随着智能电网的不断快速推进,电力系统已经迈入了“大数据”时代。各种电网设备的监测数据被送达监测中心,形成了海量电网流式数据,需要对其进行快速处理。传统的单机处理方式在面对海量电网流式数据时,存在实时响应能力差、可靠性低等问题,而当前云计算技术在各行各业的广泛应用为电力行业大数据的处理提供了新思路。云计算技术中的Storm流数据处理框架,具有高吞吐量、实时性强等特点,满足电力系统实时持续监测数据的处理。本文基于大数据Storm分布式计算框架对电网设备状态监测数据的并行分析与诊断进行研究。引入相关向量机算法,设计了相关向量机“一对一”算法基于Storm框架的并行化实现方案。该方案分为建立模型和分类测试两个模块。建立模型模块完成初始化模型的建立及增量更新,分类测试模块实现对海量电网流数据的实时快速诊断处理。依据Storm有很强的增量计算优势以及为了应对电网流数据的概念漂移现象,添加了增量学习方法。通过对比实验,验证了所设计的方案具有更高的分类准确率和更好的时效性。对部署在Storm平台上的算法模型进行性能测试,验证了Storm集群具有高吞吐量、低延迟,能够满足大规模电网设备海量监测流数据的在线实时处理。引入K最近邻算法,设计实现了基于Storm框架的并行化K最近邻算法Storm-KNN(S-KNN),完成电网设备海量监测流数据的快速分类与诊断。首先将已知样本集随机平均分块,然后并行计算未知样本与每块已知样本的相似度,得到每块的K个最近邻相似度,最后采用分半比较的并行化方式,汇总得到最终K个最近邻相似度,实现未知样本的分类识别。通过实验结果表明,集群环境下并行KNN算法性能优势较好,能够满足当前实际工程需求。