Los edificios juegan un papel crítico en la estabilidad y resiliencia de las redes inteligentes modernas, lo que lleva a un cambio de enfoque en las estrategias de gestión energética a gran escala, pasando del lado de la oferta al lado del consumidor. Cuando los edificios integran generación de energía renovable local en forma de recursos de energía renovable, se convierten en prosumidores, y esto añade más complejidad a la operación de sistemas energéticos complejos interconectados. Recientemente ha surgido una clase de métodos para modelar los patrones de consumo energético de los edificios como enfoques de caja negra de entrada-salida con la capacidad de capturar tendencias subyacentes de consumo. Estos hacen uso y requieren grandes cantidades de datos de calidad producidos por procesos no deterministas subyacentes al consumo de energía. Presentamos una aplicación de una clase de redes neuronales, a saber, técnicas de aprendizaje profundo para el modelado de secuencias de series temporales, con el objetivo de realizar pronósticos precisos y confiables de la carga energética de los edificios. La implementación de Redes Neuronales Recurrentes utiliza capas de Memoria a Largo y Corto Plazo en una densidad creciente de nodos para cuantificar la precisión de las predicciones. El estudio de caso se ilustra en cuatro edificios universitarios de climas templados durante un año de operación utilizando un conjunto de datos de referencia que permite resultados replicables. Los resultados obtenidos se discuten en términos de métricas de precisión y aspectos de arquitectura computacional y de red, y se consideran adecuados para su uso futuro en la gestión energética in situ a nivel de edificio y vecindario.