Predecir la brecha de precios entre el Mercado de Día Anterior (DAM) y el Mercado en Tiempo Real (RTM) juega un papel vital en el mecanismo de licitación de convergencia de los Operadores del Sistema Independiente (ISOs) en los mercados mayoristas de electricidad. Este documento presenta un modelo para predecir los valores de la brecha de precios entre el DAM y RTM utilizando algoritmos estadísticos de aprendizaje automático y redes neuronales profundas. En este documento, buscamos responder a estas preguntas: ¿Cuál será el impacto de predecir directamente la brecha de precios entre DAM y RTM en el rendimiento de predicción de los métodos de aprendizaje? ¿Cómo pueden afectar los datos meteorológicos exógenos a la predicción de la brecha de precios? En este documento, se recopilan varias características exógenas y se examinan los impactos de estas características para capturar las mejores relaciones entre las características y la variable objetivo. Se utiliza un algoritmo de aprendizaje de conjunto, específicamente el Bosque Aleatorio (RF), para seleccionar las características más importantes. Se utiliza una red de Memoria a Corto y Largo Plazo (LSTM) para capturar dependencias a largo plazo en la predicción de los valores directos de la brecha entre los mercados mencionados. Además, se muestran las ventajas de predecir directamente el precio de la brecha en lugar de restar las predicciones de precios de DAM y RTM. Los resultados presentados se basan en los datos del mercado eléctrico del Operador del Sistema Independiente de California (CAISO) durante dos años. Los resultados muestran que la predicción directa de la brecha utilizando características meteorológicas exógenas disminuye el error de los métodos de aprendizaje en . Por lo tanto, el método presentado mitiga el error de predicción de la brecha de precios entre DAM y RTM. Así, los licitadores de convergencia pueden aumentar sus ganancias y los ISOs pueden ajustar su mecanismo en consecuencia.