Un importante desafío de la sociedad actual es hacer que los grandes centros urbanos sean más sostenibles. Mejorar la eficiencia energética de las diversas infraestructuras que componen las ciudades es un aspecto que se considera al mejorar su sostenibilidad, siendo las Plantas de Tratamiento de Aguas Residuales (PTAR) una de ellas. Por consiguiente, este estudio tiene como objetivo concebir, ajustar y evaluar un conjunto de modelos candidatos de aprendizaje profundo con el objetivo de predecir el consumo de energía de una PTAR, siguiendo un enfoque recursivo de múltiples pasos. Tres tipos distintos de modelos fueron experimentados, en particular, redes de Memoria a Corto y Largo Plazo (LSTM), Unidades Recurrentes con Compuertas (GRU) y Redes Neuronales Convolucionales unidimensionales (CNN). Se evaluaron configuraciones univariadas y multivariadas, así como diferentes métodos para manejar valores atípicos. Se obtuvieron resultados prometedores en las predicciones de consumo de energía por parte de los modelos basados en CNN, siendo esta diferencia estadísticamente significativa en comparación con LSTMs y GRUs, con el mejor modelo presentando un error general aproximado de 630 kWh en una configuración multivariada. Finalmente, para superar el problema de escasez de datos en las PTAR, se implementaron procesos de transferencia de aprendizaje, logrando resultados prometedores al utilizar un modelo CNN univariado pre-entrenado, con el error general reduciéndose a 325 kWh.