La predicción de la carga eléctrica es una tarea esencial para los Operadores del Sistema de Distribución con el fin de lograr una planificación adecuada, una alta integración de la producción a pequeña escala de fuentes de energía renovable y definir estrategias de marketing efectivas. En este marco, las técnicas de reducción de dimensionalidad de datos y aprendizaje automático pueden ser útiles para construir herramientas más eficientes para la predicción de carga de energía eléctrica. En este documento, se utiliza un modelo de aprendizaje automático basado en una combinación de una red neuronal de función de base radial y un autoencoder para predecir la carga eléctrica en una subestación de 33/11 kV ubicada en Godishala, Warangal, India. Se considera un año de datos históricos sobre una subestación eléctrica y el clima para evaluar la efectividad del modelo propuesto. También se considera el impacto del clima, el día y el estado de la temporada en la predicción de carga. La dimensionalidad del conjunto de datos de entrada se reduce utilizando un autoencoder para construir un modelo de aprendizaje automático ligero que se puede implementar en dispositivos periféricos. La metodología propuesta está respaldada por una comparación con el estado del arte basada en extensas simulaciones numéricas.