Este estudio examina el impacto de los ataques a la integridad de datos en el Aprendizaje Federado (FL) para la predicción de carga en sistemas de redes inteligentes, donde los datos sensibles a la privacidad requieren una gestión sólida. Mientras que el FL proporciona un enfoque de preservación de la privacidad para el entrenamiento distribuido de modelos, sigue siendo susceptible a ataques como el envenenamiento de datos, que pueden afectar el rendimiento del modelo. Comparamos el Aprendizaje Federado Centralizado (CFL) y el Aprendizaje Federado Descentralizado (DFL), utilizando topologías de línea, anillo y bus, bajo condiciones adversas. Empleando una Red Neuronal Artificial (ANN) de tres capas con conjuntos de datos a nivel de subestación, evaluamos la resistencia del sistema en ausencia de detección de anomalías. Los resultados indican que DFL supera significativamente a CFL en resistencia a los ataques, logrando Errores Porcentuales Absolutos Medios (MAPEs) de 0,48%, 4,29% y 0,702% en los conjuntos de datos, en comparación con los MAPEs de CFL de 6,07%, 18,49% y 10,19%. Esto demuestra el potencial de DFL como una solución resiliente y segura para la predicción de carga en redes inteligentes, minimizando la dependencia de la detección de anomalías para mantener la integridad de los datos.