1.一种可识别量测篡改攻击的智能电网故障诊断方法，其特征在于，包括以下步骤：

S1、针对智能电网中发生故障并完成断路器开断检测后的元件，采用电气量聚类检测法确定疑似故障元件；

S2、针对每个疑似故障元件，分别建立基于记忆脉冲神经膜系统的量测篡改攻击识别模型，并通过TRMA算法进行求解，判断每个疑似故障元件是否遭受量测篡改攻击，若是则进入步骤S3，否则进入步骤S4；

S3、判定此时的继电保护装置动作为量测篡改攻击遥测量引起的虚假动作，结束智能电网故障诊断；

S4、针对每个未遭受量测篡改攻击的疑似故障元件，根据电网的拓扑结构与保护格局，分别建立基于记忆脉冲神经膜系统的故障诊断模型，并通过FDMA算法进行求解，得到疑似故障元件的故障诊断结果，结束智能电网故障诊断。

2.根据权利要求1所述的智能电网故障诊断方法，其特征在于，所述步骤S1包括以下分步骤：S11、当智能电网内继电器动作或断路器跳闸时，获取智能电网中0.1s、0.2s和0.5s内各母线、发电机与变压器内的电压值；

S12、将所述电压值归一化后与智能电网处于正常运行状态下的电压归一化值进行聚类分析，归一化公式为：其中x′表示归一化处理后的电压值，x表示待归一化处理的电压值，xmax和xmin分别为待归一化电压值中的最大值与最小值；

S13、将离聚类中心最远的元件作为疑似故障元件。

3.根据权利要求1所述的智能电网故障诊断方法，其特征在于，所述步骤S2包括以下分步骤：S21、针对每个疑似故障元件，分别建立基于记忆脉冲神经膜系统的量测篡改攻击识别模型ΠT；

S22、将故障瞬间疑似故障元件的SCADA遥测量与RTU遥测量进行归一化处理，得到SCADA电压与RTU电压在采样时间范围内的实时故障电压归一化值；

S23、将SCADA电压与RTU电压在采样时间范围内的实时故障电压归一化值分别拆分为s个采样时间点，并将各采样时间点的SCADA实时故障电压归一化值输入量测篡改攻击识别模型ΠT的感知神经元中，将各采样时间点的RTU实时故障电压归一化值输入量测篡改攻击识别模型ΠT的记忆神经元中；

S24、通过TRMA算法对每个疑似故障元件的量测篡改攻击识别模型ΠT进行求解，得到各个量测篡改攻击识别模型ΠT中输出神经元的脉冲值；

S25、依次判断每个量测篡改攻击识别模型ΠT中是否存在任意输出神经元的脉冲值低于检测阈值，若是则判定该疑似故障元件遭受量测篡改攻击，进入步骤S3，否则判定该疑似故障元件未遭受量测篡改攻击，进入步骤S4。

4.根据权利要求3所述的智能电网故障诊断方法，其特征在于，所述步骤S21中建立的基于记忆脉冲神经膜系统的量测篡改攻击识别模型ΠT具体为：ΠT＝(O,σ1,...,σm,syn,in,out)

其中O＝{a}表示神经脉冲的集合，a表示一个神经脉冲，σ1,...,σm为量测篡改攻击识别模型ΠT中的m个神经元，σi＝(θi,λi,τi,ri),i＝1,2,...,m，θi表示第i个神经元的脉冲值，其取值为[0,1]上的实数；λi表示第i个神经元的点火阀值，其取值为任意实数；τi表示第i个神经元的记忆标签值，其取值为[0,c]上的整数，c为记忆事件的总个数；ri表示第i个神经元的点火规则，其形式为E/a(θ,τ)→a(β,τ)，其中E＝{an,θ≥λi}为点火条件，表示当且仅当神经元σi接收到至少n个脉冲且该神经元脉冲值满足θ≥λi时，才能执行点火规则，此时神经元σi将消耗一个位势值为θ的脉冲，产生并向后传输一个值为β的新脉冲，与此同时，该神经元的标签值τi被消耗掉，并向后传递一个新的标签值τi；否则，该神经元不执行点火计算；syn＝{1,2,...,m}×{1,2,...,m}表示神经元之间的有向突触连接关系，in,out分别表示量测篡改攻击识别模型ΠT的输入神经元集合和输出神经元集合。

5.根据权利要求4所述的智能电网故障诊断方法，其特征在于，所述量测篡改攻击识别模型ΠT包括正序电压量测篡改攻击识别模型ΠTP、负序电压量测篡改攻击识别模型ΠTN和零序电压量测篡改攻击识别模型ΠTZ；

