随着智能电网的快速发展,电力系统的状态监测技术向高采样率、大规模和大容量存储的方向发展。传统的电力监测系统在信息集成、存储、采集设备的高并发等方面具有不足,原有并行化的Hadoop调度算法也不能满足电力采集设备的实时性要求,因此有必要设计更加合理的电力云调度算法以满足电力调度的实时性要求。本文重点研究如何进行计算和存储资源的合理分配和控制并保证作业按照正确的顺序执行。主要内容如下:首先分析了云计算和Hadoop平台国内外研究现状,深入研究了Hadoop的HDFS分布式文件系统和MapReduce编程模型;介绍了电力云的概念,将智能电网中剩余的计算和存储资源整合成资源池的形式,在此基础上研究了FIFO、Capacity、Fair三种算法应用于电力采集设备上进行并行性数据采集的可行性,着重对采集设备数据传输时高并发性做了重点研究。然后针对电力设备监测并行化,对标准的萤火虫算法进行了改进,重新定义了个体之间的计算公式、改进了位置更新公式并结合分群理论,提高了种群的多样性。在MATLAB环境下利用标准测试函数进行了标准萤火虫算法和基于多种群萤火虫改进机制算法的对比实验,验证了MFA_IEM算法的有效性。最后运用MapReduce将萤火虫算法并行化,提出了基于MFA_IEM算法的服务选择方法,给出了在MapReduce模式下萤火虫的编码方式,实现了小规模多种群的并行计算,给出了具体的Map函数和Reduce函数。通过原有的调度算法和改进的调度算法在搭建的电力云平台上测试调度WordCount等作业在CPU利用率、作业响应时间、调度准确率等方面进行了对比实验,验证了MFA_IEM算法的性能由于原有的调度算法,并表现出良好的可扩展性。