Точность краткосрочного прогнозирования потребления электроэнергии критически влияет на операционную надежность и экономическую эффективность функционирования современных энергосистем. Традиционные детерминированные подходы демонстрируют существенное снижение качества прогноза при возникновении структурных сдвигов, вызванных аномальными метеорологическими условиями, технологическими авариями или календарными факторами. В работе предложен режимно-зависимый вероятностный механизм прогнозирования, который интегрирует скрытые марковские модели (HMM) с гибридной архитектурой авторегрессионного интегрированного скользящего среднего (ARIMA) и рекуррентных нейронных сетей с долговременной памятью (LSTM). В отличие от существующих решений, скрытое состояние системы оценивается исключительно по фильтрованным апостериорным вероятностям, доступным на момент формирования прогноза. Такой подход исключает использование будущих наблюдений при формировании прогноза и сохраняет временную последовательность обработки данных. Экспериментальная проверка на почасовых данных четырех географически разнородных зон ENTSO-E за трехлетний период показала статистически значимое превосходство разработанной архитектуры. На горизонте 168 часов средняя абсолютная процентная ошибка (MAPE) снизилась до 3,21%, а непрерывный ранговый вероятностный балл (CRPS) достиг значения 412,8 МВт, что свидетельствует о корректной калибровке неопределенности предиктивного распределения. Полученные результаты подтверждают целесообразность внедрения режимно-адаптивных алгоритмов в диспетчерские комплексы для оптимизации объемов резервирования и минимизации финансовых рисков на оптовых рынках электроэнергии.