Los modelos de aprendizaje profundo se han aplicado a diversas aplicaciones eléctricas en redes inteligentes con un alto grado de fiabilidad y precisión. El desarrollo de modelos de aprendizaje profundo requiere datos históricos recopilados de varias empresas eléctricas durante el entrenamiento de los modelos. La falta de datos históricos para el entrenamiento y la prueba de los modelos desarrollados, considerando las restricciones de políticas de seguridad y privacidad, se considera uno de los mayores desafíos para las técnicas basadas en aprendizaje automático. El artículo propone el uso de cifrado homomórfico, que permite la posibilidad de entrenar modelos de aprendizaje profundo y aprendizaje automático clásico mientras se preserva la privacidad y seguridad de los datos. La metodología propuesta se prueba para aplicaciones de identificación y localización de fallos, y pronóstico de carga en redes inteligentes. Los resultados para la localización de fallos muestran que la precisión de clasificación del modelo de aprendizaje profundo que preserva la privacidad, al utilizar cifrado homomórfico, es del 97-98%, lo que se acerca a la precisión de clasificación del 98-99% del modelo con datos en claro. Además, para la aplicación de pronóstico de carga, los resultados muestran que el RMSE utilizando el modelo de cifrado homomórfico es de 0.0352 MWh, mientras que el RMSE sin la aplicación de cifrado en el modelado es de alrededor de 0.0248 MWh.