Las redes inteligentes integran tecnologías avanzadas de información y comunicación (TIC) en las redes eléctricas tradicionales para una entrega y gestión de energía más eficientes y resilientes, pero también introducen nuevas vulnerabilidades de seguridad que pueden ser explotadas por adversarios para lanzar ciberataques, causando consecuencias severas como apagones masivos y daños a la infraestructura. Los métodos existentes basados en aprendizaje automático para detectar ciberataques en redes inteligentes se basan principalmente en el aprendizaje supervisado, que necesita instancias de eventos normales y de ataque para el entrenamiento. Además, el aprendizaje supervisado requiere que el conjunto de datos de entrenamiento incluya instancias representativas de varios tipos de eventos de ataque para entrenar un buen modelo, lo cual a veces es difícil, si no imposible. Este artículo presenta un nuevo método para detectar ciberataques en redes inteligentes utilizando datos de PMU, que se basa en la detección de anomalías semi-supervisada y el aprendizaje de representaciones profundas. La detección de anomalías semi-supervisada solo emplea las instancias de eventos normales para entrenar modelos de detección, lo que la hace adecuada para encontrar eventos de ataque desconocidos. Se investigaron varios algoritmos populares de detección de anomalías semi-supervisada en nuestro estudio utilizando conjuntos de datos de ciberataques en sistemas eléctricos disponibles públicamente para identificar los de mejor rendimiento. La comparación de rendimiento con algoritmos supervisados populares demuestra que los algoritmos semi-supervisados son más capaces de encontrar eventos de ataque que los algoritmos supervisados. Nuestros resultados también muestran que el rendimiento de los algoritmos de detección de anomalías semi-supervisada puede mejorarse aún más al complementarse con el aprendizaje de representaciones profundas.