Gestionar la energía producida para apoyar a las industrias y diversas actividades humanas es muy relevante hoy en día. Las empresas en los mercados de electricidad de cada país analizan la generación, transmisión y distribución de energía para satisfacer las necesidades energéticas de varios sectores e industrias. Los mercados eléctricos surgen para analizar económicamente todo lo relacionado con la generación, transmisión y distribución de energía. La demanda de energía eléctrica es crucial para determinar la cantidad de energía necesaria para satisfacer los requisitos de un individuo o un grupo de consumidores. Sin embargo, el consumo de energía a menudo exhibe un comportamiento aleatorio, lo que dificulta el desarrollo de modelos de predicción precisos. El análisis y la comprensión del consumo de energía son esenciales para la generación de energía. Desarrollar modelos para pronosticar la demanda de energía es necesario para mejorar la gestión de la generación y el consumo. Dada la naturaleza estocástica de la variable energética, el objetivo principal de este trabajo es explorar diferentes configuraciones y parámetros utilizando bibliotecas especializadas en Python y Google Collaboratory. El objetivo es desarrollar un modelo para pronosticar la demanda de energía eléctrica utilizando lógica difusa. Este estudio compara la solución propuesta con sistemas de aprendizaje automático desarrollados previamente para crear un modelo de pronóstico altamente preciso para los valores de demanda. Los datos utilizados en este trabajo fueron recopilados por la Red Europea de Operadores de Sistemas de Transmisión de Electricidad (ENTSO-E) de 2015 a 2019. Como resultado significativo, esta investigación presenta un modelo que supera el rendimiento predictivo de soluciones anteriores. Utilizando el Error Porcentual Absoluto Medio (MAPE), los resultados demuestran la importancia del ajuste de conjuntos para lograr un excelente rendimiento en modelos difusos. Esto se debe a que tener conjuntos difusos más relevantes permite reglas de inferencia y, posteriormente, pronósticos de demanda más precisos. Los resultados también permiten aplicar el modelo de solución a otros escenarios de pronóstico con contextos similares.