Desde la perspectiva de los proveedores de energía, la previsión precisa de la carga a corto plazo desempeña un papel significativo en el plan de generación de energía, el proceso de distribución eficiente de energía y la optimización de la estrategia de precios de electricidad. Sin embargo, es difícil lograr un resultado satisfactorio porque los datos históricos son irregulares, no suaves, no lineales y ruidosos. Para abordar estos desafíos, en este trabajo, introducimos un modelo novedoso basado en la red Transformer para proporcionar un servicio de previsión de carga precisa para el día siguiente. Nuestro modelo contiene un enfoque de selección de días similares que involucra los algoritmos LightGBM y k-means. En comparación con el modelo tradicional basado en RNN, nuestro modelo propuesto puede evitar caer en el mínimo local y superar la búsqueda global. Para evaluar el rendimiento de nuestro modelo propuesto, configuramos una serie de experimentos de simulación basados en los datos de consumo de energía en Australia. El rendimiento de nuestro modelo tiene un MAPE (error porcentual absoluto medio) promedio de 1.13, donde RNN es 4.18 y LSTM es 1.93.