随着信息通信技术在现代电力系统中的深度渗透,电力系统与信息网络逐渐融合衍变成智能电网。智能电网的发展提高了企业生产效率、管理水平以及消费者参与度,但同时不可避免面临信网的网络安全问题,信息安全事故甚至会通过耦合关系穿越到电力网破坏电力系统运行的安全稳定性。虚假数据攻击作为一种新型网络攻击,通过篡改SCADA系统采集的量测数据,经由电力系统状态估计获得错误的表征电力系统实时运行状态的状态变量,从而扰乱电力系统进行潮流优化、能量调度及应急分析等决策。本文就如何检测虚假数据攻击进行了研究,主要研究内容如下:首先研究了虚假数据攻击对于电力系统实际运行过程和具体设备系统的影响,从理论层面分析了虚假数据攻击是如何绕过电力系统状态估计中的不良数据检测过程。其次研究了传统虚假数据攻击检测方法的原理,根据其不足以及考虑到矩阵变换的检测方法无法推及至大规模电力系统,采用统计方法分析数据变化来构建检测方法,经过初步实验发现具有可行性但亦存在不足。最后利用机器学习手段来强化基于统计的检测方法,对比分析后采用神经网络来构建,从优化学习效率的角度构建基于极限学习机(Extreme Learning Machines,ELM)的检测方法,进一步从提高学习效率和检测精度的角度优化神经网络架构提出基于随机向量权值函数网络(Random Vector Functional Link,RVFL)的检测方法。实验利用IEEE 14节点测试系统采用纽约调度中心实时负荷数据获得系统状态估计值以及量测数据,对所提出的攻击检测方法进行多方面的测试,实验结果表明两种检测方法的有效性,为构建安全稳定的智能电网提供了方向。