随着电力系统中融合越来越多的智能化、信息化和自动化设备,电力系统从传统物理电网转变为可实时感知、动态控制和信息决策相融合的电力信息物理系统。然而,该系统的构建对电网的脆弱性产生了新的影响。攻击者在信息交互过程中通过虚假数据注入攻击（False Data Injection Attacks,FDIAs）等手段破坏电力系统的网络信息安全,使控制中心误以为系统仍在正常运行中,误导控制中心做出错误决策,导致系统中一次设备退出运行或者关键线路断开引发交互连锁故障。因此,对电力系统中的FDIAs进行检测和辨识对保障电力系统的安全稳定运行十分重要。现有研究方法中,通常考虑单一时间断面下的系统数据,结合数据的空间特征进行FDIAs的检测。然而,攻击者构造的虚假数据通常符合电力系统运行规律,在连续时间断面下仅考虑数据的空间特征难以实现FDIAs的有效检测。在对虚假数据注入攻击进行辨识时,现有方法通常基于传统的拓扑结构,难以实现攻击位置的准确定位。针对现有方法的不足,本文的主要创新点如下:（1）针对单一时间断面数据进行FDIAs检测难以反映系统的动态特征和电力系统数据的非线性特征,在实际工程中容易出现误判或漏判的问题,本文提出了一种考虑节点电压曲线时频特性的FDIAs检测方法。利用小波分析工具对节点电压数据多尺度分解下的时频特征进行提取,挖掘隐藏在时间序列中的频域特征,使用电力系统正常运行状态下的历史数据生成稀疏自编码器训练数据集。利用稀疏自编码器编码和解码的运行机制,提出了一种基于稀疏自编码器的虚假数据注入攻击检测方法,挖掘电力系统正常运行时节点电压数据的特征规律,进行参数更新和寻优,构造表征电力系统正常运行状态的编码器。利用存在攻击时,稀疏自编码器重构数据与原始输入数据的偏差实现FDIAs的检测。最后,采用IEEE39系统和IEEE118系统对所提方法的正确性进行了验证。（2）针对现有方法使用传统拓扑结构和系统数据对FDIAs进行辨识,导致对攻击位置的定位不准确的问题,提出了一种考虑支路功率数据特征和线路间连接关系的FDIAs辨识方法。基于传统拓扑结构图,构造一种以线路为节点,线路间连接关系为边的转换拓扑结构图,通过线路间的连接关系实现虚假数据攻击点的直接定位。基于线路功率数据构造转换拓扑图的节点特征,提出一种以图注意力机制卷积网络为节点分类的关键技术手段,根据节点特征学习邻接节点间的权重,并对神经网络参数进行更新和调优,对被攻击线路进行辨识的方法。需要注意的是,训练时已对图中节点是否遭受攻击进行标注。在算例分析中,将IEEE39节点拓扑结构图进行转换并基于功率数据计算节点输入特征,分析基于图注意力机制的卷积网络对线路进行分类的效果,结合IEEE118节点算例的分析共同验证了文章所提方法的准确性。