所述量测篡改攻击识别模型ΠT中的神经元包括用于从环境感知或存储脉冲值与记忆事件标签值的存储神经元和用于对脉冲值与记忆事件标签值进行计算的计算神经元；

所述存储神经元包括感知神经元、记忆神经元和传输神经元；所述感知神经元用于从环境中获取检测信息，将其转化为实时基本事件特征，并以神经脉冲值的形式向后传递；所述记忆神经元用于存储记忆基本事件特征及其对应的记忆标签值；所述传输神经元用于将其突触前神经元传来的脉冲值与记忆标签值传递给其突触后神经元；

所述计算神经元包括dis计算神经元、max计算神经元、min计算神经元和rel计算神经元；所述dis计算神经元用于通过计算感知神经元与记忆神经元脉冲值的差异度获取当前SCADA实时基本故障特征与RTU实时基本故障特征之间的匹配程度；所述max计算神经元用于对其突触前神经元传递而来的脉冲值进行逻辑或计算，即取其突触前神经元的最大脉冲值作为当前max计算神经元的脉冲值参与后续计算；所述min计算神经元用于对其突触前神经元传递而来的脉冲值进行逻辑与计算，即取其突触前神经元的最小脉冲值作为当前min计算神经元的脉冲值参与后续计算；所述rel计算神经元用于对其突触前神经元传递而来的脉冲值进行全局匹配度计算，即找出其突触前神经元中编号最小的传输神经元在全局中的匹配程度。

6.根据权利要求5所述的智能电网故障诊断方法，其特征在于，所述步骤S24中通过TRMA算法对每个疑似故障元件的量测篡改攻击识别模型ΠT进行求解的具体方法为：A1、设置推理步数g＝0；

A2、对每个满足点火条件的存储神经元进行点火计算，并根据下式更新δg+1与νg+1：A3、对每个满足点火条件的计算神经元进行点火计算，并根据下式更新θg+1与τg+1：A4、令推理步数g加1；

A5、判断是否满足运行条件θg≠01或δg≠02，若是则返回步骤A2，否则结束TRMA算法，输出得到量测篡改攻击识别模型ΠT中输出神经元的脉冲值；

所述TRMA算法中涉及的向量、矩阵与运算算子含义如下：

θ＝(θ1,θ2,...,θp)T表示存储神经元脉冲值向量，其中θi为第i个存储神经元的脉冲值，取值为[0,1]上的实数，i＝1,2,...,p，p表示存储神经元的数量；在所述量测篡改攻击识别模型ΠT中，当1≤i≤s时，θi为SCADA实时故障电压归一化值，当(s+1)≤i≤(s+s*c)时，θi为RTU实时故障电压归一化值，c为记忆事件总个数，s为采样时间点总个数；

δ＝(δ1,δ2,...,δq)T表示计算神经元脉冲值向量，其中δj为第j个计算神经元的脉冲值，取值为[0,1]上的实数，j＝1,2,...,q，q表示计算神经元的数量；

τ＝(τ1,τ2,...,τp)T表示存储神经元标签值向量，其中τi为第i个存储神经元的标签值，取值为[0,c]上的整数；在所述量测篡改攻击识别模型ΠT中，当1≤i≤(s+s*c)时，τi全部为

0；

T

ν＝(ν1,ν2,...,νq) 表示计算神经元标签值向量，其中νj为第j个计算神经元的标签值，取值为[0,c]上的整数；

D1＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到dis计算神经元的有向突触连接关系，若存储神经元σi到dis计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D2＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到max计算神经元的有向突触连接关系，若存储神经元σi到max计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D3＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到min计算神经元的有向突触连接关系，若存储神经元σi到min计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D4＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到rel计算神经元的有向突触连接关系，若存储神经元σi到rel计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

E＝(eji)q×p是一个q×p阶矩阵，表示计算神经元到存储神经元的有向突触连接关系，若计算神经元σj到存储神经元σi存在突触连接，则eji＝1，否则eji＝0；

Δ表示dis计算，且DTΔθ＝(d1,d2,...,dq)，其中dj＝|d1j×θ1-d2j×θ2...-dpj×θp|；

·表示max计算，且DT·θ＝(d1,d2,...,dq)，其中dj＝max(d1j×θ1,d2j×θ2,...,dpj×θp)；

表示min计算，且 其中dj＝min(d1j×θ1,d2j×θ2...,dpj×θp)；

表示rel计算，且 其中

θmax表示位于rel计算神经元前且max计算神经元后的神经元脉冲值，θdis表示位于rel计算神经元前且dis计算神经元后的神经元脉冲值，ρ为记忆分辨系数，在所述量测篡改攻击识别模型ΠT中取值为1；

