Con el amplio uso del Internet de las Cosas y la inteligencia artificial, los sistemas de gestión energética juegan un papel cada vez más importante en el control y gestión del consumo de energía en edificios modernos. La predicción de carga para los sistemas de gestión energética de edificios es una de las tareas de predicción más desafiantes, ya que requiere alta precisión y condiciones de funcionamiento estables. En este estudio, proponemos un novedoso modelo multi-comportamiento con características de cuello de botella de memoria a largo plazo y corto plazo (LSTM) que combina el comportamiento predictivo de modelos de características a largo plazo, a corto plazo y semanales utilizando la técnica de características de cuello de botella para los sistemas de gestión energética de edificios. El modelo propuesto, junto con el esquema único, proporciona predicciones con la precisión de la memoria a largo plazo, se adapta a factores temporales intrínsecos inesperados e impredecibles a través de la memoria a corto plazo y permanece estable debido a las características semanales de los datos de entrada. Para verificar la precisión y estabilidad del modelo propuesto, presentamos y analizamos varios modelos de aprendizaje y métricas para evaluación. Se realizan experimentos correspondientes y se proporciona información detallada sobre la preparación de datos y el entrenamiento del modelo. En comparación con LSTM de un solo modelo, el modelo propuesto logra un rendimiento mejorado y muestra una excelente capacidad para responder a situaciones inesperadas en los sistemas de gestión energética de edificios.