多源局部放电检测中，不同类型的局放信号同时存在且不断变化使得信号的分离更具挑战，而这种情况同样存在于许多数据流的聚类分析场景中。为了能够适应类簇内的不均匀密度和类簇间的重叠边界问题，同时对数据流的漂移和演化进行及时跟踪，提出了一种结合软约束的实时数据流模糊聚类算法。算法引入2种模糊性软约束来描述微簇距离和密度上的不确定度，通过阈值划分出核心微簇、边界微簇和离群微簇；在类簇边缘使用模糊隶属度，给予微簇分属不同类簇的可能性，保证类簇的完整性并提高聚类效果；使用两阶段的流程结构和2种时间窗口模型，赋予算法具有对可变化数据流的适应能力和更低的时间空间占用率。在多种数据集上的实验表明，该算法相比同类型算法在聚类效果上提升了1%～3%,且平均运行时间缩短5%～20%,在实际硬件平台的测试中也验证了算法的聚类分离性能。