由于当前泛在能源物联网建设的迅速进展,电力数据资源在不断丰富,有了更多的数据供应系统和使用数据的用户,不过随着全国各网省公司产生数据量过大,以及当前存在海量数据研究困难的问题,因此必须投入大量技术人员的时间和精力分析数据,从而产生了较多人力和物力的消耗。目前国家电网公司提出了关于提升数据资产管理能力、数据接入整合能力、数据共享分析能力、数据实时处理能力等多项大数据工作任务,亟需构建完整可靠的数据链路监测体系,解决数据流转体系缺失不完善、数据实时性差、数据链路状态反映难、数据传输效率低、数据监测手段不完备等问题,实现数据链路及各省业务系统资源的统一监测与管理,为数据运营提供安全可靠的支撑。针对目前纵向数据链路监测以及无法直接展现数据链路状态好坏的问题,本文提出基于纵向数据的实时处理框架及综合评价模型和系统,首先建立完善的数据链路指标体系,指标体系主要涵盖了各网省公司已在运行的纵向省侧业务系统量测数据指标和省侧至总部侧的纵向数据链路监测指标。针对当前纵向数据的具体业务需求,使用基于流计算的数据实时处理技术进一步提高纵向数据监测的实时性、准确性和容错性,随后构建基于核极限学习机（KELM）的预测模型,并且通过一种新的群体智能优化算法麻雀搜索算法（SSA）用于计算KELM模型的两项关键参数正则化系数C和核参数γ的最优解。最后将SSA-KELM模型应用于纵向数据链路综合评价中,将该模型预测结果与极限学习机（ELM）、支持向量机（SVM）和BP神经网络等模型预测结果进行比较,验证本文所提出的SSA-KELM模型能够成功克服纵向数据链路指标的非平稳性和随机性,得到较好的评价预测结果。通过对比不同模型的预测结果度量评价指标展现了该综合评价模型的综合性,合理性和科学性。本论文构建了纵向数据链路监测及综合评价系统,实现了国网总部与各网省公司的纵向数据链路的实时监测并实时反映链路运行情况,为数据安全传输和运转奠定坚实基础。