1.一种基于局部线性嵌入和极限学习机的隐匿虚假数据注入攻击检测方法，其特征在于，所述方法包括以下步骤：步骤1)，获取电网系统的测量信息，将测量信息作为训练样本，其中包括正常样本和被攻击样本；

步骤2)，确定近邻点个数K值大小和降维后的特征维数；

步骤3)，计算样本点的重构权值矩阵；

步骤4)，样本点映射嵌入到低维空间；

步骤5)，训练极限学习机模型；

步骤6)，将新的测量样本降维处理，作为极限学习机检测模型的输入，得到检测结果。

2.如权利要求1所述的一种基于局部线性嵌入和极限学习机的隐匿FDI攻击检测学习方法，其特征在于，所述步骤2的过程如下：寻找每个样本的K个近邻点，即需要K个近邻样本来表示某个样本，根据度量空间距离计算任意两个样本点之间的欧式距离，计算得到离样本点距离最近的K个点作为邻近点，假设总共有K个样本，样本为D维数据，D×1的列向量，对于每一个样本由K近邻的样本线性组合如下：其中，Wij是样本Xi对应于第j个近邻样本的权重系数，Xj是Xi的第j个近邻点。

3.如权利要求1或2所述的一种基于局部线性嵌入和极限学习机的隐匿FDI攻击检测学习方法，其特征在于，所述步骤3)的过程如下：

3.1)由每个样本的近邻点计算该样本点的重构权值矩阵，通过最小化均方差损失的目标函数式(2)，保证了局部样本的线性关系；

其中，W＝[Wij]1≤i,j≤N是N×N是矩阵，对于1≤j≤N,WiT＝[wi1,wi2,…,wiN],当样本点Xj不属于Xi的近邻点集合之中，Wij取值为0，另外，矩阵W行和等于1；

3.2)显然，最优W是单独计算的最优列Wi的组合，Wi运用拉格朗日乘子法求解：其中λi是拉格朗日系数，Si＝(Xi-Ni)T(Xi-Ni)作为局部协方差矩阵；

3.3)Ji对Wi求导表示为

其中1K是k维全1向量，由等式(4)解得 且由等式(2)，得因此解得 进一步求得Wi

4.如权利要求1或2所述的一种基于局部线性嵌入和极限学习机的隐匿FDI攻击检测学习方法，其特征在于，所述步骤4)的过程如下：

4.1)，由样本点的局部重构权值矩阵和其近邻点计算出样本点降维后的输出值，所有样本点映射到低维空间满足以下关系：其中Ri为Xi的输出向量，Id是d×d矩阵，添加约束是为了保证解决方案的本质唯一性式(6)改写成式(7)的形式；

4.2)令M＝(Ii-Wi)(Ii-Wi)T,再使用拉格朗日乘子法：H(Y)＝YMYT+λ(YYT-NId)    (8)H(Y)对Y求导， 得：

MYT＝-λYT       (9)

要使损失函数值尽可能的小，取Y为M最小的d个非零特征值所对应的特征向量，第一个最小特征值接近于0，将其舍弃，为了降维到d维，从小到大依次取前[2,d+1]个特征值对应的特征向量。