负荷重分配攻击（Load Redistribution Attack,LRA）是一种特殊的虚假数据注入攻击,其通过构造能够绕过不良数据检测的攻击向量破坏电网数据的完整性,令状态估计得到错误数据,使调度中心不能下达准确的指令,给电网带来威胁。针对LRA,本文主要研究其检测方法。通过梳理国内外研究现状,对LRA的构造和检测方法进行分析,总结发现,现有的针对LRA的检测方法集中在直流状态,交流状态下的检测存在空白。同时,现有的检测方法大多使用传统的统计学方法,并未深入研究并使用更有效的机器学习方法。此外,电力系统无法准确获得当前时刻断面系统的状态,给LRA留下了可乘之机。针对以上问题,结合智能电网数据特征,提出了三种LRA的检测方法。针对交流状态下LRA检测方法存在的不足,提出了基于小波包分解和随机森林的检测方法。首先使用小波包分解提取原始数据的特征。小波包分解可以在不同的分解层数上进行,不同层数的分解可以提取到不同的数据特征。随后使用随机森林对提取到的特征进行分类,由于随机森林可以选取多个特征进行模型的训练,因此可以充分利用提取到的特征,进而有效识别LRA。为了提高检测效率,提出了基于ARIMA预测模型的检测方法。针对电力系统无法准确得到当前时刻系统状态的情况,使用ARIMA模型和电网历史数据进行当前时刻负荷数据的预测。考虑到电力系统在稳定运行时结点负荷不会发生剧烈的波动,以预测数据和上一个时刻的数据为依据,对当前时刻的量测数据进行负荷偏差的比较,当某些结点的负荷偏差较大时,认为系统受到了 LRA的干扰。针对以上两种方法对低强度攻击的LRA检测效果不理想的情况,提出了基于负荷偏差XGBoost的检测方法。考虑到XGBoost本身具有极其优秀的数据分类特性,直接使用正常的历史数据和攻击数据对XGBoost进行训练和测试,取得了相对理想的检测效果。之后假设ARIMA模型的预测数据为系统真实数据,计算量测值与预测值之间的偏差,以偏差数据作为样本训练XGBoost模型。由于计算负荷偏差相当于提取了数据的有效特征,因此对低强度攻击的LRA取得了较为理想的识别效果。以上所提的检测方法均在Matpower电力仿真包的IEEE 118标准电力系统下进行仿真实验,验证方法的可行性与有效性。