实时智能电网监控对于提高电力设备的弹性和运行效率至关重要。近些年提出了借助深度学习的基于云和基于边缘的故障检测系统,以便对智能电网进行实时监控。然而,最先进的基于云的故障检测系统可能需要将大量数据上传到云服务器处理,并且数据与云服务器之间通过网络通信,存在较长的传输延迟和延迟抖动。基于边缘的故障检测系统总计算资源有限,无法充分考虑故障检测的需求,因此无法提供灵活的选择和达到最优的系统性能。为了解决这些问题,本文做了以下工作:1、总结了国内外智能电网故障检测及其中的资源分配与数据调度相关研究现状,介绍了神经网络以及其在故障检测方面的应用,并概述了最优化问题的基础理论和处理方法。2、研究了云边缘协同的智能电网故障检测系统。该系统中嵌入式设备位于监控设备的边缘附近,运行多种不同结构的轻量级神经网络用于故障检测。3、提出了一种新颖的称为时频记忆单元的神经网络基本单元,该结构将小波变换与长短期记忆单元相结合,可以对时序采样的电压电流数据进行自适应时频分析,实现对故障的智能检测。4、设计了一种最大化系统吞吐量的通信和计算资源分配方法,该方法同时考虑到通信资源有限、边缘设备计算能力相对较低以及不同结构的神经网络支持的检测精度不同来对采集到的数据进行调度。可以在满足数据传输和处理延迟要求的同时,最大限度地提高系统的处理吞吐量,提高资源利用率。本文进行了广泛的模拟,结果表明所提出的方案优于其余对比方案。还对该系统进行了原型设计,并验证了其在现实场景中的可行性和性能。