La previsión precisa de la demanda de electricidad es vital para el desarrollo y la evolución de las redes inteligentes, así como para el refuerzo de las estrategias de gestión de la demanda en el sector energético. Dado que esta tarea de previsión requiere el procesamiento eficiente de perfiles de carga extraídos de contadores inteligentes para grandes conjuntos de clientes, los desafíos de alta dimensionalidad a menudo conducen a la adopción de estrategias de agregación basadas en clústeres, lo que resulta en modelos de estimación escalables que operan en series temporales agregadas formadas por grupos de clientes que comparten características de carga similares. Sin embargo, es evidente que las series temporales agrupadas exhiben diferentes patrones que pueden no ser procesados de manera eficiente por un solo estimador o una estructura híbrida fija. Por lo tanto, los métodos de aprendizaje en conjunto podrían proporcionar una capa adicional de fusión de modelos, permitiendo que el estimador resultante se adapte a las series de entrada y ofrezca un mejor rendimiento. En este trabajo, proponemos un enfoque de selección adaptativa de miembros del conjunto para apilar y votar regresores en el marco de previsión agregada basado en clústeres que se centra en el examen del rendimiento de previsión en observaciones de pico y no pico para el desarrollo de estimadores estructuralmente flexibles para cada clúster. Los modelos de conjunto resultantes ofrecen un mejor rendimiento general en comparación con los estimadores independientes y nuestros experimentos indican que las estrategias de selección de miembros que se centran en la influencia del rendimiento no pico conducen a modelos de conjunto más eficientes en este marco.