现阶段,电网响应“双碳”目标积极推进以清洁能源为支撑的新型电力系统的建设,大规模清洁能源的并网对电网的灵活性提出了更高的挑战。居民用户可调节负荷蕴藏着巨大的灵活调节潜力,开展对需求侧资源的实时调控,在短期内发挥资源灵活调节作用,确保新型电力系统安全稳定运行。但由于可调节负荷影响控制策略的因素多且随机性强,现常用的云端远程控制方式在执行控制指令过程中,延时较大,指令到达用户侧状态已经发生了改变,不利于负荷的有效实时调控。新兴的边缘物联代理在边缘侧采集处理数据并发出控制指令,实时性较好。因此,本文提出在边缘物联代理开展基于可调节潜力预测的强化学习优化控制需求侧资源策略研究,实现考虑资源运行趋势的实时调控。由于负荷状态变化多端长期预测误差过大,提出了基于变分模态分解的改进长短期记忆神经网络实时预测可调节潜力,根据预测结果提出自适应深度强化学习方法调控负荷运行。首先分析了需求侧资源接入与双向互动存在的问题与需求,设计了基于边缘物联代理的控制系统架构,在边缘侧就地进行需求响应调控,能够提高需求响应边端业务的实时性,并且为后续的需求侧资源预测及控制优化提供架构支撑。接下来提出了基于变分模态分解的灰狼优化长短期记忆网络模型的可调节潜力预测模型。对采集到的终端用电信号进行分解并重构,有效地提取信号中的有效信息,降低了用电信号的非线性和波动性对预测结果带来的负面影响。在保证数据可靠性的基础上,采用灰狼优化算法对长短期记忆网络的关键参数选取过程进行优化,确保参数选择的合理性且在局部和全局最优之间达到了优势互补,提高了预测精度,需求侧资源优化控制系统根据预测结果进行决策。最后提出了一种自适应深度强化学习的需求侧资源优化控制算法。为了更好地应对环境变化和设备投切采用灰狼优化算法对深度强化学习的神经网络参数进行优化,改善了无模型强化学习前期策略不佳,试错成本过高的问题,提高了模型在工程应用中的适用性。并且经过实验证明,智能体给出的策略能够较好地平衡用户舒适度与电网需求响应目标,在不影响用户满意度的同时确保电网安全稳定运行。