Es desafiante obtener predicciones precisas y eficientes en sistemas de pronóstico de carga a corto plazo (STLF) debido a la complejidad y no linealidad de las señales de carga eléctrica. Para abordar estos problemas, proponemos un modelo predictivo híbrido que incluye un algoritmo de ventana deslizante, una red neuronal de conjunto de apilamiento y un método predictivo de días similares. Primero, aprovechamos un algoritmo de ventana deslizante para procesar los datos de carga eléctrica de series temporales con alta no linealidad y no estacionariedad. En segundo lugar, proponemos un esquema de aprendizaje de conjunto de redes neuronales de apilamiento para mejorar el rendimiento del pronóstico. Específicamente, las redes neuronales de apilamiento contienen dos tipos de redes: las redes de capa base y las redes de capa meta. Durante el proceso de preentrenamiento, la red de capa base integra una función de base radial (RBF), un enlace funcional de vector aleatorio (RVFL) y una red neuronal de retropropagación (BPNN) para proporcionar un modelo predictivo robusto. La red de capa meta utiliza una red de creencias profundas (DBN) y el sistema de aprendizaje amplio mejorado (BLS) para mejorar la precisión predictiva. Finalmente, se desarrolla el método de predicción de días similares para extraer la relación de los datos de carga eléctrica en diferentes dimensiones de tiempo, mejorando aún más la robustez y precisión del modelo. Para demostrar la efectividad de nuestro modelo, se evalúa utilizando datos reales de cinco regiones de los Estados Unidos en tres años consecutivos. Comparamos nuestro método con varios modelos basados en redes neuronales convencionales y de última generación. Nuestro algoritmo propuesto mejora la precisión de la predicción en un 16,08%, 16,83% y 22,64% en comparación con DWT-EMD-RVFL, SWT-LSTM y EMD-BLS, respectivamente. Los resultados empíricos demuestran que nuestro modelo logra una mejor precisión y robustez en comparación con los baselines.