电力数据高维、非线性特点导致传统单一异常检测模型存在检测准确率低、误漏报率高的问题，为了解决此问题，提出一种最小熵K-均值和果蝇算法（fruit fly optimization algorithm

FOA）优化支持向量数据描述（support vector data description

SVDD）相结合的电力数据异常检测方法。首先提取波动性特征、变动性特征和趋势性特征并利用主成分分析（principal component analysis

PCA）进行特征变换从而实现对高维电力数据的降维表征，其次利用最小熵理论改进的K-均值算法对用电数据进行自适应聚类，将用电模式接近的用户划分为同一聚类，采样SVDD对每个聚类进行异常检测，为了提升SVDD模型聚类性能，利用改进后的变步长FOA算法对其优化，提升异常检测性能。基于某电网实测用电数据开展试验，结果表明所提方法相对于单一检测模型能够获得更高的检测准确率和更低的误漏报率。