状态估计是电力系统调控中心能量管理系统的核心应用,担负着通过全网各处采集的量测数据准确评估系统运行状态的任务,其所得结果不仅是其他调度自动化应用的输入,也是调控人员合理下发调度指令的参考依据,对保障电力系统安全稳定与经济运行至关重要。随着分布式电源、储能装置等新型电力元件的涌现和电网结构的发展变迁,电力系统不同主体间的协调交互更加频繁,促使非专有信息通信技术逐步在电力调度自动化系统中普及,信息空间与物理世界紧密耦合、相互影响,传统电力系统正在加速演化为电力信息物理系统。先进信息技术的引入,在提升电力调控自动化水平的同时,也使信息攻击更容易威胁物理系统的安全稳定运行,攻击者不再满足于单纯破坏信息系统或造成信息资产损失,而是将信息攻击作为干扰物理系统正常工作的手段,发动所谓的“信息物理攻击”。近年来,面向电力系统状态估计的信息物理攻击已经成为全球学术界与工业界关注的焦点。本文针对此类攻击的防御方法开展深入研究,主要内容包括:提出了一种用于防御虚假数据注入攻击的实用化量测保护方案选择方法。该方法对信息物理攻击的风险敞口、防御措施的风险消除率、量测保护成本、保护折扣率等指标进行量化评估,应用经济学中的投资回报率来表征保护给定量测的性价比,并将最大化全局投资回报率的优化问题转化为最小Steiner树问题,最终基于树修剪启发式算法求解一组工程性价比最高的测控装置加以保护。算例分析验证了所提方法的合理性与高效性。提出了一种保护电力调控通信机密性与完整性的安全通信协议。该协议不采用非对称密码学等计算密集型算法,对于算力有限的测控装置更为友好。此外,该协议通过在参与会话的节点中设置同步滚动的伪随机数生成器,基于随机数为每条消息生成独立密钥,更适合电力调度通信等会话持续时间较长的应用场景。该协议不仅支持单播通信,也可支持多播与广播通信,具有十分广泛的应用场景。基于有色Petri网与信息物理联合仿真的测试验证了该协议的鲁棒性、有效性与执行效率。提出了一种面向类间高度不平衡训练样本集的量测篡改攻击检测方法。该方法利用有监督学习技术,基于历史运行数据库中正常量测与异常量测的特征模式差异,检测系统中可能存在的量测篡改攻击。为避免训练样本集中的少数异常样本使模型做出倾向多数类的判断,该方法使用数据再平衡技术对异常样本进行增补,并基于集成学习缓解增补过程的随机性造成的检测结果的高方差。测试结果表明,该方法在使用类间高度不平衡的历史量测数据训练时,可以达到令人满意的检测性能。提出了一种基于深度自动编码器的分布式半监督量测篡改攻击检测方法。该方法使用一组部署在输电线路上的分布式异常测量仪评估该线路两侧相量量测数据的异常程度,与集中式检测相比更适用于大规模电力系统。此外,半监督学习技术的应用大大减轻了人工标注训练样本类别的工作量,避免实践中因异常样本过少导致的异常特征模式学习不充分。测试结果表明,与传统机器学习模型相比,这一基于深度学习的检测方法不仅具有更为优越的检测精度,且具备更强的泛化与抗噪能力。提出了一种面向大规模互联电力系统的隐私保护式分层状态估计框架。为了避免多区域状态估计过程中部分参与方的敏感运行数据被其他参与方合谋窃取,该框架重构了传统的分层状态估计流程,将二阶拓展的阈值Paillier同态密码系统引入不同参与方的交互过程,允许不可信的上级调度在不知晓下级调度上报数据真实值的前提下开展分层状态估计所需的协调计算。基于实际云服务器的测试表明,该框架不会影响常规分层状态估计的精度,且计算效率可以满足实用需求,在大规模互联电力系统中具有较强的应用潜力。