表示取标签计算，且 其中 为取

标签运算，当且仅当 内部各非0元素均相同时，dj＝d1j×τ1，否则dj＝0；

其中 当且仅当 内部各非0元素均相同时，

ei＝e1i×ν1，否则ei＝0；

表示求和计算，且 其中

上标T表示向量和矩阵的转置，下标g表示推理步数。

7.根据权利要求1所述的智能电网故障诊断方法，其特征在于，所述步骤S4包括以下分步骤：S41、针对每个未遭受量测篡改攻击的疑似故障元件，根据电网的拓扑结构与保护格局，分别建立基于记忆脉冲神经膜系统的故障诊断模型ΠF；所述故障诊断模型ΠF包括正序电压故障诊断模型ΠFP、负序电压故障诊断模型ΠFN、零序电压故障诊断模型ΠFZ和遥信量故障诊断模型ΠFB；

S42、将疑似故障元件的SCADA遥测量与该元件不同类型故障的历史遥测量分别进行归一化处理，得到SCADA实时故障电压归一化值和SCADA历史故障电压归一化值；

S43、将SCADA实时故障电压归一化值和SCADA历史故障电压归一化值分别拆分为s个采样时间点，并将各采样时间点的SCADA实时故障电压归一化值分别输入正序电压故障诊断模型ΠFP、负序电压故障诊断模型ΠFN和零序电压故障诊断模型ΠFZ的感知神经元中，将与该元件相关的遥信量脉冲值输入遥信量故障诊断模型ΠFB的感知神经元中，将各采样时间点的SCADA历史故障电压归一化值分别输入正序电压故障诊断模型ΠFP、负序电压故障诊断模型ΠFN和零序电压故障诊断模型ΠFZ的记忆神经元中，将与该元件相关的历史故障遥信量作为脉冲值输入遥信量故障诊断模型ΠFB的记忆神经元中；

S44、通过FDMA算法对每个疑似故障元件的故障诊断模型ΠF进行求解，得到各个故障诊断模型ΠF中输出神经元的脉冲值和记忆标签值；

S45、计算各个故障诊断模型ΠF的记忆标签值所对应的脉冲值均值fz，并将fz中最大值对应的记忆标签值所表示的故障基本事件作为疑似故障元件的故障诊断结果，所述记忆标签值所对应的脉冲值均值fz的计算公式为：其中z表示输出神经元的记忆标签值，取值为[0,c]上的整数， 表示正序电压故障诊断模型ΠFP中输出神经元的记忆标签值为z时对应的脉冲值， 表示负序电压故障诊断模型ΠFN中输出神经元的记忆标签值为z时对应的脉冲值， 表示零序电压故障诊断模型ΠFZ中输出神经元的记忆标签值为z时对应的脉冲值， 表示遥信量故障诊断模型ΠFB中输出神经元的记忆标签值为1时对应的脉冲值， 表示遥信量故障诊断模型ΠFB中输出神经元的记忆标签值为2时对应的脉冲值。

8.根据权利要求7所述的智能电网故障诊断方法，其特征在于，所述步骤S41中建立的基于记忆脉冲神经膜系统的故障诊断模型ΠF具体为：ΠF＝(O,σ1,...,σm,syn,in,out)

其中O＝{a}表示神经脉冲的集合，a表示一个神经脉冲，σ1,...,σm为故障诊断模型ΠF中的m个神经元，σi＝(θi,λi,τi,ri),i＝1,2,...,m，θi表示第i个神经元的脉冲值，其取值为[0,1]上的实数；λi表示第i个神经元的点火阀值，其取值为任意实数；τi表示第i个神经元的记忆标签值，其取值为[0,c]上的整数，c为记忆事件的总个数；ri表示第i个神经元的点火规则，其形式为E/a(θ,τ)→a(β,τ)，其中E＝{an,θ≥λi}为点火条件，表示当且仅当神经元σi接收到至少n个脉冲且该神经元脉冲值满足θ≥λi时，才能执行点火规则，此时神经元σi将消耗一个位势值为θ的脉冲，产生并向后传输一个值为β的新脉冲，与此同时，该神经元的标签值τi被消耗掉，并向后传递一个新的标签值τi；否则，该神经元不执行点火计算；syn＝{1,

2,...,m}×{1,2,...,m}表示神经元之间的有向突触连接关系，in,out分别表示故障诊断模型ΠF的输入神经元集合和输出神经元集合。

9.根据权利要求8所述的智能电网故障诊断方法，其特征在于，所述故障诊断模型ΠF中的神经元包括用于从环境感知或存储脉冲值与记忆事件标签值的存储神经元和用于对脉冲值与记忆事件标签值进行计算的计算神经元；

所述存储神经元包括感知神经元、记忆神经元和传输神经元；所述感知神经元用于从环境中获取检测信息，将其转化为实时基本事件特征，并以神经脉冲值的形式向后传递；所述记忆神经元用于存储记忆基本事件特征及其对应的记忆标签值；所述传输神经元用于将其突触前神经元传来的脉冲值与记忆标签值传递给其突触后神经元；

