1.一种计及虚假数据注入攻击的电网故障诊断方法，其特征在于，包括以下步骤：S1：采用结线分析法确定目标电网的停电区域，并将停电区域中的所有元件作为疑似故障元件；

S2：采用改进凝聚型层次聚类方法修复疑似故障元件中被虚假数据注入攻击篡改的遥测量数据；

S3：采用粗糙集约简算法剔除目标电网遥信量数据中的冗余数据，进行遥信量防护，得到关键遥信量；

S4：根据修复后的遥测量数据和关键遥信量，提取遥测量故障特征和遥信量故障特征；

S5：建立故障诊断模型，并利用遥测量故障特征和遥信量故障特征诊断疑似故障元件，确定故障类型，完成电网故障诊断。

2.根据权利要求1所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S1包括以下子步骤：

S11：当目标电网出现继电保护装置动作时，设置初始迭代次数i＝1，并将目标电网中的所有元件加入元件集合Ci；

S12：从元件集合Ci中任取一个元件加入元件子集合Gi，S13：判断当前加入元件子集合Gi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加入元件子集合Gi，并返回步骤S13；

S15：将迭代次数i加1，并从元件集合Ci‑1中移除元件子集合Gi‑1中的所有元件，得到新的元件集合Ci；

S16：判断新的元件集合Ci是否空，若是则进入步骤S17，否则返回步骤S12；

S17：将元件子集合 中的所有无源网络作为停电区域，并将停电区域中的所有元件作为疑似故障元件，其中，n0表示元件子集合总个数。

3.根据权利要求1所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S2包括以下子步骤：

S21：读取各个疑似故障元件故障发生前的3个周波至故障结束时的遥测量数据，并对各个疑似故障元件分别构建遥测量信息矩阵S；

S22：根据遥测量信息矩阵S，采用改进凝聚型层次聚类方法对遥测量数据进行两次聚类，并剔除遥测量数据中的冗余数据，辨别虚假数据，并进行修复，获得修复后的遥测量数据。

4.根据权利要求3所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S21中，每个疑似故障元件有p条无故障历史遥测量信息，q条故障历史遥测量信息，则遥测量信息矩阵S的表达式为：其中， 表示无虚假数据注入攻击且无故障情况下疑似故障元件的第n1条历史遥测量信息向量， 表示无虚假数据注入攻击但有R

故障情况下疑似故障元件的第n1条故障历史遥测量信息向量，S ＝[s11,...,s1j,...,s1m]1×m表示实时故障遥测量信息向量，m表示故障历史遥测量信息的故障遥测数据采样点总数，sij表示第i条故障历史遥测量信息的第j个采样点的遥测量幅值；

所述步骤S22包括以下子步骤：S221：设置目标聚类类别数目h0，将 作为第一次聚类的输入矩阵，并设置h＝n2，其中，h0＝2,...,11，n2表示遥测量数据样本中数据总个数，h表示聚类类别数目；

S222：将遥测量数据样本中的每个样本对象单独形成类别；

S223：设定Si＝{si}，并计算遥测量数据样本中最小差异量dmin(Si,Sj)，将dmin(Si,Sj)最小的两个类别作为遥测量数据样本中差异最小的两个类别，遥测量数据样本中最小差异量dmin(Si,Sj)的计算公式为：其中，Si和Sj分别表示两个实时故障遥测量信息向量集合，P表示实时故障遥测量信息向量集合Si中的元素，P'表示实时故障遥测量信息向量集合Sj中的元素，si表示实时故障遥测量信息向量；

S224：将遥测量数据样本中差异最小的两个类别合并形成新类别，并删除已被合并的类别；

S225：使聚类类别数目h减少1，并对聚类类别数目进行迭代，直至所有遥测量数据样本被合并为目标聚类类别数目h0；

S226：将N1st＝h0作为第一次聚类的聚类数目，进行第一次聚类，输出有效实时故障数据矩阵

S227：将N2nd＝N1st作为第二次聚类的聚类数目，将有效实时故障数据矩阵 作为第二次聚类的输入矩阵，重复步骤S221‑S225，并设定第二次的目标聚类数目N2nd＝2，判断遥测量数据是否遭受虚假数据注入攻击，若是则进行修复，否则结束步骤S2；

所述步骤S227中，判断遥测量数据是否遭受虚假数据注入攻击的方法为：若第二次聚类结果中实时故障数据与历史故障数据聚为一类，则该疑似故障元件未遭受虚假数据注入攻击，结束步骤S2；若第二次聚类结果中一类是被攻击的实时故障数据，另一类是未被攻击的历史故障数据，则该疑似故障元件遭受虚假数据注入攻击，并进行修复；

