Una previsión precisa de carga a corto plazo (STLF) es uno de los insumos más críticos para la planificación del compromiso de las unidades de las plantas de energía. El STLF reduce la incertidumbre general de planificación añadida por la producción intermitente de fuentes renovables; por lo tanto, ayuda a minimizar los costos de producción de electricidad hidrotermal en una red eléctrica. Aunque hay algunas investigaciones en el campo e incluso varias aplicaciones de investigación, existe una necesidad continua de mejorar las previsiones. Esta investigación propone un conjunto de modelos de aprendizaje automático (ML) para mejorar la precisión de las previsiones a 168 horas. Los modelos desarrollados emplean características de múltiples fuentes, como carga histórica, clima y días festivos. De los cinco modelos de ML desarrollados y probados en varios contextos de perfil de carga, el algoritmo Extreme Gradient Boosting Regressor (XGBoost) mostró los mejores resultados, superando las predicciones semanales históricas anteriores basadas en redes neuronales. Además, dado que los modelos XGBoost se basan en un conjunto de árboles de decisión, facilitó la interpretación del modelo, lo que proporcionó un resultado adicional relevante, la importancia de las características en la previsión.