随着大型数据中心（DC）负载的快速增长，电力系统面临可见性、隐私和网络物理安全方面的全新挑战。系统运营商需要关于这些快速变化负载的准确短期信息，但数据中心运营商可能不愿共享原始兆瓦级测量数据，因为这类数据会泄露敏感的工作负载和利用率模式。本文提出了FedGuard-DC，一个基于联邦学习（FL）的隐私保护框架，用于数据中心负载预测和本地虚假数据注入攻击（FDIA）检测。在该框架中，每个数据中心在自身测量数据上训练一个双头模型，共享编码器同时支持预测头和重建头。通过将预测残差与重建误差相结合，生成校准后的异常分数，从而在本地检测被篡改的测量值。原始测量数据和绝对MW需求始终保留在各数据中心，仅将模型更新共享给全局控制器。框架还包含可选的差分隐私和鲁棒修剪均值聚合机制，以评估隐私-效用权衡以及对恶意客户端投毒的抵抗力。基于集成到IEEE 39节点新英格兰系统中的四个额定功率为150至350 MW的大型数据中心负载的EMT仿真数据，实验结果表明：0.5秒提前期归一化预测RMSE为0.023-0.038 pu，而持久性方法的RMSE为0.32-0.34 pu；FDIA检测的ROC-AUC达到0.979，F1分数为0.930，精确率为0.988；鲁棒聚合将投毒客户端引起的RMSE影响从0.042 pu降至0.035 pu。该研究展示了联邦学习在保护数据隐私的同时，能够有效提升电网对网络攻击的弹性。