（问题）电力系统加速迈向数字化调度与线监测，数据成为支撑运行控制的重要基础。然而，针对量测数据的虚假数据注入攻击具有隐蔽性强、传播链路复杂等特点，可能在不触发传统阈值告警的情况下误导状态估计与调度决策，进而放大运行风险。如何在海量量测信息中“看得准、找得到、定位快”，成为电力网络安全防护的关键课题。 （原因）业内既有检测方法在工程应用中面临三上掣肘：一是面对攻击伪装与噪声叠加——异常特征不够突出——导致检测精度与稳定性受限；二是量测数据维度高、有关性强，直接建模容易出现计算负担过重、泛化能力不足的“维度灾难”；三是部分模型虽然在统计指标上表现良好，但缺乏对异常产生与被捕捉过程的直观解释，不利于运维人员理解与快速处置。 （影响）虚假数据注入一旦绕开常规校验，轻则造成局部告警误判、增加运维成本，重则可能引发不合理的控制动作与潮流分布变化，影响电网安全裕度。特别是在新能源并网比例提升、跨区互联增强的背景下，系统运行状态更为复杂，攻击的连锁效应更易扩散，对监测、诊断与应急联动提出更高要求。 （对策）针对上述难点，三峡大学席磊教授团队提出一套面向电力信息物理系统的高精度定位检测思路：在数据处理层面，利用时序自编码器对量测序列进行重构，通过“先重构、再对比”的方式强化异常与正常之间的差异，使原本被噪声和耦合关系掩盖的异常特征更容易被显化；在特征选择层面，引入相关性标签增强机制，挖掘标签潜在信息并进行稀疏学习，对高维特征进行筛选压缩，仅保留对定位最具贡献的显著特征，从源头降低冗余干扰与计算开销；在检测与定位层面，将筛选后的特征输入一维卷积网络进行学习，兼顾时序特性与局部模式识别能力，从而提升受攻击节点的判别精度与定位效率。 为增强方法的可理解性，团队深入采用主成分分析对数据分布变化进行可视化呈现：在原始受攻击样本中，正常点与异常点往往相互交织；经过时序重构后，异常点开始从正常分布中“脱离”；再经特征筛选后，高价值特征的区分作用进一步凸显，异常与正常的边界更加清晰。此过程为模型“为何能检出、如何完成定位”提供了直观佐证，也为工程人员评估模型可靠性、制定处置策略提供参考。 （前景）研究团队表示，下一步将结合仿真数据与实际电网运行数据，建设覆盖多场景、多强度、多策略的攻击样本库，以提升模型在复杂攻击条件下的适应性与鲁棒性；在实现精准定位的基础上，还将探索面向受攻击节点的实时防御与联动处置策略，推动检测结果与调度、继电保护、通信安全等环节更紧密衔接，尽可能降低攻击对电网运行的影响。业内人士认为，随着电力系统安全防护从“被动告警”向“主动识别、精准处置”演进，兼顾精度、效率与可解释性的技术路线将更具应用价值。
在全球数字化转型浪潮下，关键基础设施安全已上升为国家战略议题；三峡大学这项研究成果的取得，标志着我国在电力系统网络安全领域迈出坚实一步。随着技术的健全和应用推广，将为构建安全、可靠、智能的新型电力系统注入强劲动能，同时也为应对日益复杂的网络空间安全挑战提供了中国方案。