电力系统的安全可靠运行对国民经济的稳定至关重要。由于信息和通信技术的高度集成,当下的电力系统变得越来越容易受到网络攻击。如果系统的网络信息为攻击者所知,那么攻击者可以在不被检测到的前提下,有预谋的将虚假数据注入某些量测量中,从而破坏状态估计的进程。相应地,根据损坏的数据可能产生错误或不安全的调度指令或控制信号,这可能对电力系统的安全可靠运行产生严重威胁。基于此,本文基于虚假数据攻击机理与机器学习领域的相关算法,通过事前预防防御和事后主动防御两种保护思路,针对直流线性系统,设计了两种虚假数据攻击的防御策略,实现了对于虚假数据攻击（False data Injection Attacks,FDIAs）和虚拟数据攻击（Dummy data Attacks,DDAs）的有效防御,在电力系统信息物理安全领域具有一定的创新性与实用价值。为确保电力系统的安全运行,本文首先研究了虚假数据的攻击机制,然后对虚假数据对系统经济安全运行的影响展开讨论。针对经济性和安全性的影响分别建立了双层模型来评估,为了对模型求解,本文采用基于KKT（Karush-Kuhn-Tucker）条件进行转化的方法,通过用最优条件代替低层次问题来将双层优化转化为单层优化,利用了IEEE 14和IEEE 24节点系统进行了仿真实验,证实了当今电力系统面对网络攻击的脆弱性,以及防御策略研究的必要性。在此基础上,本文对传统的FDIAs和新型DDAs的防御策略进行了深入的研究。针对传统FDIAs,在系统遭受其攻击后,利用主动防御的矫正保护思想,借助门控循环单元-卷积神经网络（Gated Recurrent Unit with Convolutional Neural Network,GCNN）联合网络提取量测量特征来判别受损量测值并予以剔除,同时依据历史数据中挖掘的电气、气象和日期特征,利用时间卷积网络（Time Convolutional Network,TCN）生成与真实损失数据尽可能一样的数据来进行数据的补全,从而还原真实的电网运行状态,消除传统FDIAs对于电网的影响,GCNN-TCN防御策略的有效性在IEEE14标准系统得到验证。针对难以检测的新型高隐蔽假数据攻击DDAs,基于事前量测物理保护的思想,对于防御者和攻击者之间的相互作用进行充分的分析,建立三层的博弈防御模型来求解在有限强化保护预算条件下的最优节点保护方案,并借助基于电气介数和有功潮流分布的负荷节点重要度的概念,对该多层博弈模型进行分层转化求解,最终得到能够防御DDAs的最优节点加固方案,从根本上抑制DDAs的产生,该防御策略的有效性在IEEE39节点系统得到验证。