伴随着可再生能源普及率的提高,在面对可再生能源间歇性和实时变化性,以往的能源管理策略逐渐暴露出各种局限性和缺点,已经无法满足用户多样化的电力需求。同时随着能源互联网（Energy Internet,EI）的快速发展,电网服务产生的数据迅速增长,对时延的要求也越来越严格,仅利用传统的核心网进行任务处理的网络架构不能同时满足系统高带宽、低时延的需求。另外,考虑到EI的总体建设存在耗时长、地域协调繁杂等特点,且可再生能源不容易远距离传输,因此目前能源互联网的主要任务是局域能源微网的建设。为了提高能量管理系统的稳定性和满足电网用户低时延的需求,本文通过将深度强化学习（Deep Reinforcement Learning,DRL）与移动边缘计算（Mobile Edge Computing,MEC）计算应用到EI中进行研究,具体内容如下:1.首先针对含风能发电的单个微电网系统储能调度问题,提出了一种新型微网模型。通过将恒温控制负载（Thermostatically Controlled Load,TCL）和用户价格响应负载引入到能源管理优化中,实现了微电网的供需动态平衡和削峰填谷。并为该框架引入了深度Q网络（Deep Q Network,DQN）算法,进一步保证了微电网实时管理调度的运行。通过仿真分析,所提出的微电网模型和协调算法在经济盈利能力和对恶劣条件的弹性方面具有显著优势。2.接着由于单个微电网在实际运行中容易受到变化的用户需求、天气等不确定因素的干扰,在馈电情况下只能牺牲经济利益从主电网购入电力资源,不利于微网的运行和更好的为用户服务。针对以上问题,对能源互联网下多个局域能源微网系统的储能调度问题展开分析。通常,局域能源微网之间的电力交易由广域中央电网进行定价。在这项工作中,针对用户需求、电池储能、能源调配提出了一种新的动态定价方法,并利用一种改进的DQN算法,通过创建两个独立的神经网络实现对能源微网的调度优化。通过仿真表明,提出的框架促进了相邻微网之间的交易,更有利于大多数能源微网,另外提供了详细的结果分析。3.最后本文针对海量用户和设备接入EI带来的高时延、网络不稳定问题,设计了一种基于MEC卸载机制的新型高效低延迟的能源互联网通信网络卸载架构。首先基于电网中用户的体验质量（Quality of Experience,QoE）提出了相较本地和边缘端的任务完成时间和能耗的改善和作为整体的评价准则,通过将用户上传功率和边缘节点计算资源分配问题设定为混合整数非线性规划问题,并分别使用拟凸和凸优化技术对传输功率和计算资源分配问题进行求解。然后设计了一个基于模拟退火算法的启发式算法对卸载决策进行优化。通过对多项任务设置参数进行分析,仿真结果表明所提出的模型在时延能耗以及目标函数方面均有着良好的表现。