В диссертации предложена архитектура локально-рекуррентной искусственной
нейронной сети (ИНС) для долгосрочного прогнозирования процессов электро-
потребления , где первый скрытый слой содержит нелинейные модели авторег-
рессии - скользящего среднего различных порядков, лучшая из которых автома- тически выбирается в выходном слое сети. Рассмотрен алгоритм обучения для
каждого типа нейронов сети. Работа предложенной искусственной нейронной се-
ти (ИНС) промоделирована на синтетических и реальных данных электропотреб-
ления, проведено сравнение с известными методами прогнозирования, показав-
шее преимущество предложенного подхода. Применение всего комплекса интел-
лектуальных методов позволило повысить эффективность решения задач прог-
нозирования процессов потребления электроэнергии на интервалах от 1 часа до
нескольких лет. Эффективность метода обучения ИНС встречного распростране-
ния за счет использования стратегии "победитель получает больше"с использо-
ванием биполярной функции сосе