El crecimiento de las áreas urbanas y la gestión de los recursos energéticos destacan la necesidad de una previsión de carga a corto plazo (STLF) precisa en los sistemas de gestión de energía para mejorar las ganancias económicas y reducir el uso máximo de energía. Los modelos tradicionales de aprendizaje profundo para STLF presentan desafíos para abordar estas demandas de manera eficiente debido a sus limitaciones en la modelización de dependencias temporales complejas y en el procesamiento de grandes cantidades de datos. Este estudio presenta un modelo híbrido de aprendizaje profundo innovador, BiGTA-net, que integra una unidad recurrente de compuerta bidireccional (Bi-GRU), una red convolucional temporal (TCN) y un mecanismo de atención. Diseñado explícitamente para la previsión del consumo eléctrico de edificios a 24 horas vista y a múltiples pasos, BiGTA-net se somete a pruebas rigurosas frente a diversas redes neuronales y funciones de activación. Su rendimiento se caracteriza por el menor error porcentual absoluto medio (MAPE) de 5.37 y un error cuadrático medio (RMSE) de 171.3 en un conjunto de datos de edificios educativos. Además, exhibe flexibilidad y precisión competitiva en el conjunto de datos de Predicción de Energía de Aparatos (AEP). En comparación con los modelos tradicionales de aprendizaje profundo, BiGTA-net reporta una notable mejora promedio de aproximadamente 36.9% en MAPE. Este avance enfatiza la contribución significativa del modelo a la gestión de energía y la previsión de carga, acentuando la eficacia del enfoque híbrido propuesto en las optimizaciones de sistemas de energía y las mejoras energéticas en ciudades inteligentes.