随着“双碳”目标的提出,以电力系统为骨干、信息高度集合的能源互联网快速发展的同时,针对其开展的网络攻击日渐增多。其中,能源互联网恶意数据攻击隐蔽地篡改电力终端采集的量测信息,对电网的安全运行造成恶劣影响。清洁能源的大规模并网使得恶意数据攻击更易隐藏在高波动的电力环境中。因此进行恶意数据攻击构造辨识研究,对确保能源互联网安全意义重大。论文提出一种考虑风力发电的新型能源互联网恶意数据攻击构造算法,可以在已知不完全拓扑信息的情况下隐蔽地篡改量测数据,研究基于注意力-深度强化学习的检测方法（Attention-DRLD）对恶意数据攻击进行辨识,并改进图卷积网络算法解决恶意数据攻击定位问题。具体工作如下:1、研究分析电力系统状态估计理论和坏数据检测的漏洞,基于传统恶意数据攻击向量生成原理,探索新型能源互联网恶意数据攻击构造方式。提出了融合风力发电环境下基于不完全拓扑信息的能源互联网恶意数据攻击构造方法,进行了相关实验证明了其有效性和隐蔽性,并分析了恶意数据攻击给能源互联网带来的安全隐患。2、针对能源互联网高度的复杂性和不确定性,电力系统环境动态变化难以预测,将恶意数据攻击的辨识问题抽象为部分可观测的马尔科夫决策过程,提出一种基于Attention-DRLD混合神经网络的恶意数据攻击辨识方法,在强化学习观测特征提取时引入注意力机制,关注重要性程度更高的量测点状态特征,以提高能源互联网新型恶意数据攻击检测的准确性。3、为了解决传统静态图神经网络无法适应能源互联网动态变化的问题,将能源互联网电力系统抽象为动态有向图序列,提出了一种基于动态图神经网络的恶意数据攻击定位方法,动态演化网络权重以捕捉图谱数据的时空特征。最后整合本文所提出的算法构建能源互联网恶意数据攻击辨识定位模型。实验部署在IEEE-14、IEEE-118标准母线系统中,验证了该定位模型的良好性能与定位准确率。