Predecir la demanda de energía de los sistemas de calefacción de edificios es una tarea desafiante debido a la alta variabilidad de sus perfiles energéticos. La demanda de energía se caracteriza por diferentes ciclos de calefacción que incluyen secuencias de varias fases transitorias y de estado estable. Para realizar efectivamente la tarea predictiva aprovechando la gran cantidad de datos energéticos detallados recopilados a través de dispositivos de Internet de las cosas (IoT), se deben idear soluciones innovadoras y escalables. Este documento presenta, un motor distribuido de pila completa escalable, que aborda todas las tareas desde la recopilación de datos relacionados con la energía, hasta su integración, almacenamiento, análisis y modelado. Las mediciones de datos heterogéneos (por ejemplo, consumo de energía en edificios, condiciones meteorológicas) se recopilan a través de múltiples entidades de hardware (por ejemplo, dispositivos IoT) y software (por ejemplo, servicios web). Estos datos se integran y analizan para predecir la demanda de energía promedio de cada edificio para diferentes horizontes temporales. Primero, las fases transitorias y de estado estable que caracterizan el ciclo de calefacción de cada edificio se identifican automáticamente; luego se realiza el pronóstico del nivel de potencia para cada fase. Para este fin, se basa en una serie de tres algoritmos: el Promedio Móvil Ponderado Exponencialmente, la Spline de Regresión Adaptativa Multivariable y la Regresión Lineal con Descenso de Gradiente Estocástico. La implementación actual de se basa en Apache Spark y MongoDB y admite el procesamiento paralelo y escalable de tareas analíticas. Los resultados experimentales, realizados en datos relacionados con la energía recopilados en un sistema del mundo real, muestran la efectividad de en predecir el consumo de energía de calefacción de edificios con un error de predicción limitado y una escalabilidad horizontal óptima.