La predicción de carga es una de las principales preocupaciones para las empresas de servicios públicos de energía. Juega un papel significativo en las decisiones de planificación, programación, operaciones, precios, satisfacción del cliente y seguridad del sistema. Esto ayuda a las empresas de servicios públicos inteligentes a ofrecer servicios de manera más eficiente y analizar sus operaciones de una manera que pueda ayudar a optimizar el rendimiento. En este documento, proponemos un estudio de diferentes técnicas: regresión lineal múltiple (MLR), bosques aleatorios (RF), redes neuronales artificiales (ANNs) y media móvil integrada de regresión automática (ARIMA). Este estudio utilizó datos de consumo de electricidad de Dubai. El objetivo principal era determinar la demanda de carga para el próximo mes en todo el país y en diferentes áreas municipales en Dubai, así como ayudar a una empresa de servicios públicos en la futura ampliación del sistema mediante la adición de nuevas estaciones de energía para regiones de alta demanda. Los resultados mostraron que la precisión al utilizar ARIMA fue de aproximadamente el 93% al trabajar solo con un distrito, pero tanto ANN como RF lograron una excelente precisión de alrededor del 97% en todos los casos. Además, los errores porcentuales absolutos medios mejoraron de 2,77 y 2,17 a 0,31 y 0,157 para ANN y RF, respectivamente, después de la eliminación de anomalías y el uso de nuestra propuesta. Por lo tanto, se recomienda el uso de una ANN para este tipo de datos en la mayoría de los casos, especialmente al trabajar con un conjunto de datos completo. Además, tanto los modelos ANN como RF son buenas opciones al trabajar en una región de una sola categoría porque ambos lograron la misma precisión de casi el 91,02 por ciento.