Актуальность обусловлена необходимостью повышения точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Результаты данного прогноза используются системным оператором при формировании диспетчерского графика выработки и потребления электроэнергии. Ошибки прогнозирования, как правило, приводят к увеличению расхода первичных энергоресурсов на выработку электроэнергии за счет необоснованных пусков и остановов генерирующего оборудования, а также к увеличению потерь при передаче электроэнергии, вследствие выбора неоптимальной схемы электрических сетей. Так как потребление электроэнергии зависит от множества факторов, задача краткосрочного прогнозирования данного временного ряда является слабоформализуемой. В данных условиях традиционные средства математической статистики и имитационного моделирования не позволяют строить адекватные прогнозные модели. До недавнего времени единственным адекватным методом прогнозирования потребления электроэнергии был метод экспертных оценок. В настоящее время для краткосрочного прогнозирования электропотребления энергосистемы региона страны или группы точек поставки электроэнергии гарантирующего поставщика первого уровня все большее применение находят инструменты нейронных сетей. Однако разработанные модели мало пригодны для прогнозирования почасового потребления электрической энергии групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Краткосрочное прогнозирование потребления электроэнергии данных объектов осложнено тем, что, помимо стандартных временных и метеорологических факторов, необходимо учитывать надежность электросетевого оборудования 6–110 кВ, режим работы потребителей электрической энергии с мощностью 670–10000 кВт, а также наличие центрального отопления и горячего (холодного) водоснабжения в населенном пункте, питающемся от группы точек поставки электроэнергии. Для них остается открытым вопрос выбора оптимальной архитектуры и конфигурации нейросетевой модели, а также алгоритма ее обучения, при использовании которых достигается требуемая точность прогнозирования. Цель: повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с помощью инструментов нейронных сетей и глубокого машинного обучения. Методы: методы корреляционного и факторного анализа, теории искусственных нейронных сетей и машинного обучения. Программная реализация теоретических выкладок выполнена с помощью библиотеки глубокого машинного обучения Tensor flow Keras на языке программирования Python 3.6. Результаты. Разработан нейросетевой алгоритм краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с адаптивными в процессе обучения параметрами скорости обучения и момента инерции. Выполнена программная реализация данного алгоритма в библиотеке глубокого машинного обучения Tensor flow Keras. Использование данной искусственной нейронной сети позволило снизить среднемесячную относительную ошибку прогнозирования на 5,14 %.