随着社会经济和技术水平的快速提高,各种城市设施对电力资源的需求日益增加。在气候变化造成的日益极端的天气下,保证传统电力资源的数据传输并不容易。利用网络边缘接近数据源的资源释放深度学习服务已成为一种理想的研究解决方案,因此,将边缘计算技术与智能电网相结合构建的电网负荷模型可以合理地对智能电网进行负荷预测,调度最合理的计算资源,提高系统的资源传输效率。首先,分析了边缘计算环境下的数据资源管理,将边缘计算中的关键问题分为三类:拓扑结构、内容和服务,并且针对边缘计算的数据传输和智能算法进行了分析研究。面向物联网下的边缘计算场景,针对智能电网负荷提出了基于任务卸载的电网分布式资源管理算法,并基于任务卸载理论制定资源管理方案。其次,针对移动边缘网络体系结构,提出了一种基于延迟感知的在线功率资源分配算法。算法性能比较结果表明,随着模型迭代次数的增加,算法的系统开销均显著降低,提出的算法的平均延迟性能优于其他算法,并且提高了运行效率和系统资源分配的效率,显著降低了系统的能量消耗。最后,综合边缘计算环境下的数据资源管理和算法,分析了各种算法组合下的模型对比,建立了智能电网下的一种预测模型:模糊C均值聚类-变分模态分解-混沌粒子群优化-核极限学习机短期负荷预测模型。本文研究的方法实现了电力负荷短期预测过程中的环境数据特征提取,简化了算法的时间复杂度和空间复杂度,提升了算法的预测精度和预测速度,在电力负荷的短期预测方法上进行了新的创新和预测质量的提升。