1.一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，数据来源包括海量目标域无标签测量样本、少量目标域有标签测量样本和源域海量有标签测量样本，首先使用目标域海量无标签样本进行DBN的逐层无监督预训练，得到高度抽象的重要特征；然后利用源域海量有标签的样本进行再训练得到参数共享的DBN网络，将参数迁移到目标域网络并冻结，增加或替换隐藏层，获得新的学习空间；接着利用目标域有标签样本对增加的适配层进行训练；最后取消冻结；再次利用目标域有标签样本进行参数微调得到最终模型。

2.如权利要求1所述的一种基于深度信念网络和迁移学习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)，获取实际电网系统的测量数据，包括海量目标域无标签测量样本、少量目标域有标签测量样本；

步骤2)，根据电网历史负荷及其网络拓扑信息模拟电网的正常运行，然后构建攻击模型来生成时序模拟正常测量和攻击测量数据，得到源域海量有标签测量样本；

步骤3)，使用目标域海量无标签样本进行DBN的逐层无监督预训练，获得真实样本的分层特征表达；

步骤4)，使用源域海量有标签测量样本进行DBN再训练，得到训练好的DBN网络；

步骤5)，将DBN网络参数迁移到目标域网络并冻结,增加适配层(BN层和全连接层)，获得新的学习空间；

步骤6)，使用目标域有标签样本对增加的适配层进行训练，直到网络训练至样本测试集准确度处于基本不变的稳定收敛状态，取消参数冻结,再次使用目标域有标签样本进行全网络微调，获得深度信念网络迁移学习模型。

3.如权利要求2所述的一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，所述步骤2的过程如下：为了模拟FDI攻击动态数据注入过程.首先收集电网历史负荷及发电机注入功率数据,通过估计网络拓扑参数,再进行分时潮流计算来模拟电网实际运行状态,得到每一时刻总线的电压幅值和相角,进而求出雅可比矩阵和满足隐匿FDI攻击的攻击向量,最终可以获得整个模拟测量数据集,其中按照时序关系进行索引。

4.如权利要求2所述的一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，所述步骤3的过程如下：将多个RBM和一个GBRBM结合起来构建DBN网络，GBRBM作为DBN网络的首层，多个堆叠的BBRBM作为DBN网络的隐藏层，利用对比散度算法，将目标域海量无标签样本送入GBRBM和BBRBM进行逐层无监督预训练，学习得到目标域测量样本的特征。

5.如权利要求2所述的一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，所述步骤4的过程如下：在特征学习阶段后，在隐藏层顶部增加一个softmax分类层，根据模拟测量样本,对预训练好的DBN网络采用反向误差传播算法(BP)对每个隐藏层的权重、偏置进行调整,直至模拟样本测试集准确率基本不变时，完成对DBN网络参数的训练。

6.如权利要求2所述的一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，所述步骤5的过程如下：在上述训练好的DBN模型的基础上，将DBN网络参数迁移到目标域网络并冻结，然后进行模型调整,在softmax层前增加BN层和全连接层作为适配层,GBRBM和多个堆叠的RBM能最大程度拟合训练数据的概率分布,而BN层则能避免前向网络参数变化导致后面全连接层输入数据的分布变化；另外，由于目标域有标签真实样本少，加入BN层有利于解决模型出现过拟合的问题，增加的全连接层可以通过调节全连接层的权值保存或者舍弃部分源网络的特征，达到既保存源网络信息又能进一步学习目标域信息的目的。

7.如权利要求2所述的一种基于深度信念网络和迁移学习的隐匿虚假数据注入攻击检测方法，其特征在于，所述步骤6的过程如下：基于DBN模型的迁移，由于模拟测量数据与真实测量数据存在一定的分布差距,迁移DBN模型参数以适配目标域数据并最大化目标域数据价值；所述步骤6具体包括如下两个过程：

7.1)适配层训练

使用目标域有标签样本对增加的适配层进行训练，所述适配层包括BN层和全连接层，直到网络训练至样本测试集准确度处于基本不变的稳定收敛状态；

7.2)全网络微调

取消参数冻结，再次利用目标域少量有标签的测量样本以较小的学习率微调整个网络，直到样本测试集准确率处于基本不变的稳定收敛状态。