La previsión de carga a corto plazo es esencial para optimizar las operaciones del sistema eléctrico y apoyar la integración de energías renovables. Sin embargo, capturar con precisión las complejas características no lineales en los datos de carga sigue siendo un desafío. Para mejorar la precisión de la previsión, este documento propone un modelo híbrido CNN-BiGRU-Attention optimizado por el algoritmo de Optimización de Ballena Beluga (BWO). El método propuesto integra el aprendizaje profundo con la optimización metaheurística en cuatro pasos: Primero, se utiliza una Red Neuronal Convolucional (CNN) para extraer características espaciales de los datos de entrada, incluyendo la carga histórica y las variables climáticas. En segundo lugar, se emplea una red de Unidad Recurrente Puerta Bidireccional (BiGRU) para aprender dependencias temporales tanto en direcciones hacia adelante como hacia atrás. En tercer lugar, se introduce un mecanismo de Atención para centrarse en características clave y reducir la influencia de información redundante. Finalmente, se aplica el algoritmo BWO para optimizar automáticamente los hiperparámetros del modelo, evitando el problema de caer en óptimos locales. Experimentos comparativos contra cinco modelos de referencia (BP, GRU, BiGRU, BiGRU-Attention y CNN-BiGRU-Attention) demuestran la efectividad del modelo propuesto. Los resultados experimentales indican que el modelo optimizado logra un rendimiento predictivo superior con tasas de error significativamente reducidas en términos de Error Porcentual Absoluto Medio (MAPE) y Error Cuadrático Medio (RMSE), junto con un mayor Coeficiente de Determinación (R2) en comparación con los puntos de referencia, confirmando su alta precisión y fiabilidad para la previsión de carga eléctrica.