El suministro de energía es crucial en la actualidad debido a los impactos negativos de la mala calidad de energía en la red eléctrica. En esta investigación, empleamos métodos de aprendizaje profundo para investigar el factor de potencia, que es un indicador significativo de la calidad de energía. Se desarrolló un pronóstico de múltiples pasos para el factor de potencia en la instalación de suministro de energía de un laminador en caliente, extendiéndose más allá de la línea horizontal. Esto se llevó a cabo utilizando datos obtenidos del respectivo sistema de suministro eléctrico. El pronóstico se desarrolló a través de una RNN híbrida (redes neuronales recurrentes) que incorpora capas LSTM (memoria a corto plazo de largo plazo) y GRU (unidad recurrente con compuertas). Esta investigación utilizó diseños de redes neuronales recurrentes híbridas con métodos de aprendizaje profundo para construir varios modelos de factor de potencia. Estas capas tienen ventajas para la predicción de series temporales. Después de realizar la predicción de series temporales, se identificaron indicadores cualitativos de la predicción, incluido el sMAPE (Error porcentual absoluto medio simétrico) y el coeficiente de regresión. En este documento, los autores examinaron la calidad de los modelos aplicados y los pronósticos utilizando estos indicadores, tanto a corto como a largo plazo.