La predicción precisa del consumo eléctrico es cada vez más crítica en entornos industriales de fabricación inteligente, donde las fluctuaciones de energía y la variabilidad de la demanda plantean desafíos operativos significativos bajo el paradigma de la industria 4.0. Los enfoques existentes a menudo dependen de datos simulados o secundarios y carecen de integración con protocolos de comunicación de grado industrial, lo que limita su aplicabilidad práctica. Incorporar el aprendizaje automático con la recolección de datos en tiempo real es esencial para avanzar en el monitoreo predictivo industrial. Esta investigación presenta un marco para pronosticar el uso de energía eléctrica utilizando el protocolo RS-485 para mejorar los procesos de fabricación inteligente. El conjunto de datos utilizado se obtuvo de un medidor de energía, registrado durante un período de 135 minutos, resultando en 3100 datos. Se analizaron tres métodos de aprendizaje: Random Forest, Extra Trees y XGBoost, siendo XGBoost refinado aún más a través de PSO para ajustar los hiperparámetros. Los modelos se entrenaron con conjuntos de datos que incluían voltaje, corriente, frecuencia y factor de potencia, y su efectividad se evaluó utilizando predicciones basadas en el tiempo, métricas estándar y distribuciones de error a través de validación cruzada. Los hallazgos ilustran que el PSO-XGBoost supera consistentemente la línea base de XGBoost por defecto con un R2 de 0.5746, logrando un MAE de 0.14 W, un RMSE de 0.21 W y un R2 de 0.8355, representando mejoras del 41.67% en MAE, 38.24% en RMSE y 45.40% en R2. El protocolo RS-485 permite una integración fluida con la infraestructura industrial existente, apoyando la detección de anomalías y la optimización de energía alineada con los objetivos de interoperabilidad de la Industria 4.0.