En tiempos recientes, el sector energético se ha convertido en un punto focal de amplio interés científico, impulsado por una convergencia de factores, como las crecientes preocupaciones globales en torno al cambio climático, el constante aumento de los precios de la electricidad dentro del mercado mayorista de energía, y el aumento de inversiones catalizado por avances tecnológicos en diversos sectores. Estos desafíos en evolución han requerido la aparición de nuevos imperativos destinados a gestionar eficazmente los recursos energéticos, garantizar la estabilidad de la red, reforzar la fiabilidad y tomar decisiones informadas. Una área que ha recibido particular atención es la predicción precisa de la carga eléctrica del usuario final, la cual ha surgido como un aspecto crítico en la búsqueda de una gestión eficiente de la energía. Para abordar este desafío, los modelos de aprendizaje automático y profundo han surgido como enfoques populares y prometedores, debido a su notable efectividad en el manejo de datos de series temporales complejos. En este documento, se presenta el desarrollo de un modelo algorítmico que aprovecha un proceso automatizado para proporcionar predicciones altamente precisas de la carga eléctrica, específicamente diseñadas para la isla de Thira en Grecia. A través de la implementación de una aplicación automatizada, se crearon meticulosamente una serie de modelos de pronóstico de aprendizaje profundo, que incluyen el Perceptrón Multicapa, la Memoria a Corto y Largo Plazo (LSTM), la Red Neuronal Convolucional Unidimensional (CNN-1D), el híbrido CNN-LSTM, la Red Convolucional Temporal (TCN) y un innovador modelo híbrido llamado Codificador-Decodificador Convolucional LSTM. A través de la evaluación de la precisión de las predicciones, se observó un rendimiento satisfactorio en todos los modelos considerados, siendo el modelo híbrido propuesto el que mostró el más alto nivel de precisión. Estos hallazgos subrayan la profunda importancia de emplear técnicas de aprendizaje profundo para la precisa predicción de la demanda eléctrica, ofreciendo así valiosos conocimientos para abordar los desafíos multifacéticos encontrados en el sector energético. Al adoptar metodologías avanzadas de pronóstico, el sector eléctrico avanza hacia una mayor eficiencia, resiliencia y sostenibilidad.