数据集成与信息共享是建设坚强智能电网的必然趋势。随着电网调度中心向调控一体化的发展,越来越多的电力设备状态数据将被送往调控中心。海量的历史状态数据和实时在线监测数据的快速处理正面临挑战,本文基于云计算和大数据处理技术对电力设备状态监测数据的集中并行处理与诊断问题展开了研究。设计了一种面向电力设备状态监测数据处理中多应用场景的综合云计算平台架构。在该平台下,多种并行计算框架共享同一套IT基础设施,既节约了计算平台投资与维护成本,又利于数据集成与信息共享。根据监测数据的处理模式和用户对实时性的需求,计算任务会以指定资源分配给最合适的计算框架。提出了一种局部放电信号基础放电参数的自适应提取算法,并在此基础上提出了基于Hadoop Map Reduce的大量局部放电信号的集中并行批处理方法。采用自适应的放电幅值阈值和放电间隔阈值对局部放电信号的局部极值点进行双重过滤,实现了放电次数、放电量与相位的自动化提取。借助Map Reduce计算框架,实现了局部放电信号从基础放电参数提取、谱图绘制与特征计算到类型识别整个分析过程的并行处理,提高了大数据量下的处理效率。提出了基于Spark内存计算技术的集合经验模态分解(EEMD)的并行化算法,弥补了Hadoop Map Reduce应用于复杂数据处理场景时的不足。通过对EEMD算法处理时序波形信号时的并行性分析,设计并实现了波形分段并行与EMD过程并行这两种不同结构的并行EEMD算法。将所提并行算法应用于局部放电波形信号的特征提取,并在计算性能上与串行EEMD算法和基于Hadoop Map Reduce的并行EEMD算法进行了比较。提出了一种基于Storm实时处理技术和变量预测模型分类(VPMCD)的电力设备在线并行故障诊断方法。为了满足在线诊断需求,将增量学习机制引入VPMCD中,采用递推最小二乘法实现了变量预测模型(VPM)的增量更新。考虑到大规模电力设备的在线故障诊断问题,设计了基于Storm的流式数据实时处理框架,通过构建Storm拓扑组件的监听机制实现了VPM在Storm上的初始化、增量学习与应用分类。以变压器油中气体分析为应用实例,测试了所提方法的分类性能和计算性能。