电力系统在我国经济发展中发挥着极其关键的作用,配电网位于整个电力系统的末端位置,最终连接到数以亿计的用电客户,用户的一切生产活动都与其紧密相连,配电网的稳定、可靠是对于电力系统运行的重要保障。配电网中负荷数据的安全性和准确性对于配电网以至于整个电网系统都是极其重要的,获取配电网中安全、真实的负荷数据对于电力的规划协调、负荷预测等任务起着数据支撑作用。因此,及时的发现配电网中异常的负荷数据就可以尽快采取措施应对,从而营造一个可靠、安全的智能电网系统。伴随着分布式系统的逐渐成熟,流计算技术以及各种深度学习相关算法的出现,本文构建基于流计算的配电网异常检测技术,对于负荷数据流进行异常检测,并达到快速的秒级告警,提高对配电网的管理措施,保证发现异常的实时性。本文主要做了以下工作:首先研究分析深度学习在配电网异常检测领域的应用,分析对比不同的模型方法,提出了一种变分自编码器（Variational Auto-Encoder,VAE）融合长短期记忆网络（Long Short-Term Memory,LSTM）的混合检测模型。通过在LSTM模型中引入残差结构,并将优化后的LSTM网络替换VAE的编码与解码的神经网络,可以更好的记忆负荷数据的特征,从而得到更好的检测结果。使用当地某一电力企业的负荷数据,经过对缺失点、噪声点负荷数据预处理后,进行实验测试,通过与i Forest、LSTM进行比较,结果表明此方法有着较好的表现。其次是使用流计算框架对数据进行获取,使用Kafka来传输采集数据,搭建Hadoop数据平台与以及Flink+Tensor Flow模型来进行负荷数据的异常检测。最后将原始的输入数据流和异常检测结果进行持久化保存,将产生的异常报警信息以及数据统计信息通过可视化界面进行展示。本文实现了对配电网负荷数据的实时异常检测,为建造安全可靠的智能电力系统提供了保障。