随着电力系统智能化水平不断提高,智能电网已经呈现出信息物理高度融合的特征。信息流和物理流的深度融合提升了信息侧对物理电网的稳定控制。然而,信息空间存在的漏洞为网络攻击提供了可乘之机,信息侧网络攻击入侵后物理侧电力设备运行失去稳定控制,发生故障甚至损坏,严重时引发大范围停电事故。为了提升电力信息物理融合系统（Cyber-Physical-System,CPS）防范网络攻击的能力,本文提出一种基于集成学习的电力CPS网络攻击识别方法,从数据的平衡化处理、网络攻击识别最优特征子集的选择及网络攻击识别模型构建三个方面展开研究,主要研究内容如下:（1）信息侧网络攻击发生时量测系统难以获取足量数据表征电网状态,网络攻击样本数量过低引起了数据严重不平衡问题,使网络攻击识别模型的误报率过高。针对上述问题,本文提出一种网络攻击数据平衡化处理方法,在Kmeans-Smote过采样算法中引入中心插值和分段采样策略,生成和真实攻击样本高度相似的伪样本加入到原始样本集,使各种攻击事件以及非攻击事件之间样本数量趋于平衡,从而实现网络攻击数据平衡化处理。实验算例表明,数据平衡化处理后,样本数量偏低的攻击类别误报率明显下降。（2）电力CPS的物理层量测数据中存在的冗余属性使网络攻击识别模型的精度降低且更加耗时,针对上述问题,本文提出一种网络攻击识别最优特征子集选择方法,基于最大化联合互信息算法迭代筛选出和数据标注高度相关的若干特征,组成网络攻击识别最优特征子集,对网络攻击发生后的电网状态进行最优表征,解决冗余特征的存在引起的网络攻击识别模型精度下降及耗时的问题。仿真实验表明,该方法降低了数据维度,网络攻击识别精度得到提升,网络攻击的识别时间明显缩短。（3）电力CPS在网络攻击发生后物理电网发生故障甚至瘫痪,物理侧量测数据特性和常规条件下故障发生时具有较高的相似性,简单的数据统计分析和不良数据检测算法存在误检、漏检率过高的弊端。针对上述问题,本文构建基于Lightgbm集成学习算法的网络攻击识别模型,并引入焦点损失函数对Lightgbm算法进行改进,提升错分样本在下一次迭代中的训练精度,从而提升模型对网络攻击的识别性能。以网络攻击识别模型为核心,结合网络攻击数据平衡化处理以及网络攻击识别最优特征子集选择,给出一套完整的网络攻击识别方法。仿真实验表明,该网络攻击识别方法有效提升了网络攻击识别精度。综上,本文提出一种基于集成学习的电力CPS网络攻击识别方法。在Python3.7平台上进行实验分析,该方法的平均网络攻击识别精度达到97.35%,误报率低至2.71%,抗噪声性能良好,有较强的适用性。