La previsión de carga eléctrica se está volviendo cada vez más desafiante debido a la creciente penetración de la generación de energía descentralizada y cargas basadas en electrónica de potencia como bombas de calor y vehículos eléctricos, lo que se suma a una transición hacia patrones de trabajo más variables (acentuada por la pandemia de COVID-19 en 2020). En este documento, se analizan tres modelos de Aprendizaje Automático diferentes para predecir la carga energética una semana por delante durante un período de tiempo que incluye la pandemia de COVID-19. Se muestra que, utilizando la arquitectura del modelo TabNet propuesto recientemente, es posible lograr una precisión comparable a enfoques más tradicionales basados en aumento de gradiente y redes neuronales artificiales sin necesidad de realizar una ingeniería de características compleja.