随着电网的不断建设,电力的普及与发展给居民带来了极大的便利,然而在用电的过程中,出现了各种异常用电问题,比如随意搭接线路、窃电以及篡改电表等,给国家电网以及相关企业带来了不少损失。随着智能电网的普及以及机器学习的兴起,各种基于人工智能的电力大数据挖掘方法也层出不穷,但大都基于历史数据不能进行实时在线的处理,很多方法不仅不能及时杜绝这种行为,还会浪费大量的人力、物力、财力,得不偿失。在此形势下,本文针对流数据聚类算法进行了研究,并针对现有流数据聚类算法在线数据流维护阶段容易造成部分数据缺失、断电易丢失以及流数据聚类算法的低时间复杂度要求,提出流式k-means聚类算法,对流数据聚类算法的在线微簇维护阶段进行改进:使用Redis集群将某一时间段内的数据全部进行存储,并随时间进行迭代更新;对离线聚类算法k-means进行优化,使用最佳距离法快速确定聚类中心,减少算法的迭代次数,降低流数据聚类算法的时间复杂度,从而使改进的流数据聚类算法能够应用于某些对数据敏感的应用。其次,为了完成用户用电异常行为的检测,本文设计使用流式k-means聚类算法提取用户的簇典型用电曲线与用户典型用电曲线,并以此为度量依据判定用户用电是否存在异常。最后,本文使用流式数据处理框架Storm构建用户用电异常行为监测模型,将流式k-means聚类算法与Storm相结合并完成拓扑实现,实现了异常用户的在线监测,为相关企业及时止损。通过仿真实验表明,基于Storm流数据处理框架构建的用户用电在线监测模型能够很好的监测异常用电的用户,具有很好的实际应用价值。