Con un énfasis creciente en la conservación de energía, la reducción de emisiones y la gestión del consumo de energía, las empresas portuarias se están enfocando en mejorar sus capacidades de pronóstico de carga eléctrica. Un pronóstico preciso de la carga eléctrica es crucial para entender el uso de energía y optimizar la asignación de recursos energéticos. Este estudio presenta un enfoque novedoso que trasciende las limitaciones de los modelos de predicción individuales al emplear un Método de Determinación de Peso de Fusión Binaria (BFWDM) para optimizar e integrar tres modelos de predicción distintos: Memoria a Largo Plazo con Atención a Patrones Temporales (TPA-LSTM), Red Neuronal Recurrente Multi-Cuantil (MQ-RNN) y Factores Profundos. Proponemos un proceso en dos fases para construir un modelo de pronóstico combinado óptimo para la predicción de carga eléctrica portuaria. En la fase inicial, los modelos de predicción individuales generan resultados preliminares. En la fase subsiguiente, estas predicciones preliminares se utilizan para construir un modelo de pronóstico combinado basado en el BFWDM. La eficacia del modelo propuesto se valida utilizando dos datos reales de puertos, demostrando una alta precisión de predicción con un Error Porcentual Absoluto Medio (MAPE) de solo 6.23% y 7.94%. Este enfoque no solo mejora la precisión de la predicción, sino que también mejora la adaptabilidad y estabilidad del modelo en comparación con otros modelos existentes.