Актуальность исследования заключается в необходимости развития энергосберегающих подходов за счет применения средств интеллектуального анализа данных для повышения эффективности процесса принятия управленческих решений и, как следствие, более оптимального использования энергетических ресурсов. В частности, прогнозирование потребления электрической энергии промышленного объекта упростит процесс принятия управленческих решений и будет способствовать минимизации затрат электроэнергии на производство единицы продукции. Наличие точного прогноза позволит задействовать резервные мощности в часы пиковой нагрузки на электроэнергетический комплекс. На практике для реализации прогнозирования не всегда подходят существующие методы расчета нагрузки на электросеть, поэтому исследование носит междисциплинарный характер, сочетая в себе важную практическую значимость и выработку новых рекомендаций в части применения алгоритмов машинного обучения. Целью исследования является анализ научных работ, содержащих предложения по повышению точности определения энергетических нагрузок с помощью интеллектуального анализа данных, а также разработка модели машинного обучения, позволяющей создавать достоверный прогноз потребления электроэнергии для промышленного предприятия. Объекты: промышленное предприятие, которое характеризуется сложностью определения энергетических характеристик технологического оборудования. Методы: аналитический метод, методы математической статистики, методы машинного обучения, комплексного обобщения научных достижений и практического опыта применения средств обработки данных в задачах прогнозирования нагрузки на электросеть. Результаты. Проведен обзор литературных источников, освещающих вопросы применения интеллектуального анализа данных в управлении энергопотреблением, и представлены основные результаты прогнозирования суммарных объемов потребления электроэнергии по данным промышленного объекта. Рассмотрены методы интеллектуального анализа данных, применяемые для решения задач энергосбережения для различных объектов. Построена модель машинного обучения на основе алгоритма градиентного бустинга библиотеки CatBoost, позволяющая получить прогноз потребления электроэнергии по месяцам с уровнем надежности 92 %. Результаты проведенного исследования актуальны для принятия решений на тактическом и стратегическом уровнях управления предприятием для среднесрочного (помесячного) и долгосрочного (от года до нескольких лет) прогнозирования электрических нагрузок соответственно.