В роботі запропоновано архітектуру локально-рекурентної штучної нейтронної мережі (ШНМ) для довготермінового прогнозування процесів електроспоживання, де перший прихований шар містить нелінійні моделі авторегресії - ковзного середнього різних порядків, краща з яких автоматично вибирається у вихідному шарі мережі. Запропоновано нейромережевий метод прогнозування тренд-сезонних процесів споживання електроенергії, у якому спочатку виключається трендова компонента, а потім апріорі відома фіксована кількість гармонійних компонент обробляється в паралельному режимі. Запропоновано нейромережевий метод прогнозування полігармонійних процесів споживання електроенергії, в якому гармонійні компоненти виділяються послідовно, що дає можливість прогнозувати апріорі невідому та змінну в часі кількість гармонійних компонент у процесі. Удосконалено метод навчання спеціалізованих нейрон-фаззі мереж для короткотермінового прогнозування процесів споживання електроенергії. За рахунок запровадження регуляризатору стало можливим збільшити швидкість навчання на "плато" цільової функції й уникати "паралічу" мережі, що в цілому підвищило якість її навчання. Удосконалено метод навчання ШНМ зустрічного поширення за рахунок використання стратегії "переможець отримує більше" з використанням біполярної функції сусідства, у результаті чого підвищується якість кластеризації в першому прихованому шарі мережі, що дозволяє підвищити точність прогнозування процесів електроспоживання у вузлах електроенергетичної системи. Ефективність запропонованих методів доведена експериментально на реальних даних електроспоживання Західної енергосистеми ДП НЕК "Укренерго".