La predicción precisa de la carga de energía puede facilitar la distribución efectiva de energía y evitar el desperdicio de energía para reducir costos. La carga de energía se ve afectada por muchos factores, por lo que la predicción precisa es más difícil, y los métodos actuales se enfocan principalmente en problemas de predicción de carga de energía a corto plazo. No hay un buen método para problemas de predicción de carga de energía a largo plazo. Para abordar este problema, este documento propone un modelo LSTM-Informer basado en aprendizaje de conjunto para resolver el problema de predicción de carga a largo plazo. La capa inferior del modelo utiliza la red de memoria a corto y largo plazo (LSTM) como un aprendiz para capturar la correlación temporal a corto plazo de la carga de energía, y la capa superior utiliza el modelo Informer para resolver el problema de dependencia a largo plazo de la predicción de carga de energía. De esta manera, el modelo LSTM-Informer no solo puede capturar la correlación temporal a corto plazo, sino que también puede predecir con precisión la carga de energía a largo plazo. En este documento, se utilizó un conjunto de datos de un año de la red de distribución en la ciudad de Tetuán, en el norte de Marruecos, para experimentos, y el error cuadrático medio (MSE) y el error absoluto medio (MAE) se utilizaron como criterios de evaluación. La predicción a largo plazo de este modelo es 0.58 y 0.38 superior a la del modelo lstm basado en MSE y MAE. Los resultados experimentales muestran que el modelo LSTM-Informer basado en aprendizaje de conjunto tiene más ventajas en la predicción de carga de energía a largo plazo que el método de referencia avanzado.