随着智能电网建设的不断推进,智能化电力一次设备和常规电力设备随之增加,监测数据变得日益庞大,数据集中化和数据共享将成为电网建设必然趋势,集中化之后的海量数据故障分析和在线实时数据的快速处理面临挑战。云平台处理这些数据具有天然的优势,可以满足这些需求。而深度学习在各领域的应用效果表现较好,渐渐取代了机器学习算法。本文将基于云平台、电网设备故障诊断分析采用深度自编码网络、云平台间数据共享使用Alluxio展开研究。设计了一种面向电力设备监测数据故障诊断模型训练及云平台间数据共享的架构。在该架构下,以电网重要设备变压器为例,研究了Spark下DDAE(Distributed Deep Auto-Encoder)的变压器故障诊断模型的实现,将训练的模型参数通过Alluxio以备Storm云平台使用,为Storm快速流式处理实时诊断做好铺垫。实验部分在Spark云平台下首先通过经典的分类数据集对DDAE模型的分类效果进行初步的验证,表明了DDAE模型适合用于分类数据。然后使用变压器的DGA数据对DDAE模型和贝叶斯的模型进行实验,该实验通过对DDAE模型的单机和集群实验,表明了集群可以对该模型训练起到加速作用;DDAE模型和贝叶斯模型的准确率实验,表明了DDAE模型比贝叶斯模型在变压器的故障诊断上有较高的诊断准确率。Alluxio将HDFS(Hadoop Distributed File System)或硬盘的数据链接到Alluxio,而Spark和Storm平台可以通过Alluxio对数据进行访问。Alluxio实验表明了Spark和Storm通过Alluxio不仅可以实现数据共享,而且通过Alluxio可以对指定数据进行快速访问。