信息物理系统正朝着智能化、规模化的方向发展,给社会带来便利的同时,系统的稳定性与经济性却面临着越来越严峻的挑战,系统中的虚假数据作为一种不同于噪声与奇异值的异常数据,可以直接影响量测数据或系统状态估计的准确性,导致智能决策的失误,进而引起设备异常动作,产生大规模不利影响。因此,本文以智能电网为背景,深入研究了虚假数据的实时检测算法,针对现有算法存在的检测延时大、准确率低等不足,完成的主要工作如下:(1)对于电网总线侧虚假数据检测,针对基于KL散度或广义对数似然比等单一指标的检测算法无法兼顾准确性与快速性的不足,且考虑降低噪声与野值对准确率的影响,在量测序列中引入滑动时间窗,提出了交流潮流模型下基于并行无迹卡尔曼滤波的多指标混合检测算法。测试分析了该算法对虚假数据的检测性能,并与基于单一指标的检测算法进行对比,数值仿真表明,所提算法在交流潮流模型下具有明显的优势,在直流潮流模型下,在保证检测准确率的同时,平均每100个测试序列的检测延时也降低了13个采样周期。(2)对于电网用户侧负荷虚假数据检测,针对基于长短期记忆(long short term memory,LSTM)网络数据预测或基于堆叠自动编码器(stack auto encoder,SAE)数据重构的单一模型检测算法准确率低、实时性差的问题,研究自动编码器与LSTM网络的不同组合预测模型对检测器性能的影响,提出了基于预测残差序列KL散度的混合预测网络检测算法。测试分析了所提算法对不同类型虚假数据的检测性能,并与基于堆叠式LSTM网络预测模型的检测算法进行对比。在NYISO负荷数据集上进行的仿真实验中,多个评估指标均表明所提的SAE-LSTM与SAE-LSTM_H算法具有更优的检测性能。