Predecir la demanda de electricidad de los edificios es un paso clave para prevenir una alta concentración de demanda de electricidad y optimizar la operación de los sistemas eléctricos nacionales. Recientemente, el rendimiento general de la predicción de la demanda de electricidad ha mejorado mediante la aplicación de redes de memoria a corto y largo plazo (LSTM), que son adecuadas para procesar datos de series temporales. Sin embargo, estudios anteriores se han centrado en mejorar la precisión en la predicción solo de la demanda total de electricidad, pero no de la demanda máxima. Por lo tanto, este estudio propone agregar aprendizaje residual al enfoque LSTM para mejorar la precisión de pronóstico tanto de la demanda máxima como total de electricidad. Usando un bloque residual, el LSTM residual propuesto en este estudio puede mapear la función residual, que es la diferencia entre la hipótesis y el valor observado, y posteriormente aprender un patrón para la carga residual. El modelo propuesto entregó errores cuadráticos medios de raíz (RMSE) de 10.5 y 6.91 para los pronósticos de demanda máxima y de electricidad del día siguiente, respectivamente, superando a los modelos de referencia evaluados. En conclusión, el modelo propuesto proporciona información de pronóstico altamente precisa, lo que puede ayudar a los consumidores a lograr una distribución aún de la concentración de carga y a los países a lograr la operación estable del sistema eléctrico nacional.