电力系统状态估计在现代智能电网的稳定运行中起着至关重要的作用,但它也容易遭受网络攻击。现有研究主要集中在虚假数据注入攻击,它可以篡改量测数据,并能通过不良数据检测机制,导致不正确的状态估计结果。本文提出一种基于数据驱动的针对电力系统状态估计的虚假数据注入攻击防御框架,该框架包含异常检测部分和数据恢复部分。对于异常检测部分,提出了一种基于图边条件卷积网络的虚假数据注入攻击检测框架。该模型可以利用电力系统的拓扑信息、节点特征和边特征,通过深层图结构,有效挖掘样本数据的相关性,并建立预测值与电力系统实际状态的映射关系。此外,边条件卷积操作允许处理具有不同图结构的数据集。针对不同攻击强度和不同攻击程度下的IEEE 14节点系统进行案例研究,以评估模型性能。仿真结果表明,与卷积神经网络、深度神经网络和支持向量机等常用的模型相比,所提出的检测模型具有更好的检测性能。此外,利用IEEE 14节点、30节点和118节点系统的数据集获得的令人满意的检测性能验证了该模型的有效可扩展性。对于数据恢复部分,提出了一种基于变分卷积自动编码器的数据恢复框架,以确保对状态估计的持续监控。该模型将深度学习思想与贝叶斯推理相结合,而且在编码器和解码器网络中分别使用了具有出色特征捕捉能力的卷积和反卷积操作,有效地将虚假数据注入攻击后的异常值恢复到接近正常运行情况下的数值。此外,知识蒸馏技术用于压缩该模型,使得在资源有限的设备上部署轻量级模型成为可能。对在不同攻击强度和不同攻击程度下的IEEE 14节点系统进行了案例研究,以评估该模型的恢复性能。仿真结果表明,所提出的模型的平均绝对误差和平均绝对百分比误差低于对比模型。此外,在IEEE 30节点和118节点系统中令人满意的恢复性能验证了所提出模型的可扩展性。最后,知识蒸馏技术让轻量级恢复模型的规模达到原始模型规模的十分之一左右,而平均绝对误差和平均绝对百分比误差几乎没有增加。