所述计算神经元包括dis计算神经元、max计算神经元、min计算神经元和rel计算神经元；所述dis计算神经元用于通过计算感知神经元与记忆神经元脉冲值的差异度获取当前实时基本故障特征与历史故障特征之间的匹配程度；所述max计算神经元用于对其突触前神经元传递而来的脉冲值进行逻辑或计算，即取其突触前神经元的最大脉冲值作为当前max计算神经元的脉冲值参与后续计算；所述min计算神经元用于对其突触前神经元传递而来的脉冲值进行逻辑与计算，即取其突触前神经元的最小脉冲值作为当前min计算神经元的脉冲值参与后续计算；所述rel计算神经元用于对其突触前神经元传递而来的脉冲值进行全局匹配度计算，即找出其突触前神经元中编号最小的传输神经元在全局中的匹配程度。

10.根据权利要求9所述的智能电网故障诊断方法，其特征在于，所述步骤S44中通过FDMA算法对每个疑似故障元件的故障诊断模型ΠF进行求解的具体方法为：B1、设置推理步数g＝0；

B2、对每个满足点火条件的存储神经元进行点火计算，并根据下式更新δg+1与νg+1：B3、对每个满足点火条件的计算神经元进行点火计算，并根据下式更新θg+1与τg+1：B4、令推理步数g加1；

B5、判断是否满足运行条件θg≠01或δg≠02，若是则返回步骤A2，否则结束FDMA算法，输出得到各个故障诊断模型ΠF中输出神经元的脉冲值和记忆标签值；

所述FDMA算法中涉及的向量、矩阵与运算算子含义如下：

θ＝(θ1,θ2,...,θp)T表示存储神经元脉冲值向量，其中θi为第i个存储神经元的脉冲值，取值为[0,1]上的实数，i＝1,2,...,p，p表示存储神经元的数量；在所述故障诊断模型ΠF中，当1≤i≤s时，θi为SCADA实时故障电压归一化值，当(s+1)≤i≤(s+s*c)时，θi为不同故障类型的SCADA历史故障电压归一化值，c为记忆事件总个数，s为采样时间点总个数；

δ＝(δ1,δ2,...,δq)T表示计算神经元脉冲值向量，其中δj为第j个计算神经元的脉冲值，取值为[0,1]上的实数，j＝1,2,...,q，q表示计算神经元的数量；

τ＝(τ1,τ2,...,τp)T表示存储神经元标签值向量，其中τi为第i个存储神经元的标签值，取值为[0,c]上的整数；在所述故障诊断模型ΠF中，当1≤i≤s时，τi全部为0，当(s+1)≤i≤(s+s*c)时，τi为记忆基本故障事件类型；

ν＝(ν1,ν2,...,νq)T表示计算神经元标签值向量，其中νj为第j个计算神经元的标签值，取值为[0,c]上的整数；

D1＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到dis计算神经元的有向突触连接关系，若存储神经元σi到dis计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D2＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到max计算神经元的有向突触连接关系，若存储神经元σi到max计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D3＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到min计算神经元的有向突触连接关系，若存储神经元σi到min计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

D4＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到rel计算神经元的有向突触连接关系，若存储神经元σi到rel计算神经元σj存在有向突触连接，则dij＝1，否则dij＝0；

E＝(eji)q×p是一个q×p阶矩阵，表示计算神经元到存储神经元的有向突触连接关系，若计算神经元σj到存储神经元σi存在突触连接，则eji＝1，否则eji＝0；

Δ表示dis计算，且DTΔθ＝(d1,d2,...,dq)，其中dj＝|d1j×θ1-d2j×θ2...-dpj×θp|；

·表示max计算，且DT·θ＝(d1,d2,...,dq)，其中dj＝max(d1j×θ1,d2j×θ2,...,dpj×θp)；

表示min计算，且 其中dj＝min(d1j×θ1,d2j×θ2...,dpj×θp)；

表示rel计算，且 其中

θmax表示位于rel计算神经元前且max计算神经元后的神经元脉冲值，θdis表示位于rel计算神经元前且dis计算神经元后的神经元脉冲值，ρ为记忆分辨系数，在所述故障诊断模型ΠF中取值0.5；

表示取标签计算，且 其 为取标

签运算，当且仅当 内部各非0元素均相同时，dj＝d1j×τ1，否则dj＝0；

其中 当且仅当 内部各非0元素均相同时，ei＝e1i×ν1，否则ei

＝0；

表示求和计算，且 其中

上标T表示向量和矩阵的转置，下标g表示推理步数。