智能电网可以满足现代人们对生产生活的各种需求,提升生产生活的智能化水平。智能电网的正常运行是维持生产生活的基础,故智能电网的故障监测变得愈发重要。随着人工智能技术和云计算的发展,利用云端强大的计算能力设计基于深度学习的异常监测系统成为未来技术发展的趋势。一方面由于监测数据总体容量较大,另一方面利用互联网传输数据具有一定的延迟性和延迟抖动,会导致云平台的带宽负载过大、系统实时性较差以及延迟模型不精确等方面的问题。针对这些问题,本文做了以下工作:1、归纳了国内外故障检测及资源分配相关研究现状,介绍了深度强化学习的基础概念、组成、原理及应用等基础理论。2、由于本文研究的资源分配问题是一个组合优化问题,提出了一种基于深度强化学习的组合优化问题的求解框架。该求解框架采用了深度强化学习的方法,在基于Actor-Critic的框架下,采用指针网络对模型训练,使用策略梯度方法进行优化。然后使用该求解框架去求解二维分组背包问题。3、提出了一种边缘计算辅助的智能电网异常监测系统,利用放置在靠近被监测设备边缘的轻量级神经网络辅助的嵌入式设备来实现对采样数据的实时监测。此外,考虑到嵌入式设备有限的通信、计算能力和不同的检测精度,本文提出了基于深度强化学习的通信与计算资源的优化分配方法,大大加快了求解时间,最大化系统的吞吐量,提高系统的通信效率、资源利用率。最后通过分析对比训练好的模型,发现本文的算法可以对资源调度问题进行高效求解,从而实现在互联网延迟实时变化的情况下对资源进行分配和调度。