Este estudio tiene como objetivo desarrollar y evaluar una red neuronal LSTM para predecir el consumo de energía en los hogares. Para llevar a cabo el experimento, se creó un banco de pruebas que consistía en cinco electrodomésticos comunes, a saber, un televisor, un aire acondicionado, un ventilador, una computadora y una lámpara, cada uno conectado a medidores inteligentes individuales dentro de un Sistema de Gestión de Energía en el Hogar (HEMS). Además, se instaló un medidor en el cuadro de distribución para medir el consumo total. Se recopilaron datos en tiempo real a intervalos de 15 minutos durante 30 días en una residencia que representaba el consumo de energía urbano en Sincelejo, Sucre, habitada por cuatro personas. Esta configuración permitió la captura de datos de consumo de energía detallados y específicos, facilitando el análisis de datos y validando el sistema antes de su implementación a gran escala. Utilizando la información detallada del consumo de energía de estos dispositivos, se entrenó un modelo LSTM para identificar conexiones temporales en el uso de energía. La preparación adecuada de los datos, incluida la normalización y la selección de características, fue esencial para el éxito del modelo. Los resultados mostraron que el modelo LSTM fue efectivo en la predicción del consumo de energía, logrando un error cuadrático medio (MSE) de 0.0169. Este estudio enfatiza la importancia de continuar la investigación sobre modelos predictivos preferidos e identifica áreas para futuras investigaciones, como la integración de datos contextuales adicionales y el desarrollo de aplicaciones prácticas para la gestión de energía residencial. Además, demuestra el potencial de los modelos LSTM en la gestión de energía en hogares inteligentes y sirve como una base sólida para futuras investigaciones en este campo.