La previsión precisa del consumo de energía es esencial para las empresas, principalmente para la planificación de la adquisición de energía. Un valor de previsión sobreestimado o subestimado puede llevar a un uso ineficiente de la energía. El uso ineficiente de la energía también podría tener consecuencias financieras para la empresa, ya que generará un alto costo de producción de energía. Por lo tanto, en este estudio, propusimos un modelo de previsión del uso de energía y un análisis de parámetros utilizando memoria a largo y corto plazo (LSTM) e inteligencia artificial explicable (XAI), respectivamente. Se utilizó un conjunto de datos público de uso de energía de una empresa siderúrgica en este estudio para evaluar nuestros modelos y compararlos con los resultados de estudios anteriores. Los resultados mostraron que nuestros modelos lograron los puntajes más bajos de error cuadrático medio (RMSE) de hasta 0.08, 0.07 y 0.07 para el LSTM de una sola capa, el LSTM de doble capa y el LSTM bidireccional, respectivamente. Además, el análisis de interpretabilidad utilizando XAI reveló que dos parámetros, a saber, la potencia reactiva actual líder y el número de segundos desde la medianoche, tenían una fuerte influencia en la salida del modelo. Finalmente, se espera que nuestro estudio pueda ser útil para los profesionales de la industria, proporcionando modelos LSTM para una previsión precisa de energía y ofreciendo información a los responsables de políticas y líderes de la industria para que puedan tomar decisiones más informadas sobre la asignación de recursos e inversión, desarrollar estrategias más efectivas para reducir el consumo de energía y apoyar la transición hacia un desarrollo sostenible.