Debido a la fuerte volatilidad de la carga eléctrica y al defecto de un problema que consume mucho tiempo, además del sobreajuste existente en los métodos de pronóstico publicados, es difícil pronosticar con precisión y robustez la demanda eléctrica a corto plazo. Dada la excelente capacidad de compartir peso y extracción de características para la convolución, se propone un nuevo método híbrido basado en el ensamblaje de GoogLeNet y redes residuales profundas modificadas para el pronóstico de carga a corto plazo (STLF) para abordar estos problemas. Específicamente, se utiliza un GoogLeNet de ensamblaje con estructura de bloques densos para fortalecer la capacidad de extracción de características y la capacidad de generalización. Mientras tanto, se utiliza una técnica de normalización de grupo para normalizar las salidas de la capa anterior. Además, se introduce una red residual profunda modificada para aliviar un problema de gradiente desvaneciente con el fin de mejorar los resultados del pronóstico. El modelo propuesto también se adopta para realizar pronósticos de carga probabilísticos con Monte Carlo Dropout. Se utilizan dos conjuntos de datos públicos reconocidos para evaluar el rendimiento de la metodología propuesta. Múltiples experimentos y comparaciones con modelos existentes de última generación muestran que este método logra resultados de predicción precisos, una sólida capacidad de generalización y coberturas satisfactorias para diferentes intervalos de predicción, además de reducir los tiempos de operación.