RESUMEN El horno de arco electrico proporciona un medio relativamente simple para la fusion de metales. Se utiliza en la produccion de acero de alta pureza, aluminio, cobre, plomo, entre otros metales. Sin embargo, los hornos de arco son considerados como la carga mas nociva para el sistema electrico de potencia. Por consiguiente, resulta de gran importancia contar con modelos de horno de arco que permitan determinar con alto grado de aproximacion el comportamiento de este tipo de carga, puesto que se podria evaluar su impacto en terminos de indices de calidad de energia para el sistema de potencia al cual se conecten. Uno de los principales problemas que surge al utilizar los modelos matematicos de arco electrico consiste en la calibracion de los parametros que describen la dinamica del modelo. En este documento se muestra un procedimiento para calibrar todos los parametros de un modelo de horno de arco electrico de corriente alterna, dadas mediciones reales de tensiones y corrientes. Se utiliza una red neuronal multicapa como emulador del modelo del horno. La red neuronal se entrena empleando datos de simulacion obtenidos del modelo del horno implementado en el entorno Matlab®-Simulink®. Una vez entrenada la red, los parametros de interes se obtienen resolviendo un problema inverso. Los resultados obtenidos muestran un error maximo de 4,1 % en el valor eficaz de las corrientes del arco electrico. ABSTRACT Electric arc furnace provides a relatively simple way for melting metals. They are used in the production of highly purified steel, aluminium, copper and other metals. However, they are considered the more damaging load for the power system. It is very important, therefore, to count on arc furnace models for determining with high degree of accuracy the performance of this type of load. In this way, it would be possible to assess the impact in terms of power quality indices for the power system to which they might be connected. When using electric arc furnace models in practice, a key issue is the calibration of the parameters of the model. In this paper, we show a procedure for calibrating all the parameters of an AC electric arc furnace model using real measurements of voltages and currents. It uses a multilayer neural network as an emulator of the electric arc furnace model. The neural network is trained using data obtained from the simulation of the electric arc furnace model implemented in Matlab ® -Simulink ® . Once the network is trained, the parameters of interest are obtained by solving an inverse problem. Results obtained show a maximum percentage error of 4.1 % for the rms value of the current involved in the electrical arc.