Wenn die Kohlendioxidkonzentration in der Atmosphäre gesenkt werden soll, muss die Eisen- und Stahlindustrie berücksichtigt werden, da diesbezüglich insbesondere der Hochofenprozess mit seinem hohen Kohleverbrauch ein bedeutender Emittent ist. Elektrolichtbogenöfen hingegen verwenden Strom und Erdgas um Metallschrott zu Stahl zu schmelzen. Dabei kann Demand Side Management helfen, erneuerbare Energiequellen zu integrieren und die Energieeffizienz zu erhöhen. In diesem Zusammenhang ist die Lastprognose ein wichtiges Instrument zur Ermittlung des künftigen Energiebedarfs. Ziel dieser Arbeit ist es, ein Machine-Learning-Modell zu entwickeln, das den Leistungsbedarf der Primäraggregate eines Elektrostahlwerks so genau wie möglich prognostizieren kann. Aufgrund des hohen Leistungsbedarfs des Elektrolichtbogenofens wird ein Schwerpunkt auf dieses Aggregat gelegt. Im Rahmen dieser Arbeit wurde eine Literaturrecherche über Algorithmen des maschinellen Lernens, deren Vor- und Nachteile und deren Einsatz durchgeführt. Insbesondere wurden Machine-Learning Verfahren recherchiert, die in der Energiesystemmodellierung eingesetzt werden. Ein geeignetes Verfahren wurde ausgewählt, mit dem mehrere Modelle zur zeitaufgelösten Vorhersage des Leistungsbedarfs der Aggregate erstellt wurden. Als Prognosemethode wurde ein neuronales Netz ausgewählt. Es wurden dabei zwei Arten von neuronalen Netzen verglichen: Long Short-Term Memory Netze und Feedforward-Netze. Die Ergebnisse zeigen, dass Long Short-Term Memory Netze zur Vorhersage des Leistungsbedarfs eines Lichtbogenofens verwendet werden können. Durch die stochastische Generierung von Inputparametern und die zeitliche Synchronisation der vorhergesagten und tatsächlichen Chargen des Lichtbogenofens kann das Modell als Basis für eine Optimierung in Demand Side Management Anwendungen eingesetzt werden.