Debido al grave impacto del cambio climático en el consumo de electricidad, así como a las nuevas tendencias en redes inteligentes (como el uso de recursos renovables y la aparición de prosumidores y comunidades energéticas), la previsión de carga eléctrica a medio y largo plazo se ha convertido en una necesidad crucial. Tales pronósticos son necesarios para apoyar los planes y decisiones relacionados con la evaluación de la capacidad de los sistemas de generación de energía centralizados y descentralizados, las estrategias de respuesta a la demanda y el control de la operación. Para abordar este problema, el objetivo principal de este estudio es desarrollar y comparar modelos precisos a nivel de distrito para predecir la demanda de carga eléctrica basados en técnicas de aprendizaje automático, incluyendo máquinas de soporte vectorial (SVM) y Random Forest (RF), así como métodos de aprendizaje profundo como redes neuronales auto-regresivas no lineales exógenas (NARX) y redes neuronales recurrentes (Long Short-Term Memory-LSTM). Se utiliza un conjunto de datos que incluye nueve años de demanda de carga histórica para el Condado de Bruce, Ontario, Canadá, fusionado con la información climática (temperatura y velocidad del viento) para entrenar los modelos después de completar las etapas de preprocesamiento y limpieza. Los resultados muestran que al emplear aprendizaje profundo, el modelo podría predecir la demanda de carga con mayor precisión que SVM y RF, con un R-Cuadrado de aproximadamente 0.93-0.96 y un Error Porcentual Absoluto Medio (MAPE) de aproximadamente 4-10%. El modelo puede ser utilizado no solo por los municipios, así como por las empresas de servicios públicos y distribuidores de energía en la gestión y expansión de las redes eléctricas; sino también por los hogares para tomar decisiones sobre la adopción de tecnologías de energía renovable a escala doméstica y de distrito.