在智能电网不断发展的过程中,电网的通信、计算、控制能力得到了极大的提升,电力物理侧和信息侧之间的交互不断增加,体现出电力信息物理系统（Cyber-Physical System,CPS）的特征。信息物理的耦合特性在提升了电网可观性的同时,也对信息侧的安全性提出了严格的要求。网络攻击通常会在信息侧注入,破坏信息正常传输并通过信息物理耦合关联影响物理侧的安全稳定运行。因此本论文针对电力CPS中网络攻击的危害性,通过对网络攻击建模、后果量化、辨识方面的分析,开展了网络攻击下电力CPS安全态势分析和网络异常辨识方法的研究,主要内容如下:（1）在分析网络攻击行为描述方法和安全防护措施的基础上,针对典型的网络攻击形式进行电力CPS的Petri网建模,建模对象包括系统中的主站、子站防火墙、加密认证设备等过程单元,根据数据流传递过程分析网络攻击传递过程,通过实施攻击行为,得到攻击的成功概率,由于网络攻击作为偶尔发生的事件,出现的可能性极小,因此提出用广义极值分布函数拟合攻击成功概率,从而评估出广义极值分布函数下选取不同置信区间时网络攻击成功概率。（2）在网络攻击成功概率评估下,针对不同攻击造成的事件后果难以量化的问题,根据层次分析法建立判断矩阵量化事件后果,所建立的判断矩阵能够通过一致性检验,由于此方法下不同事件的评估结果相差不大。因此提出利用极限学习机结合层次分析法分析网络攻击下电力CPS的态势,态势要素中主要包括能体现业务流、网络流异常等要素。极限学习机的优势在于态势要素分析上,可以准确分析系统所处的攻击状态;层次分析法能够较为准确的量化不同攻击事件的后果,因此两者结合可以综合判定系统在不同攻击事件下的态势。并且以7节点系统为例,验证所提方法的可行性。（3）为了分析信息系统的异常现象,因为系统中的异常现象可能由网络攻击引起,也可能是自然故障引发。所以根据不同事件发生的先后顺序,对连续的物理量离散化后形成不同事件下的电力CPS系统状态转移序列。针对电力CPS状态转移序列,提出序列特征匹配的辨识方法,用于辨识网络攻击和自然故障。通过联合仿真得到预想的自然故障和网络攻击下的序列集,预想的自然故障和网络攻击都视为异常现象,提取一个异常现象事件下状态变迁数量最大的序列集,也就是在状态转移过程中提取典型特征,并设置相应的可能度,加入特征序列库中。对未知的异常现象进行特征匹配时,根据提取出的特征序列进行匹配,找出最匹配的已知现象类型,作为异常现象分类结果。但是特征匹配过程需要遍历整个特征数据库,速度慢。因此为了提升辨识精度和速度,可以使用集成学习算法来进行辨识,集成学习算法可选取异常现象发生前后时刻的特征序列作为辨识依据,其优势在于可以结合多个机器学习方法的优点,形成偏差更小、辨识精度更高的模型,所以通过集成学习算法对状态转移序列进行训练,验证所提方法有效性。