1.一种光网络故障检测方法，其特征在于，包括：
获取待检测的光网络性能数据；
将所述待检测的光网络性能数据输入到训练好的光网络故障检测模型，获取所述待检测的光网络性能数据的隐空间重构误差，以根据所述隐空间重构误差和预设故障阈值，得到光网络故障检测结果，其中，所述训练好的光网络故障检测模型是由样本光网络性能数据，对改进的自编码器神经网络进行训练得到的，所述改进的自编码器神经网络包括第一编码器、第二编码器和解码器。
2.根据权利要求1所述的光网络故障检测方法，其特征在于，所述训练好的光网络故障检测模型通过以下步骤训练得到：
根据样本光网络性能数据，构建原始空间样本集，所述原始空间样本集包括样本训练集和样本验证集，所述样本训练集中的样本光网络性能数据为非故障数据，所述样本验证集中的样本光网络性能数据包括非故障数据和故障数据；
将所述样本训练集输入到所述改进的自编码器神经网络中进行训练，得到训练好的光网络故障检测模型。
3.根据权利要求2所述的光网络故障检测方法，其特征在于，所述将所述样本训练集输入到所述改进的自编码器神经网络中进行训练，得到训练好的光网络故障检测模型，包括：
将所述样本训练集输入到所述第一编码器，获取样本隐空间训练集；
将所述样本隐空间训练集输入到所述解码器，获取重构后的样本训练集；
将所述重构后的样本训练集输入到所述第二编码器，获取样本隐空间重构训练集；
根据所述样本训练集、所述重构后的样本训练集、所述样本隐空间训练集和所述样本隐空间重构训练集，获取所述自编码器神经网络的损失函数值，若判断获知损失函数值满足收敛条件，得到训练好的光网络故障检测模型。
4.根据权利要求2所述的光网络故障检测方法，其特征在于，在所述将所述样本训练集输入到所述改进的自编码器神经网络中进行训练，得到训练好的光网络故障检测模型之后，所述方法还包括：
将所述样本验证集的数据输入到训练好的光网络故障检测模型，获取样本隐空间和样本隐空间重构，所述样本隐空间是由所述第一编码器对所述样本验证集进行编码得到的，所述样本隐空间重构是由所述第二编码器对重构后的样本验证集进行编码得到的，所述重构后的样本验证集是由所述解码器对所述样本隐空间进行解码得到的；
根据所述样本隐空间和所述样本隐空间重构，获取样本隐空间重构误差，并根据所述样本隐空间重构误差，构建预设故障阈值。
5.根据权利要求1所述的光网络故障检测方法，其特征在于，在所述获取待检测的光网络性能数据之前，所述方法还包括：
对所述待检测的光网络性能数据进行数据预处理，所述数据预处理包括重复数据删除、缺失数据填充和数据整合。
6.一种光网络故障检测系统，其特征在于，包括：
数据采集模块，用于获取待检测的光网络性能数据；
故障检测模块，用于将所述待检测的光网络性能数据输入到训练好的光网络故障检测模型，获取所述待检测的光网络性能数据的隐空间重构误差，以根据所述隐空间重构误差和预设故障阈值，得到光网络故障检测结果，其中，所述训练好的光网络故障检测模型是由样本光网络性能数据，对改进的自编码器神经网络进行训练得到的，所述改进的自编码器神经网络包括第一编码器、第二编码器和解码器。
7.根据权利要求6所述的光网络故障检测系统，其特征在于，所述系统还包括：
样本构建模块，用于根据样本光网络性能数据，构建原始空间样本集，所述原始空间样本集包括样本训练集和样本验证集，所述样本训练集中的样本光网络性能数据为非故障数据，所述样本验证集中的样本光网络性能数据包括非故障数据和故障数据；
训练模块，用于将所述样本训练集输入到所述改进的自编码器神经网络中进行训练，得到训练好的光网络故障检测模型。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述光网络故障检测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述光网络故障检测方法的步骤。