1.一种基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，包括，静态检测器，其构建在动态检测器之外并与警报连接，用以接收第一输入源，所述第一输入源为实时检测，所述静态检测器与电力系统优化模块连接，用以实时对电力系统进行检测；动态检测器，其与警报连接，用以接收第一输入源和第二输入源，所述第一输入源为实时检测，所述第二输入源为网络包，所述网络包能够被指令捕获，用以识别FDI攻击的高水平时间序列特征；深度学习模型，其用以接收实时检测的数据信息并将所述深度学习模型的结果传输至所述动态检测器，通过将实时收集的测量数据支持离线训练，并在训练完成后更新预测模型。2.根据权利要求1所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，在所述系统对虚假数据注入攻击时，通过卡方检定的方式对虚假数据注入攻击进行检定，所述卡方检定包括最大归一化残差和性能指标，所述性能指标表达如下，其中，是遵循卡方分布的，τ是预先设置的阈值，阈值从X2的分布中获取。3.根据权利要求2所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，若性能指标则坏数据将会被怀疑，而对于DC模型中，

传统的坏数据检测方法往往会降低到测量残差的l2‑norm：

其中，z表示正确值，H表示转换系数，x表示分布的数据。4.根据权利要求3所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述系统将测量设备的母线电压幅值、角度和状态值共同表示为马尔科夫决策过程中的状态，通过采用递归模型，状态的判定由之前的n个状态确定，递归模型中的损失函数表达如下，其中，θ表示需要转换的参数，τ表示决定攻击是否开始的阈值，L代表损失函数，s表示时间序列t‑1到t‑1+n的状态，t表示时间序列。5.根据权利要求4所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述动态检测器的动态异常检测结果通过接受时间序列表示为… ,x(t‑1) ,x(t) ,…，学习高维特征表示，再通过所述时间序列表示特征来预测下一个数据点将检验

实际数据X(t)和预测数据之间的相似性预测的数据点，用来分类X(t)是否异常。

6.根据权利要求5所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，在当IDS依赖数据度量检测FDI攻击开始失败时，若一个被捏造的注入数据来自一个合法的注入模型的情况下，数据级别探测器无法判断当前网络是受到入侵，通过采用的联合攻击检测的方法对电网虚假数据注入攻击进行检测。7.根据权利要求6所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述联合攻击检测是通过直接连接输入向量将数据积信息和包级特征结合起来，在连接之前，每个层次特征都通过卷积神经网络进行变换，均衡数据测量和包层次特征之间的维数，并使用梯度下降学习权值。8.根据权利要求7所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述网络包包括包头和数据有效负载，具有定义NSL‑KDD数据集的独特性，所述NSL‑KDD数据集有41个特征。9.根据权利要求8所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述NSL‑KDD数据集的41个特征包括三种类型，分别为基本特征、基于内容的特征和机遇流量的特征。10.根据权利要求9所述的基于深度学习的智能电网虚假数据注入攻击的检测系统，其特征在于，所述时间序列特征包括在线训练和在线检测。