La predicción de la demanda de energía eléctrica constituye un componente estratégico en la planificación y operación de los sistemas energéticos modernos, dado que permite optimizar la asignación de recursos, garantizar la estabilidad del sistema y reducir costos operativos. Este problema presenta una elevada complejidad intrínseca debido a la interacción simultánea de múltiples factores (meteorológicos, temporales y socioeconómicos) que introducen dinámicas no lineales y patrones de variabilidad multiescala en el consumo eléctrico. Los enfoques estadísticos clásicos, como los modelos ARIMA y sus extensiones, han demostrado limitaciones estructurales para capturar relaciones no lineales y dependencias temporales de largo alcance. En respuesta a estas restricciones, los modelos de aprendizaje profundo (en particular las redes neuronales recurrentes con arquitectura LSTM, Long Short-TermMemory) han evidenciado mejoras significativas en la capacidad predictiva, aunque persisten dificultades para modelar de manera explícita la contribución diferencial de variables exógenas. En esta tesis se aborda la predicción de la demanda eléctrica diaria en la provincia de Entre Ríos (Argentina) mediante un enfoque multivariado que integra registros históricos de consumo, variables meteorológicas provenientes de la reanálisis ERA5-ECMWF y componentes temporales derivados del calendario. Se consideran horizontes de predicción de 1, 7 y 14 días, permitiendo evaluar el comportamiento de los modelos ante distintos niveles de complejidad e incertidumbre temporal. Como primera contribución, se desarrolla y evalúa sistemáticamente un conjunto de arquitecturas LSTM para la predicción de demanda eléctrica regional. Para ello, se diseñó un esquema experimental basado en múltiples configuraciones y una búsqueda exhaustiva en grilla de hiperparámetros, evaluada mediante validación cruzada. Este proceso permitió identificar modelos LSTM robustos, capaces de superar consistentemente a SARIMAX y DA-SKIP (Dual Attention Skip) en distintos horizontes de predicción, incluso con arquitecturas más parsimoniosas y computacionalmente eficientes. A partir de estos resultados, la tesis profundiza el estudio de mecanismos de atención aplicados a series temporales multivariadas. En primer lugar, se implementa y evalúa la arquitectura DA-SKIP, modelo basado en atención dual para la predicción de series temporales multivariadas. Sobre esta base, se propone la arquitectura DA-LSTM (Dual Attention Long Short-Term Memory), que conserva el esquema encoder–decoder con atención dual e incorpora un componente recurrente LSTM. Luego, se propone AMBER (Attention-based Meteorological Bi-Attention Energy Regressor), que incorpora atención específica sobre variables meteorológicas para modelar su relevancia tanto en el contexto histórico como en el horizonte de predicción. Los resultados experimentales muestran que el modelo LSTM multivariado optimizado alcanza mejoras sustanciales respecto a los métodos de referencia. Para el horizonte de 1 día obtiene un coeficiente de determinación R2 = 0,94 y un RMSE de 727,2 MWh, además de una mayor estabilidad en escenarios de alta demanda. Por su parte, DA-LSTM evidencia que la incorporación de mecanismos de atención permite alcanzar un desempeño competitivo respecto de modelos estadísticos clásicos, obteniendo para el mismo horizonte un R2 = 0,87 y un RMSE de 892,4 MWh. En conjunto, estos resultados evidencian que arquitecturas recurrentes correctamente optimizadas e integrando variables meteorológicas pueden ofrecer una elevada capacidad predictiva en problemas complejos de demanda eléctrica. Sobre esta base, AMBER mejora adicionalmente la precisión y robustez predictiva mediante mecanismos de atención meteorológica. Para el horizonte de 1 día alcanza R2 = 0,94 y un RMSE de 608,86 MWh, reduciendo el error del modelo LSTM base en un 16, 3 % y registrando el menor sesgo sistemático ( %Bias = −0,70). En el horizonte de 14 días mantiene un desempeño robusto, alcanzando R2 = 0,69. Además, el análisis de los pesos de atención identifica las variables térmicas y de radiación como las de mayor relevancia predictiva, aportando interpretabilidad al modelo. En conjunto, esta investigación demuestra que la combinación de arquitecturas recurrentes multivariadas, optimización sistemática y atención meteorológica constituye una estrategia efectiva para mejorar la precisión, la robustez y la interpretabilidad en escenarios complejos de predicción de demanda eléctrica, con aplicabilidad directa en sistemas regionales de distribución.