Los sistemas de calefacción, ventilación y aire acondicionado (HVAC) representan el 60% del consumo de energía en edificios comerciales. Cada año, los operadores de edificios comerciales gastan millones de dólares en facturas de electricidad. Para abordar este desafío de consumo de energía, se introduce en esta investigación un modelo predictivo llamado Optimización Bayesiana de Redes Neuronales Convolucionales Multivariantes de Memoria a Largo Corto Plazo (BO CNN-M-LSTM). El modelo propuesto está diseñado para realizar pronósticos de carga, optimizando el uso de energía en edificios comerciales. El bloque CNN extrae características locales, mientras que el M-LSTM captura dependencias temporales. El marco de ajuste fino de hiperparámetros aplicó optimización bayesiana para mejorar la predicción de resultados modificando las propiedades del modelo con las características de los datos. Además, para mejorar el bienestar de los ocupantes en edificios comerciales, se aplicó el modelo adaptativo de confort térmico desarrollado por de Dear y Brager a la temperatura ambiente en la etapa de preprocesamiento. Como resultado, en los cuatro conjuntos de datos, el BO CNN-M-LSTM superó consistentemente a otros modelos, logrando una mejora del 8% en el error absoluto porcentual medio (MAPE), 2% en el error cuadrático medio normalizado (NRMSE) y 2% en la puntuación R. Esto indica el rendimiento constante del BO CNN-M-LSTM bajo diferentes factores ambientales, destacando la robustez y adaptabilidad del modelo. Por lo tanto, el modelo BO CNN-M-LSTM es una herramienta de pronóstico de carga predictiva altamente efectiva para los sistemas HVAC de edificios comerciales.