1.一种对电网虚假数据注入攻击的时空检测方法，其特征在于：包括如下步骤：步骤S1、确定虚假数据注入攻击检测模型的输入特征，输入特征包括表示电力系统母线间的连接关系的邻接矩阵A和各母线节点的功率，将电网中N个母线的时间序列长度为M的节点功率数据视作时间‑空间‑特征三维时空矩阵 即每个母线的每个采样时间点会采集到一个长度为d的特征向量，三维时空矩阵Z归一化之后，结合电网的邻接矩阵组成模型的输入特征；

步骤S2、建立空间Transformer模型：应用一个固定的图卷积层和一个空间自注意层来分别探索局部空间依赖性和全局空间依赖性，将学习到的局部空间特征和全局空间特征使用门机制融合；

应用一个固定的图卷积层探索局部空间依赖性的具体过程如下：图卷积的计算基于切比雪夫多项式近似， 表示邻接矩阵A的对角度矩阵，In为‑1/2 1/2单位矩阵，将对称归一化拉普拉斯矩阵L定义为L＝In‑D AD ，从而得到一个缩放的拉普拉斯矩阵 其中λmax是L的最大特征值，基于切比雪夫多项式Tk的图卷积的近似输出 写为：其中，K是图卷积的核大小，θ是多项式系数的向量；

应用一个空间自注意层来探索全局空间依赖性的具体过程如下：首先将每个时间步长的嵌入特征 进行转换，通过应用可训练的线性变换，计算query向量 key向量 和value向量其中， 和 分别为 和 的权重矩阵；

计算在高维潜在子空间中query和key矩阵之间的相关性强度的权重 计算方法为：式中， 为具有嵌入特征 的图G的所有节点之间的自注意得到的注意得分，即电网母线间的全局空间依赖性，得到的分数 用于对 进行加权，并计算加权和得到节点新的嵌入此外，采用三层前馈网络进一步学习节点的非线性特征，三层前馈网络包含三个隐藏层和两个校正线性单元(ReLu)激活函数，利用 探索特征通道之间的相互作用来更新在输入的嵌入特征 与空间自注意提取的特征 之间建立了残差连接和 为三层的权重矩阵；用另一个残差连接 来求

和前馈网络的输入和输出，与门机制进行特征融合；

学习到的局部空间特征和全局空间特征使用门机制融合的过程为：门g由图卷积层的 和空间自注意层的 得出：

其中， 和 分别是将 和 转换为一维向量的线性投影，通过用门g将 和 加权得到输出空间Transformer的输出 为收集M个时间步长并行获得的 并通过输入后续的时间Transformer；

步骤S3、建立时间Transformer模型，通过对输入数据赋予不同的时间相关性权重来捕获电网数据的时间相关性特征；

建立时间Transformer模型的具体过程如下：从输入特征 和时间嵌入 的级联获得

其中Gt是1×1卷积层，在每个时间步长为每个节点生成d维向量；

首先将长度为M和d通道的时间序列 投影到具有可学习映射的潜在高维子空间中，这三个子空间的学习过程，即query子空间 key子空间 和value子空间 表示为

其中， 和 是学习的线性映射，在得到这三个潜在的T

高维子空间后，引入缩放点积函数来考虑Z中的双向时间依赖性，通过对由时间相关性加权的 进行聚合来获得时间特征；

为 开发一个共享的三层前馈神经网络；

采用残差连接 更好地学习深度网络，对于每个节点，其输出为因此，通过收集所有节点的 时间Transformer的输出为 步骤S4、将虚假数据检测问题建模为分类问题，据此构建基于时空Transformer网络的FDIA检测整体模型。

2.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤S1中确定虚假数据注入攻击检测模型的输入特征的具体过程如下：电网表示为图G＝(V,E,A)，其中V表示N个母线的集合，E是母线之间支路的集合，根据电力系统母线间的连接关系获得邻接矩阵A，若母线节点直接相连，则在A中对应元素为1；

若母线节点不直接相连，则在A中对应元素为0。

3.根据权利要求1所述的一种对电网虚假数据注入攻击的时空检测方法，其特征在于：所述步骤S4中将虚假数据检测问题建模为分类问题，构建基于时空Transformer网络的FDIA检测整体模型的具体过程如下：将历史时刻电网中各母线的特征放入空间Transformer层中，然后经过时间Transformer提取电网数据在时序上的特征，将融合电网时空特征的中间结果展成一维向量，经过一个全连接层及softmax层输出各个节点异常的概率，概率最大的节点作为模型最终的检测结果，模型构建完后，应用交叉熵损失函数的监督训练，计算出模型中定义的所有未知参数：其中，P为样本数，Q为类别数，yiq为样本标签类别，piq为样本i属于类别q的概率。