작은 측정값 섭동 (perturbation)을 도입하는 허위 데이터 주입 공격 (False Data Injection Attacks, FDIAs)은 주입된 신호가 시스템 모델의 의사 영공간 (pseudo-null space)과 일치할 경우 전력 시스템 상태 추정 (state estimation)에서 여전히 큰 편차를 일으킬 수 있습니다. 기존의 모델 기반 및 데이터 기반 탐지기들은 잔차 테스트 (residual tests)가 의사 영공간에 숨겨진 변화를 무시하고, 부분 공간 학습 (subspace learning) 방법론은 물리적 일관성 (physical consistency)을 강제하지 않은 채 상관관계 패턴만을 포착하기 때문에, 이러한 저강도이지만 영향력이 큰 공격을 식별하는 데 실패할 수 있습니다. 본 논문은 전처리를 통해 물리적 영공간 (physical null space)과 측정값 유도 의사 영공간 (measurement-derived pseudo-null space) 사이의 기하학적 대응 관계를 보존함으로써 은밀한 FDIA를 탐지하는 프레임워크인 물리적 일관성을 갖춘 영공간 정렬 (Physically Consistent Null Space Alignment, PCNSA)을 제안합니다. 핵심 요소는 부분 공간 추출 전 측정값을 물리적 좌표계 (physical coordinate frame)로 재표현하는 의사 영공간 보존 데이터 전처리 (Pseudo-null Space Conserved data Preprocessing, PSCP) 단계입니다. 우리는 PSCP가 행 공간 (row space)과 그 직교 보공간 (orthogonal complement) 사이의 분리성을 보존함을 증명하며, 이는 기존의 특성별 표준화 (per-feature standardization)가 위반하는 속성입니다. 이를 통해 $H$에 대한 명시적인 지식 없이도 특이값 분해 (Singular Value Decomposition, SVD)로부터 유도된 의사 영공간이 물리적 잔차 공간 (physical residual space)과 일치하도록 유지합니다. IEEE 14-, 30-, 57-, 118-bus 시스템에 대한 실험을 통해 이 원칙이 실제로 작동함을 확인했습니다. XTM, LSTM, AE 및 Isolation Forest 베이스라인을 회피하는 은밀한 공격들이 정렬된 부분 공간에서는 명확한 편차로 나타나며, 부분 관측성 (partial observability) 및 실제적인 PMU 노이즈 환경에서도 견고함을 유지하면서 더 높은 F1-score와 탐지 정확도를 달성했습니다.