Un ataque de inyección de datos falsos (FDIA) es el principal método de ataque que amenaza la seguridad de las redes inteligentes. Los FDIA engañan al centro de control para que tome decisiones incorrectas modificando los datos de medición del sistema de red eléctrica. Por lo tanto, la detección efectiva y precisa de los FDIA es crucial para la operación segura de las redes inteligentes. Sin embargo, los métodos actuales basados en aprendizaje profundo no explotan completamente las características locales a corto plazo y las dependencias a largo plazo de los datos de la red eléctrica y tienen poca correlación con la información de series temporales pasadas y futuras, lo que resulta en una falta de credibilidad en los resultados de detección. En vista de esto, se propuso un modelo de detección de FDIA que combina una red convolucional temporal bidireccional y una unidad recurrente bidireccional con un mecanismo de atención (A-BiTG). El modelo propuesto utiliza una red convolucional temporal bidireccional (BiTCN) y una unidad recurrente bidireccional (BiGRU) para considerar la información temporal pasada y futura en la red. Esto mejora la capacidad del modelo para capturar dependencias a largo plazo y extraer características, al mismo tiempo que resuelve el problema de explosión y desvanecimiento de gradientes del modelo. Además, se agregó un mecanismo de atención (AM) para asignar pesos dinámicamente a la información de características extraídas y retener las características más valiosas para mejorar la precisión de detección del modelo. Finalmente, el método propuesto se comparó con métodos existentes en los sistemas de prueba IEEE 14-bus e IEEE 118-bus. Los resultados muestran que el modelo de detección propuesto es más robusto y superior bajo diferentes entornos de ruido y señales de FDIA con diferentes intensidades.