1.一种智能电网虚假数据注入攻击检测方法，其特征在于，包括如下步骤：步骤S1：获取系统量测数据和电力系统拓扑关系，执行状态估计过程并利用电力系统状态估计数据库收集系统状态历史数据；

步骤S2：使用变分模态分解算法对获取的历史数据段进行分解，获得多个具有不同中心频率的子数据段；

步骤S3：计算每个子数据段的基于统计指标的特征构建训练样本；

步骤S4：调整在线序列极限学习机相关参数训练虚假数据注入攻击检测器；

步骤S5：读取当前时刻24小时以内电力系统状态估计数据，对新获取的数据使用变分模态分解算法对获取的历史数据段进行分解，获得多个具有不同中心频率的新获取的子数据段并计算每个新获取的子数据段的基于统计指标的特征构建训练样本，使用训练完成的检测器判断是否发生虚假数据注入攻击行为；

步骤S6：收集到的检测数据样本，将经过可信认后的数据样本构造为新的扩充训练集在在线检测过程中，利用所使用检测器的在线数据学习能力，不断加入新训练样本进行模型更新，提高检测器的准确度性能。

2.根据权利要求1所述的一种智能电网虚假数据注入攻击检测方法，其特征在于，在步骤S1中，系统量测和电力系统拓扑知识的关系表示为：z＝h(x)+e                                  (1)其中z为量测数据，由电力系统节点注入的有功功率、无功功率，支路上的有功、无功潮流组成，h(·)表示系统拓扑关系，e为量测误差；

根据加权最小二乘法求解最优的系统状态，其最优函数为：min J(x)＝min[z-h(x)]TW[z-h(x)]                        (2)其中W为对角协方差矩阵，将模型简化后，求得的系统状态表示为：其中，H为m*n维的雅克比矩阵，其由系统拓扑和线路阻抗决定，m和n为正整数。

3.根据权利要求2所述的一种智能电网虚假数据注入攻击检测方法，其特征在于：在步骤S2中的具体步骤为：步骤S201：定义每个具有特定频带特性的模态信号为uk(t)＝Ak(t)cos(φk(t))，其中Ak(t)和φk(t)分别为模态信号的幅值和相位，每个模态有各自对应地中心频率ωk，使用希尔伯特变换获得每个模态的单边频谱信号；

步骤S202：将频谱信号调整到相应基频带，构造约束变分模型：式中δ(t)为狄拉格广义函数，j为虚数单位；

步骤S203：使用拉格朗日乘子λ和惩罚因子α将上述模型优化为非约束问题：步骤S204：使用乘法算子交替方向法更新各模态和对应地中心频率：步骤S205：满足收敛条件则停止更新，得到K个子序列。

4.根据权利要求3所述的一种智能电网虚假数据注入攻击检测方法，其特征在于：在步骤S3中采用4个基于统计指标的特征量来构造检测器的训练集样本，特征指标的计算如下：步骤S301：计算模态能量差异，如下公式：

式中yij代表数据元素，其中i代表模态序号，j代表为分解出的模态中第j个元素；

步骤S302：模态的熵计算如下：

其中pj为分解出的模态信号的能量概率分布；

步骤S303：模态的均值μ和标准差σ的计算过程如下：

5.根据权利要求4所述的一种智能电网虚假数据注入攻击检测方法，其特征在于：在步骤S4的具体步骤为：步骤S401:对于给定的一小块训练集进行初始训练，训练集如下：S0＝{(xi,ti)|xi∈Rn,ti∈Rm,i＝1,...,N0}，极限学习机模型表示为：

式中aj∈Rn和bj∈R(j＝1,2,...,K)分别为第j个隐含节点的输入权值和偏置；gi(aj,bj,xi)为第j个隐含节点的激活函数；βj为连接隐含层与输出层的输出权值；yi∈Rn为网络输出值；

步骤S402：将公式1中表达关系用矩阵形式表示：H0β(0)＝Y0，β0＝[β1,...,βL]T为输出权值，H0为隐含层输出矩阵，Y0＝[y1,...yN]T为目标输出值；

步骤S403：通过广义逆理论计算初始输出权重

并把k置为0。

6.根据权利要求5所述的一种智能电网虚假数据注入攻击检测方法，其特征在于：在步骤S5中，检测器被设置为0-1分类模式，其中1代表刚刚过去的时段有虚假数据注入攻击的发生，0代表系统状况正常。

7.根据权利要求6所述的一种智能电网虚假数据注入攻击检测方法，其特征在于：在步骤S6中，在线序列极限学习机根据新到达的样本更新模型，对于第k+1块到来的样本检测器模型更新如下：①计算新的隐含层输出矩阵：

②设置

③根据下式子更新输出权重β(k+1)：

④设置k＝k+1并返回在线更新阶段步骤①重新计算直到所有数据块被学习。