Se considera la construcción de la robustez del modelo y la valoración de su precisión en las tareas de previsión de carga eléctrica con perfiles de consumo aditivos. Se ha estudiado la influencia de los parámetros de la red neuronal (tamaño del paquete de datos; número de capas de la red neuronal; funciones de activación neuronal; optimizadores) sobre el error en la predicción del consumo de energía. Se ha probado un algoritmo de selección de hiperparámetros de red basado en datos de consumo de energía con diferentes patrones de consumo de electricidad, creado en el lenguaje Python. Se muestra que el uso de un algoritmo genético aumenta significativamente la precisión del pronóstico debido a la selección individual de parámetros óptimos para un consumidor específico. Se ha desarrollado un diagrama de bloques de un dispositivo inteligente para predecir modos de consumo de energía.