pseudoetiquetados, lo que resulta en un BRBES semisupervisado. Finalmente, este BRBES semisupervisado explica su predicción al usuario final en lenguaje humano no técnico, lo que resulta en una relación de confianza. Para validar nuestro marco propuesto de BRBES semisupervisado y explicativo, se utiliza un estudio de caso basado en Skellefteå, Suecia, para predecir y explicar el consumo de energía de los edificios. Los resultados experimentales muestran una precisión un 20 +/- 0.71% mayor del BRBES semisupervisado que los modelos de aprendizaje automático semisupervisado de última generación. Además, el marco de BRBES semisupervisado resulta ser un 29 +/- 0.67% más explicativo que estos modelos de aprendizaje automático semisupervisado.