El pronóstico de carga eléctrica es una tarea crucial en todos los mercados desregulados a nivel mundial. Entre los desafíos de investigación a escala global, la investigación del aprendizaje profundo de transferencia (DTL) en el campo del pronóstico de carga eléctrica representa un esfuerzo fundamental que puede informar sobre aplicaciones de inteligencia artificial en general. En este documento, se informa de un estudio exhaustivo sobre el pronóstico de carga eléctrica para el día siguiente. Con este fin, se utilizan tres modelos de aprendizaje profundo (DL) de secuencia a secuencia (Seq2seq), a saber, el perceptrón multicapa (MLP), la red neuronal convolucional (CNN) y el modelo de aprendizaje en conjunto (ELM), que consiste en la combinación ponderada de las salidas de los modelos MLP y CNN. Además, el estudio se centra en el desarrollo de diferentes estrategias de pronóstico basadas en DTL, enfatizando la forma en que se entrenan y ajustan los conjuntos de datos para una mayor precisión en el pronóstico. Para implementar las estrategias de pronóstico utilizando modelos de aprendizaje profundo, se utilizan conjuntos de datos de carga de tres islas griegas, Rodas, Lesvos y Chios. El objetivo principal es aplicar DTL para predicciones del día siguiente (1-24 h) para cada mes del año para el conjunto de datos de Chios después de entrenar y ajustar los modelos utilizando los conjuntos de datos de las tres islas en varias combinaciones. Se ilustran cuatro estrategias de DTL. En la primera estrategia (Caso 1 de DTL), cada uno de los tres modelos de DL se entrena utilizando solo el conjunto de datos de Lesvos, mientras que el ajuste fino se realiza en el conjunto de datos de la isla de Chios, con el fin de crear predicciones del día siguiente para la carga de Chios. En la segunda estrategia (Caso 2 de DTL), se utilizan datos tanto de Lesvos como de Rodas de manera concurrente para el período de entrenamiento del modelo DL, y el ajuste fino se realiza en los datos de Chios. La tercera estrategia de DTL (Caso 3 de DTL) implica el entrenamiento de los modelos DL utilizando el conjunto de datos de Lesvos, y el período de prueba se realiza directamente en el conjunto de datos de Chios sin ajuste fino. La cuarta estrategia es un enfoque de aprendizaje profundo de múltiples tareas (MTDL), que ha sido estudiado extensamente en los últimos años. En MTDL, los tres modelos de DL se entrenan simultáneamente en los tres conjuntos de datos y las predicciones finales se realizan en la parte desconocida del conjunto de datos de Chios. Los resultados obtenidos demuestran que DTL se puede aplicar con alta eficiencia para el pronóstico de carga del día siguiente. Específicamente, los Casos 1 y 2 de DTL superaron a MTDL en términos de precisión de predicción de carga. En cuanto a los modelos DL, los tres muestran una precisión de predicción muy alta, especialmente en los dos casos con ajuste fino. El ELM sobresale en comparación con los modelos individuales. Más específicamente, para realizar predicciones del día siguiente, se concluye que el modelo MLP presenta los mejores pronósticos mensuales con valores de MAPE del 6,24% y 6,01% para los dos primeros casos, el modelo CNN presenta los mejores pronósticos mensuales con valores de MAPE del 5,57% y 5,60%, respectivamente, y el modelo ELM logra los mejores pronósticos mensuales con valores de MAPE del 5,29% y 5,31%, respectivamente, lo que indica la alta precisión que puede lograr.