La predicción del consumo de energía en edificios (BECP) es la base esencial para alcanzar la eficiencia energética en los edificios, contribuyendo significativamente a abordar los desafíos energéticos globales y facilitando la sostenibilidad energética. Sin embargo, aunque los métodos basados en datos han surgido como un método crucial para resolver este problema complejo, la disponibilidad limitada de datos presenta un desafío significativo para el entrenamiento de modelos. Para abordar este desafío, este artículo presenta un método innovador, llamado Aprendizaje por Transferencia de Bajo Rango con Red de Convolución Temporal Mejorada por Atención (LRTL-AtTCN). LRTL-AtTCN integra el mecanismo de atención con la red de convolución temporal (TCN), mejorando la capacidad de extraer dependencias globales y locales. Además, LRTL-AtTCN combina la descomposición de bajo rango, reduciendo el número de parámetros durante el proceso de aprendizaje por transferencia con edificios similares, lo que puede lograr un mejor rendimiento de transferencia en el caso de datos limitados. Experimentalmente, realizamos una evaluación integral a través de tres horizontes de pronóstico: 1 semana, 2 semanas y 1 mes. En comparación con la línea base ajustada al horizonte, LRTL-AtTCN reduce el MAE en un 91.2%, 30.2% y 26.4%, respectivamente, y eleva el R2 de 1 mes de 0.8188 a 0.9286. En cada horizonte también supera a los métodos de aprendizaje por transferencia de última generación, confirmando su fuerte capacidad de generalización y transferencia en BECP.