智能电网中的攻击行为数量和种类的日益增加导致其安全性下降。因此,为了提高电网的安全性能,本文首先提出了一个攻击行为检测架构。该架构通过将攻击行为区分为已知攻击和未知攻击,然后在深度学习(Deep Learning)的基础上提取不同攻击类型的代表性特征,保证攻击行为的识别精度。本文的主要贡献如下:(1)针对攻击行为数量多、数据片段长而导致的行为检测精度低的问题,本文提出了一种基于生成对抗网络(Generative Adversarial Networks,GAN)的行为检测方法。该方法主要是在GAN的基础上优化生成器和判别器的学习策略。其中,在判别器中通过最大化攻击的均方根误差来使损失函数收敛,在生成器中使用linear激活函数作为输出前的调控函数。因此,改进的GAN可以利用原始模型中数据增强的特点,又可以保证攻击行为识别的稳定性,进而有效检测出电网中的攻击信息。(2)针对种类复杂、隐蔽性较高的已知攻击行为,本文提出了一种基于深度信念网络(Deep Belief Netwoks,DBN)提取已知攻击行为特征的方法。具体地,通过分析攻击向量中的数据,找出攻击目标函数。然后基于DBN的非线性迭代算法,将攻击行为的已知优势条件转化为约束条件反向求解攻击向量。然后利用DBN对输出的每个攻击向量进行深度分析。该方法可以自动生成选择特征,有效的避免噪声干扰,提高隐蔽行为的识别精度。(3)针对未知攻击行为检测精度问题,本文提出一种基于支持向量机(Support Vector Machine,SVM)提取未知攻击行为特征的方法,该方法通过对每一层神经网络(Neural Network,NN)中参数权值正则化求解,自动实现行为向量的初始化处理。然后对特征进行归类排序生成多个特征集。该方法可以有效的提取未知攻击行为中具有代表性的行为特征,提高对未知行为的检测精度。