A previsão eficiente do consumo de energia pode contribuir significativamente para melhorar a gestão da distribuição e, potencialmente, contribuir para melhorar o planejamento da demanda, melhorar a eficiência energética, controle tarifário e prevenção de falhas. Por outro lado, os avanços nas técnicas computacionais baseadas em dados estão se tornando cada vez mais robustos e populares à medida que alcançam boa precisão nos resultados. Dentre essas, as técnicas de Aprendizado de Máquina (AM) têm sido amplamente utilizadas em diversos domínios de aplicação. Este estudo propõe o desenvolvimento de um modelo capaz de classificar perfis de consumidores de energia, utilizando técnicas de Aprendizado de Máquina. A aplicação dessas técnicas na predição de consumo de energia pode indicar grande potencial para controlar e gerenciar a produção e distribuição de energia elétrica, o que pode trazer maior eficiência, melhorar a produção e otimizar a distribuição. Neste estudo, combinamos uma metodologia de AM, a transferência de aprendizado que é capaz de utilizar conhecimentos pré-estabelecidos em novos contextos, tornando o processo de previsão de energia mais eficiente e robusto. A aplicação da transferência de aprendizado apresentou como resultado acurácias médias acima de 90% nos métodos Bagging, Boosting, Random Forest para todas as bases utilizadas como alvos de transferência.