La previsión de series temporales de alta precisión permite a las empresas asignar mejor los recursos, mejorar su competitividad y aumentar los ingresos. Sin embargo, en la mayoría de los casos del mundo real, las series temporales son altamente volátiles y no se pueden utilizar para la previsión junto con métodos estadísticos clásicos, que generalmente producen errores de alrededor del 30% o incluso más. Así, el objetivo de este trabajo es presentar un enfoque para obtener previsiones de consumo de electricidad para el día siguiente, basado en series temporales tan volátiles, junto con un preprocesamiento de datos para la atenuación de la volatilidad. Para una comprensión exhaustiva, se calcularon las predicciones utilizando varios métodos basados en Inteligencia Artificial o algoritmos puramente estadísticos. Las arquitecturas basadas en el Transformer se optimizaron mediante Fuerza Bruta, mientras que la arquitectura N-BEATS se optimizó con Fuerza Bruta y OPTUNA debido a la naturaleza altamente estocástica de las series temporales. El mejor método se basó en un Transformer solo de codificador, que resultó en un error de predicción aproximado del 11.63%, muy por debajo del error de alrededor del 30% que se acepta generalmente en la práctica actual. Además, se desarrolló un procedimiento para determinar el coeficiente de correlación de Pearson teórico máximo entre la previsión y la demanda real de energía.