随着电力系统智能化进程的不断推进,形成了结构复杂且深度耦合的电力信息物理系统（Grid Cyber-Physical System,GCPS）。电力信息物理系统在电力系统中的广泛运用使得电网通信调控更为迅捷,但同时也给电网引入了网络攻击这一新的隐患。在电力系统的正常稳定运行越发依赖信息系统的情况下,发生网络攻击事件有引发大规模停电事故的概率。虚假数据注入攻击（Fake Data Injection Attack,FDIA）作为一种新的网络攻击类型,相较于其他攻击而言更为隐蔽,可以越过电力系统当前的不良数据检测机制,使监视控制和数据采集（Supervisory Control and Data Acquisition,SCADA）系统采集的电力量测数据遭到篡改,误导电力调度控制中心误操作,对电网运行有严重危害。而传统的检测手段对于FDIA难以检测,为保障电力系统安全稳定运行,本文首先从攻击方的视角带入研究FDIA原理并提出了一种旨在最大限度增加电力系统发电成本的FDIA策略,之后结合人工智能算法对电力系统的量测数据进行研究,构建了一种基于GAB的多模型混合检测算法。从攻击方的视角带入,网络攻击的目标是以最小的攻击成本造成最大的攻击影响。本文首先从攻击方对电网拓扑结构的掌握程度出发,分析了 FDIA的攻击机理并构造了攻击者不完全掌握系统网络拓扑条件下的网络攻击;之后根据电力系统最优潮流（Optimal Power Flow,OPF）控制的机制,设计了一种基于OPF的FDIA模型,并用粒子群算法进行求解,为后续的检测算法提供数据样本。本文设计的虚假数据检测方法基于集成学习的思想,需要大量的数据样本用作训练集和测试集。因此基于IEEE 14节点、IEEE 30节点、IEEE 118节点系统的网络拓扑生成电力量测数据,并使用攻击者不完全掌握系统拓扑情况下的FDIA和本文设计的基于OPF的FDIA得到攻击向量,最后按攻击规模从10%到100%设计了攻击仿真实验,得到检测样本数据集。对于FDIA的检测模型,最为关键的指标是准确度。本文设计了一种基于集成学习算法的多模型混合检测算法,将基础的CNN、SVM、kNN算法与GAB的框架结合,使上述弱分类器经过迭代训练得到强分类器。经过仿真实验,本文设计的检测算法在检测精度和适用范围上均具优势。