La previsión de carga a corto plazo (STLF) es crucial para la operación diaria de las redes eléctricas. Sin embargo, la no linealidad, no estacionariedad y aleatoriedad que caracterizan las series temporales de demanda de electricidad hacen que STLF sea una tarea desafiante. Se han propuesto varios enfoques de pronóstico para mejorar STLF, incluidos los modelos de redes neuronales (NN) que se entrenan utilizando datos de múltiples series de demanda de electricidad que no necesariamente incluyen la serie objetivo. En el presente estudio, investigamos el rendimiento de un caso especial de STLF, a saber, el aprendizaje por transferencia (TL), considerando un conjunto de 27 series temporales que representan la demanda de electricidad nacional del día siguiente de países europeos indicativos. Empleamos un modelo de red neuronal de alimentación directa popular y fácil de implementar y realizamos un análisis de agrupamiento para identificar patrones similares entre las series de carga y mejorar TL. En este contexto, se compilan y comparan dos enfoques de TL diferentes, con y sin el paso de agrupamiento, entre sí y con una configuración de entrenamiento de NN típica. Nuestros resultados demuestran que TL puede superar el enfoque convencional, especialmente cuando se consideran técnicas de agrupamiento.