传统电网已发展成为电力网与信息网深度融合的电力信息物理系统,极大地推动了电网的智能化进程。但信息网的接入增加了电力系统遭受网络攻击的风险,因此针对电力系统网络攻击的研究具有十分重要的现实意义。作为一种新型网络攻击手段,虚假数据注入攻击利用不良数据检测环节的漏洞,非法篡改状态估计环节的接收数据,对电力系统的安全稳定运行构成了严重的威胁。本文从虚假数据构建方法出发,主要完成了如下研究工作:在无需掌握电网拓扑结构信息的情况下,本文以改进的主成分分析法为基础,提出了构建虚假数据攻击向量的新方法。首先在保证不丧失数据特征的前提下,通过改进的主成分分析法将高维的量测数据集降到低维空间,然后利用低维的主成分矩阵推导近似了雅可比矩阵,并结合虚假数据注入攻击原理构造出了具有较强隐蔽性的攻击向量。通过在不同系统中的仿真实验,验证了该构建方法的有效性与实用性。传统不良数据检测环节无法识别经过精心设计的虚假数据,针对这一问题,本文提出了基于小波变换与极限学习机的检测方法。利用小波变换对状态变量的时间序列进行分解,小波分量会捕捉到由虚假数据所引起的数据异常,为量化状态变量时间序列的异常情况,构建了三个用于区分数据正常与否的特征数据。将特征数据作为极限学习机的输入层,对应的输出层设置为判断数据是否存在异常的分类标签,通过大量的特征数据样本训练极限学习机的参数。对于分类检测模型识别出的可疑数据,再利用相关系数分析法,求得可疑数据与正常数据之间的相关系数是否超过判断阈值,进一步辨别可疑数据是否由虚假数据注入攻击所引起。仿真结果表明,在不同规模电力系统和不同攻击强度下,该检测方案的检测成功率均处于较高水平,证实了其有效性与普适性。检测环节识别出电网遭受虚假数据注入攻击后,数据中心会将相应时刻的量测数据以及状态量进行剔除,故该数据依然是残缺的。为确保数据的完整性,本文通过分析状态变量在时间上的相关性,提出了利用历史数据集预测状态序列数据的防御方法。首先通过变分模态分解算法将状态序列分解为多个规律性较强的模态分量,将各分量分别作为极限学习机的输入层与输出层,通过大量数据样本训练得到权重参数以及偏置参数。同时,结合粒子群优化算法对参数进行优化,以寻优各子序列对应的最佳预测模型,预测出的状态序列即可用以填补残缺的数据集,以达到防御效果。仿真结果证实,预测数据的绝对误差仅在一个可接受的范围内波动,完全可以代替状态序列的真实数据,验证了预测方法的准确性。