1.一种计及量测篡改攻击引发虚假故障的电网故障诊断方法，其特征在于，包括以下步骤：

S1、当目标电网有继电保护装置动作时，采用结线分析法确定目标电网的疑似故障区域，并将疑似故障区域中的所有元件作为疑似故障元件；

S2、采用随机矩阵理论与模糊C均值聚类算法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，采用小波包分析提取遥测量的小波包分解值作为故障特征，建立基于记忆脉冲神经膜系统的故障诊断模型，并通过故障推理算法进行求解，得到疑似故障元件的故障诊断结果，结束电网故障诊断；

所述步骤S1包括以下分步骤：

S11、当目标电网有继电保护装置动作时，设置初始迭代次数i＝1，并将目标电网中所有元件加入元件集合Ci；

S12、从元件集合Ci中随机选取一个元件加入元件子集合Si；

S13、判断新加入元件子集合Si的元件是否存在与其相连的闭合断路器，若是则进入步骤S14、否则进入步骤S15；

S14、将与闭合断路器相连的所有元件均加入元件子集合Si，返回步骤S13；

S15、令迭代次数i加1；

S16、从元件集合Ci‑1中移除元件子集合Si‑1中的所有元件，得到新的元件集合Ci；

S17、判断元件集合Ci是否为空，若是则进入步骤S18，否则返回步骤S12；

S18、将元件子集合S1,S2,...,Sn中的所有无源网络作为疑似故障区域，并将疑似故障区域中的所有元件作为疑似故障元件，其中n为元件子集合总个数；

所述步骤S2包括以下分步骤：

S21、针对每个疑似故障元件，分别提取其RTU与故障录波系统中故障发生前的3个周波至故障结束时的正序电压、负序电压和零序电压；

S22、针对提取的正序电压、负序电压和零序电压，每个电压设置t个采样点，得到RTU的电压矩阵VRTU和故障录波系统的电压矩阵VFRS：其中vij表示第i个电压值的第j个采样点对应的电压幅值，1≤i≤3，1≤j≤t，X为疑似故障元件的序电压类型，VX表示X的电压矩阵，若X来自RTU，则记为VRTU，若X来自故障录波系统，则记为VFRS；

S23、对RTU的电压矩阵VRTU和故障录波系统的电压矩阵VFRS进行电压值归一化处理，得到RTU的电压值归一化矩阵NRTU和故障录波系统的电压值归一化矩阵NFRS：其中NX表示X的电压值归一化矩阵，若X来自RTU，则记为NRTU，若X来自故障录波系统，则记为NFRS；

S24、将RTU的电压值归一化矩阵NRTU和故障录波系统的电压值归一化矩阵NFRS合并为一个状态矩阵X；

S25、对状态矩阵X中的元素进行标准化处理，得到标准化矩阵其中xij表示状态矩阵X中第i行第j列的元素，i∈[1,k]，j∈[1,n]，k为状态矩阵X的总行数，n为状态矩阵X的总列数， 表示标准化矩阵 中第i行第j列的元素，xi＝(xi1,xi2,...,xin)表示状态矩阵X中第i行的行列式， 表示标准化矩阵 中第i行的行列式，μ(·)表示均值函数，σ(·)表示标准差函数，且S26、采用模糊C均值聚类算法对标准化矩阵 进行特征根聚类分析，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；

所述步骤S26中采用模糊C均值聚类算法对标准化矩阵 进行特征根聚类分析的具体方法为：

A1、获取标准化矩阵 的奇异值等价矩阵Xu：其中U为Haar酉矩阵， 为标准化矩阵 的转置共轭矩阵；

A2、将L个奇异值等价矩阵Xu相乘，得到奇异值等价矩阵乘积Z：其中Xu,l表示第l个奇异值等价矩阵，l＝1,2,...,L；

A3、对奇异值等价矩阵乘积Z进行标幺化处理，得到标准矩阵积其中zi表示奇异值等价矩阵乘积Z中第i行的行列式， 表示标准矩阵积 中第i行的行列式，σ(zi)表示zi的标准差，k为奇异值等价矩阵乘积Z的总行数；

A4、获取标准矩阵积 的全部特征根，并求取其模值λi，i＝1,2,...,k；

A5、设定k1个模值为0的攻击参考特征模值，其中k1为正整数且k1≥k/10；

A6、将λi与k1个攻击参考特征模值合并为一个(k+k1)×1阶的特征根聚类矩阵；

A7、采用模糊C均值聚类算法对特征根聚类矩阵中的特征根聚为两类，将与攻击参考特征模值聚为一类的λi提取出来，判定其为遭受攻击的特征根，其对应的疑似故障元件判定为遭受了量测篡改攻击，未提取部分的特征根判定为未遭受攻击的特征根，其对应的疑似故障元件判定为未遭受量测篡改攻击；

