随着电力系统规模的不断扩大及设备复杂度的日益提升,电网的安全运行不断受到了新的挑战。如何提高设备的运行可靠性以保障电力系统的安全稳定,已成为电力行业备受关注的研究课题。提升设备运行可靠性除了使用质量较高稳定性较好的设备外,还可以通过提升设备健康状态评估能力和设备故障诊断水平来实现。同时由于电力系统的复杂性,很难简单的从数据中提取有价值信息。因此本文结合大数据、深度学习等相关的内容,从设备健康状态评估和故障诊断两方面进行了研究分析,具体研究内容如下。首先研究了数据资产管理的现状及其发展过程,然后基于电力企业资产管理的现状。最后结合大数据和设备全生命周期管理理论,提出了电力设备资产全生命周期管理的处理流程和总体技术架构。其次基于大数据技术结合抽水蓄能电站生产运行数据,针对设备全生命周期管理的应用进行了研究分析。研究主要围绕抽蓄机组的设备运行强度、可靠性评价及设备健康状态预测,并结合时间序列分析构建了一种间接的设备健康状态预测模型。然后研究了当前电力设备故障诊断领域常用的模型方法,并概述了深度学习相关内容及常见的深度神经网络在故障诊断领域的应用情况。然后基于深度学习网络特性和设备故障信息数据的特点,构建了基于LSTM双向循环神经网络的故障诊断模型。最后使用TensorFlow实现了基于LSTM的双向循环神经网络故障诊断模型,并以风力发电机齿形带断裂故障数据为基础开展了实验。结果表明,本文构建的模型能有效的进行诊断,并具有较高的准确度。