Um aspecto importante da curva de carga horária disponibilizada pelo Operador Nacional do Sistema Elétrico (ONS) é a capacidade de analisar a variação no consumo de energia ao longo do tempo. A demanda horária, influenciada pela sazonalidade, serve como um indicador do consumo esperado de energia e do adequado funcionamento do Sistema Interligado Nacional (SIN). Embora seja possível identificar visualmente outliers na série temporal de carga horária, essa abordagem torna-se trabalhosa e imprecisa. Portanto, é preferível detectar automaticamente os outliers, levando em consideração os padrões sazonais. Neste trabalho, um modelo de Rede Neural Artificial (RNA) com células Long Short-Term Memory (LSTM) foi empregado para identificar outliers com base na sazonalidade. Foram utilizados dados históricos de consumo de energia coletados ao longo do tempo no subsistema Sudeste/Centro-Oeste (SECO). Para rotular os dados, utilizou-se a técnica Interquartile Range (IQR). O treinamento da RNA foi conduzido com base nos dados rotulados para os anos de 2020 e 2021. Posteriormente, o modelo foi testado com dados do ano de 2022. Os resultados foram positivos, alcançando métricas de precision e recall de 98% e 96%, respectivamente.