W artykule przedstawiono projekt oraz walidację funkcjonalną aproksymatorów opartych na głębokich sieciach neuronowych, służących do odwzorowania polityki sterowania w ograniczonym sterowaniu predykcyjnym, zastosowanym do jednostki zasobów energii rozproszonych pracującej w trybie wsparcia sieci w mikrogridzie prądu przemiennego. Schemat sterowania opiera się na klasycznej architekturze kaskadowej, obejmującej pętlę sterowania zerowego poziomu, regulującą napięcie wyjściowe DER, oraz pętlę sterowania nadrzędnego, odpowiedzialną za bilansowanie podaży i zapotrzebowania na moc. Symulacje wykazują, że polityka sterowania aproksymowana za pomocą sieci neuronowych osiąga wydajność funkcjonalną równoważną klasycznej, niejawnej postaci MPC. Ponadto czas obliczeń sieci neuronowych skaluje się korzystniej w przypadku problemów optymalizacyjnych o wysokiej wymiarowości w porównaniu z tradycyjnymi solverami iteracyjnymi. Walidację eksperymentalną przeprowadzono na laboratoryjnym stanowisku badawczym z wykorzystaniem platformy sterującej dSPACE MicroLabBox. Aby spełnić wymagania dotyczące czasu wykonania przy docelowym okresie sterowania 200 µs, klasyczna postać niejawna MPC wymaga uproszczenia ograniczeń, co redukuje maksymalne napięcie sterujące oraz skraca horyzont predykcji. W przeciwieństwie do tego podejście oparte na sieciach neuronowych umożliwia zastosowanie bardziej złożonych zbiorów ograniczeń oraz wydłużenie horyzontu predykcji, co pozwala na pełniejsze wykorzystanie zmiennego napięcia falownika.