La predicción precisa del consumo de electricidad es crucial para la gestión y asignación de energía. Este estudio presenta un enfoque novedoso, denominado Red Convolutiva Temporal Multivariante Basada en Atención (AMTCN), para la predicción del consumo de electricidad mediante la integración de mecanismos de atención con redes convolutivas temporales multivariantes. El método implica la extracción de características de diversas series temporales de diferentes variables de características utilizando redes convolutivas dilatadas. Posteriormente, se emplean mecanismos de atención para capturar la correlación e información contextualmente importante entre diversas características, mejorando así la precisión predictiva del modelo. El método AMTCN exhibe universalidad, lo que lo hace aplicable a diversas tareas de predicción en diferentes escenarios. Las evaluaciones experimentales se realizan en cuatro conjuntos de datos distintos, que abarcan aspectos de consumo de electricidad y temperatura del clima. Experimentos comparativos con LSTM, ConvLSTM, GRU y TCN-métodos de aprendizaje profundo ampliamente utilizados-demuestran que nuestro modelo AMTCN logra mejoras significativas del 57% en MSE, 37% en MAE, 35% en RRSE y 12% en métricas de CORR, respectivamente. Esta investigación aporta un enfoque prometedor para la predicción precisa del consumo de electricidad, aprovechando la sinergia de los mecanismos de atención y las redes convolutivas temporales multivariantes, con amplia aplicabilidad en diversos escenarios de pronóstico.