通信技术的迅猛发展使得现代电力系统的智能化与自动化水平大幅度提升，已经具备了信息物理融合系统(Cyber Physical System，CPS)的典型特征。但是，电力系统的信息侧与物理侧的深度耦合使得信息侧的风险逐步增大，并且会波及和蔓延到物理侧。其中，相量量测单元(Phasor Measurement Unit ， PMU )数据篡改攻击(PMU Data Manipulation Attack，PDMA)会导致控制中心不能正确获取系统的实时运行状态，严重威胁到电力系统的安全稳定运行。传统的检测方法已经难以满足当前电力系统的防御需求，本文基于深度学习技术开展对PDMA检测方法的研究，具体工作及成果如下：
　　首先，建立了基于长短期记忆网络(Long Short-Term Memory，LSTM)的电力系统同步量测数据攻击检测模型，根据PMU数据随时间变化的特点，利用LSTM深度学习网络对PMU时序数据进行时间特征的提取，是一种典型的数据挖掘方法。该检测方法学习正常数据的时序特征，基于模型的预测误差来判断实时数据是否符合正常样本的特征，即是否存在篡改数据攻击。该模型仅使用正样本数据便可完成训练，可解决PMU数据中正负样本不均衡的问题。算例仿真结果表明，该方法能有效检测出PDMA并具有较高的准确率。
　　其次，提出了基于去噪卷积自编码器(Denoising Convolutional Autoencoder，DCAE)的电力系统同步量测数据攻击检测方法。该方法从电力系统的全局监控网络出发，利用卷积自编码器(Convolutional Autoencoder，CAE)模型学习多个PMU量测数据之间的关联关系。该模型通过学习正样本的特征，对实时输入数据进行重构，将实际值偏离重构输出值较大的数据检测为被篡改数据，实现PDMA检测。针对实际工程中PMU数据常常受到噪声干扰的问题，进一步提出了DCAE模型来实现去噪功能。多个模型比较分析表明，DCAE模型不仅对于多个PMU的量测数据具有较好的检测能力，而且在噪声环境中具有较强的鲁棒性。
　　最后，提出了基于LSTM-DSCAE的电力系统时空关联同步量测数据攻击检测方法。该方法基于堆栈自编码器(Stacked Autoencoder，SAE)预训练的思想，对上述两种方法进行综合与改进，并采用Dropout操作来防止模型过拟合。由于电力系统的量测数据具有复杂的时空关联性，该方法不仅能够提取到更深层与更抽象的隐藏特征，而且具有更优的学习效率和检测效果。算例仿真结果表明，该方法相比较一般的监督学习方法具有更高的准确率，与上述分别基于LSTM和DCAE模型的检测方法相比具有更全面的特征提取能力，而且能在一定程度上避免对电力系统故障数据的误判。