由于电力调度数据网出现任何网络故障都可能发生极度严重的事故,因此具有极高的可靠性及安全性的要求。与此同时随着电力大数据时代的到来,当前传统的网络监测系统在面对大数据量时,其实时处理能力和扩展能力都无法满足需求。因此对实时产生的大规模各类型数据的分析处理则需要一种专门的实时数据分析平台完成。本文结合调度数据网网络的特点以及监测准确性及实时性的需求,研究了流计算相关的主要关键技术和实现网络监测的主要方法。主要成果是构建出一个基于流计算的数据处理分析平台,设计和实现了平台的整体框架和数据网异常监测模型,以Apache Spark中的Spark Streaming为代表的开源流计算框架,加入如Kafka分布式消息队列、Redis内存数据库等组件,为数据分析平台提供稳定高效的数据来源和数据服务接口,从而实现适用于电力调度网的各类海量数据的实时分析处理完成监测应用,构建基于机器学习的网络异常检测模型,提出基于DBSCAN聚类算法的网络异常划分和基于SVM分类算法的网络异常识别来对模型进行实现。通过实验测试和分析,结果证明了平台的可用性,同时通过实验与传统云计算和批量计算等传统计算方式对比,实验验证了平台具有较好的吞吐量和实时性,数据网监测模型具有较高的准确率,能够有效实现网络监测,保障调度数据网安全运行。