La predicción de la demanda Eléctrica es esencial para la correcta planeación de recursos, adquisición de energía Eléctrica a bajo costo, dimensionamiento de sistemas de transmisión, adquisición de equipos con consumo más eficiente, inversión en nuevas alternativas de generación con un mínimo impacto en el medio ambiente. El presente trabajo tiene como objetivo Desarrollar una herramienta de Visualización y de predicción de la demanda Eléctrica del campus Gustavo Galindo de la ESPOL usando técnicas de aprendizaje de máquina. Para la predicción de la demanda de Energía Eléctrica, se evaluó modelos de aprendizaje profundo con redes recurrentes en sus tres variantes principales es decir Red neuronal recurrente o RNN, red LSTM o Modelo de largo y corto plazo y GRU o modelo de unidad de compuertas recurrentes para determinar cuál de estas ofrece un mejor comportamiento a la hora de predecir una serie temporal multivariante. El prototipo de herramienta de visualización desarrollado cumple con los aspectos fundamentales de una herramienta de este tipo, es decir es interactivo y es fiel reflejo del comportamiento de los datos. Al unir ambos componentes se obtuvo un prototipo de herramienta tanto para predecir como para visualizar e interactuar con la información. Se concluye la factibilidad en el uso de modelos de aprendizaje de máquina profundo en sus variantes de redes recurrentes, el prototipo de herramienta de visualización propuesto es sencillo y cumple con dos preceptos principales los cueles son: fiel representación de los datos y permite la interacción con dichos datos.