PV-电池微电网需求侧管理：自适应神经网络与改进Doll maker优化控制器仿真

Computers & Electrical Engineering · 2026-10-22 · 期刊论文

• 一句话结论：在MATLAB仿真中，所提出的A2N2-IDMO控制器相较对比策略取得更低的运行成本、峰值功率需求与负荷标准差，提示该自适应神经网络需求侧管理策略在PV-电池微电网中可能改善负荷调度表现。
• 研究设计与做法：研究为基于MATLAB的仿真研究，样本量与随访时长材料未报告；提出以自适应人工神经网络（A2N2）为核心的能量管理策略，并用混沌方程改进的Doll maker优化（IDMO）进行优化，控制器输入为光伏发电、负荷需求与电池荷电状态等时变参数，输出负荷转移与能量管理决策；对照策略的具体设置材料未报告。
• 主要结果：报告的结果为：运行成本2291.36 USD、峰值功率需求88.48 kW、负荷需求标准差0.73 kW，均低于对比方案；原文未报告效应量、置信区间与p值，也未给出对比方案的对应数值。
• 机制或解释：作者的解释是：传统需求侧管理多基于规则系统，在动态工况下适应性有限；引入神经网络可提升适应性，并用混沌方程改进Doll maker优化以提高收敛速度与精度。
• 局限与边界：仅为仿真验证，未在真实微电网中测试；样本量、随访时长、对照设置与统计不确定性材料未报告；利益冲突材料未报告。
• 可否落地：证据支持该控制器在仿真条件下可降低运行成本与峰值负荷，属方法学层面的初步提示；对实际商业与住宅微电网的落地效果不足以下结论，需硬件在环或现场试验验证。

🔗 打开原文

Pranav Kumar Nirala, Lini Mathew

本文摘自《每日前沿研究简报 · 2026-10-24》「能源科学」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。