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，建立基于记忆脉冲神经膜系统的故障诊断模型Π；所述故障诊断模型Π包括遥测量故障诊断模型ΠRM和遥信量故障诊断模型ΠRS；

S42、将疑似故障元件的故障录波系统中实时故障遥测量与该元件不同类型故障下的历史电压遥测量进行小波包分解，得到每个疑似故障元件的实时故障电压小波包分解值与其未遭受攻击时各类型故障的历史正序、负序与零序电压的小波包分解值；

S43、将每个疑似故障元件的实时故障电压小波包分解值与其未遭受攻击时各类型故障的历史正序、负序与零序电压的小波包分解值分别拆分为s个采样时间点，并将各采样时间点的疑似故障元件的实时故障电压小波包分解值作为脉冲值输入遥测量故障诊断模型ΠRM的感知神经元中，将与该疑似故障元件相关的遥信量动作值作为脉冲值输入遥信量故障诊断模型ΠRS的感知神经元中，将各采样时间点未遭受攻击时各类型故障的历史正序、负序与零序电压的小波包分解值作为脉冲值输入遥测量故障诊断模型ΠRM的记忆神经元中，将与该疑似故障元件相关的历史故障遥信量动作值作为脉冲值输入遥信量故障诊断模型ΠRS的记忆神经元中；

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

S45、获取遥测量故障诊断模型ΠRM输出神经元的最大脉冲值 及其对应的标签值同时获取遥信量故障诊断模型ΠRS输出神经元的最大脉冲值 及其对应的标签值并根据最大脉冲值 和 计算得到遥测量故障诊断模型ΠRM和遥信量故障诊断模型ΠRS的最大脉冲值均值f：

S46、将最大脉冲值均值f作为对应疑似故障元件的故障可信度，将标签值 作为对应疑似故障元件的故障类型，结束电网故障诊断。

2.根据权利要求1所述的电网故障诊断方法，其特征在于，所述步骤A1中标准化矩阵满足： 中的每个元素为符合独立同分布的随机变量，且期望 方差

3.根据权利要求1所述的电网故障诊断方法，其特征在于，所述步骤A3中标准矩阵积满足：中每个元素均满足 表示标准矩阵积 中第i行第j列的元素；

的特征根服从单环定理，其概率密度f(λ)为：其中λ为 的特征根，L为奇异值等价矩阵个数，c为标准矩阵积 的行列比且c∈(0,1]。

4.根据权利要求1所述的电网故障诊断方法，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Π具体为：Π＝(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Π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0；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(θ,τ) (β,τ) n

形式为E/a →a ，其中E＝{a ,|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Π的输入神经元集合和输出神经元集合。

5.根据权利要求4所述的电网故障诊断方法，其特征在于，所述故障诊断模型Π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、rel计算神经元和mean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；所述mean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求均值计算。

6.根据权利要求5所述的电网故障诊断方法，其特征在于，所述步骤S44中通过故障推理算法对每个疑似故障元件的故障诊断模型Π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B2，否则结束故障推理算法，输出得到各个故障诊断模型Π中输出神经元的脉冲值和记忆标签值；

所述故障推理算法中涉及的向量、矩阵与运算算子含义如下：T

θ＝(θ1,θ2,...,θp) 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；在遥测量故障诊断模型ΠRM中，当1≤i≤s时，θi为故障录波系统实时故障电压小波包分解值，当(s+1)≤i≤(s+s*C)时，θi为不同故障类型的历史正序、负序与零序电压小波包分解值；在遥信量故障诊断模型ΠRS中，当1≤i≤s时，θi为SCADA中实时故障遥信量动作值，当(s+1)≤i≤(s+s*C)时，θi为历史故障遥信量动作值；C为记忆事件总个数，s为采样时间点总个数；

T

δ＝(δ1,δ2,...,δq) 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；

T

τ＝(τ1,τ2,...,τp) 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Π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；

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；

D5＝(dij)p×q是一个p×q阶矩阵，表示存储神经元到mean计算神经元的有向突触连接关系，若存储神经元σi到mean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；

T

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

T

·表示max计算，且D·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，取值为[0,1]上的实数；

T

⊙表示mean计算，且D ⊙θ＝(d1,d2,...,dq)，其中dj＝(d1j×θ1+d2j×θ2…+dpj×θp)/p；

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。