В статье рассматриваются модели прогнозирования энергопотребления электродуговых печей с использованием методов машинного обучения. Изучены классические подходы, такие как анализ временных рядов, регрессионные модели и методы экспоненциального сглаживания, а также современные технологии, включая градиентный бустинг (XGBoost, LightGBM) и нейронные сети (LSTM, CNN). Особое внимание уделено методам оптимизации параметров, таким как перебор по сетке (Grid Search), генетические алгоритмы и байесовская оптимизация, которые повышают точность и адаптивность моделей. Рассматриваются преимущества гибридных моделей, объединяющих классические и машинные методы для учета как линейных, так и нелинейных зависимостей. Обсуждаются практические аспекты внедрения предложенных подходов в управление энергопотреблением, направленные на снижение затрат, повышение устойчивости и оптимизацию производственных процессов.