현대의 스마트 그리드 (Smart Grids) 는 조밀한 측정 인프라, 통신 링크 및 지능형 현장 장치에 의존합니다. 이는 감독과 제어를 개선하지만, 사이버-물리적 중단 (Cyber-physical disruptions) 에 대한 취약성 또한 증가시킵니다. 운영자는 고장이나 선로 교란과 같은 물리적 사고와 허위 데이터 주입 (False data injection) 또는 승인되지 않은 명령 실행과 같은 악의적인 행위를 구분해야 합니다. 본 장에서는 잘 알려진 MSU/ORNL 전력 시스템 공격 데이터셋 (MSU/ORNL Power System Attack Dataset) 을 사용하여 이 문제를 조사합니다. 제안된 방법은 머신러닝 (Machine learning) 과 유전 알고리즘 (Genetic-algorithm) 기반의 특징 선택 (Feature selection) 을 결합합니다. 목적은 두 가지입니다. 공격과 자연 발생 이벤트를 정확하게 분류하는 것과, 물리적으로 유익한 PMU/IED 측정값의 축소된 집합이 신뢰할 수 있는 탐지를 지원할 수 있는지 결정하는 것입니다. 로지스틱 회귀 (Logistic regression), RBF-SVM, XGBoost, Random Forest, 그리고 Extra Trees를 포함한 여러 베이스라인 모델 (Baseline models) 을 평가합니다. 결과에 따르면 트리 기반 앙상블 모델 (Tree-based ensemble models) 이 고려된 데이터셋에 가장 효과적이며, Extra Trees가 가장 강력한 전체 특징 베이스라인을 제공합니다. 특징 선택 후, GA + Extra Trees 모델은 5회 실행 결과 깨끗한 PMU 특징 공간을 112개의 속성에서 평균 27.4개의 속성으로 줄이는 동시에, macro-F1을 0.9118에서 0.9212로, ROC-AUC를 0.9791에서 0.9837로 향상시켰습니다. 이러한 결과는 많은 동기화된 전기적 측정값들이 중복된다는 것을 나타냅니다. 페이저 기반 특징 (Phasor-based features) 의 압축된 하위 집합은 스마트 그리드에서 여전히 정확하고 해석 가능한 이상 탐지를 제공할 수 있습니다.