进行修复的方法为：确定虚假数据注入攻击对应的采样时间点，提取各个采样时间点对应分类结果的聚类中心，并以该聚类中心替换对应实时故障数据，完成修复。

5.根据权利要求1所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S3包括以下子步骤：

C

S31：构建遥信量信息矩阵Y，遥信量信息矩阵Y包括目标电网的遥信量信息向量Y 和目D

标电网的故障元件信息向量Y；

C

S32：采用粗糙集约简算法剔除目标电网的遥信量信息向量Y和目标电网的故障元件信D RS RS

息向量Y中的冗余数据，获得约简集合K ，进行遥信量防护，并将约简集合K 中的元素确定为关键遥信量。

6.根据权利要求5所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所C D

述步骤S31中，目标电网的遥信量信息向量Y和目标电网的故障元件信息向量Y的表达式分C

别为 和 其中，n3表示历史故障遥信量信息的个数，Yk＝[yk1,...,ykj,...ykm]1×m表示目标电网的第k条历史遥信量信息向量；ykj表示该条信息的第j个遥信量数据，若数据采集与监视控制系统收到遥信量，则ykj取1，否则取0；n4表示故障D

遥信量数据的总数；Yk＝[ak1,...,akj,...akn]1×d表示第k条历史遥信量信息发生时目标电网的故障元件信息向量；akj表示该条故障信息发生时元件j的故障情况，若元件j故障，则akj取1否则取0；

所述步骤S32包括以下子步骤：D D

S321：根据目标电网的故障元件信息向量Y计算信息熵H(Y)；

C D

S322：根据目标电网的遥信量信息向量Y 和目标电网的故障元件信息向量Y 计算核属D C

性coreY(Y)；

D D C D D C D

S324：根据信息熵H(Y )和核属性coreY (Y )计算矩阵Y |coreY (Y )的信息熵H(Y |D C

coreY(Y))；

D D C D D C D CS325：判断矩阵Y |coreY(Y)的信息熵H(Y|coreY (Y))是否等于矩阵Y|Y的信息熵HD C

(Y|Y)，若是则进入步骤S327，否则进入步骤S326；

D C D

S326：计算各个属性a的样本重要性SGf(a,coreY (Y),Y)，并返回步骤S324，其中，a∈C D C

Y‑coreY(Y)；

D C RS RS

S327：将核属性coreY (Y)作为约简集合K ，并将约简集合K 中的元素确定为关键遥信量。

7.根据权利要求6所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S4中，故障特征的提取方法为：采用小波包分解方法对修复后的遥测量数据进行分RS

解，并将小波包分解值作为遥测量故障特征；将约简子集K 中的元素作为遥信量故障特征。

8.根据权利要求1所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S5包括以下子步骤：

S51：根据遥测量故障特征和遥信量故障特征，建立基于区间数记忆脉冲神经膜系统的故障诊断模型∏，所述故障诊断模型∏包括遥测量故障诊断模型∏RM和遥信量故障诊断模型∏RS；

S52：采用区间数记忆脉冲神经膜系统矩阵推理算法，获取遥测量故障诊断模型∏RM输出神经元的最大脉冲值 及其对应的标签值 与遥信量故障诊断模型∏RS输出神经元的最大脉冲值 及其对应的标签

S53：根据遥测量故障诊断模型∏RM输出神经元的最大脉冲值 及其对应的标签值与遥信量故障诊断模型∏RS输出神经元的最大脉冲值 及其对应的标签 计算遥测量故障诊断模型∏RM和遥信量故障诊断模型∏RS的最大脉冲值均值f；

S54：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 作为疑似故障元件的故障类型，完成电网故障诊断。

9.根据权利要求8所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S51中，故障诊断模型∏的表示式为：∏＝(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表示故障诊断模型∏中的m个神经元； 表示第i个神经元； 表示神经元的脉冲值，其为一个取值范围在 的区间数，其区间取值为任意实数； 表示神经元的点火阀值，其为一个取值范围在 的区间数，其区间取值为[0,0]；τi表示神经元σi的记忆事件标签值，其取值为[0,c]上的整数，c表示记忆事件的总个数；ri表示神经元σi的点火规则，其形式为 表示点火条件，表示当且仅当神经元σi接收到至少n5个脉冲且该神经元脉冲值满足 时才执行点火规则，此时神经元σi消耗一个位势值为[δj]的脉冲，产生并向后传输一个值为 的新脉冲，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；

表示神经元与神经中枢之间的有向突触连接关系；in和out分别表示故障诊断模型∏的传入和传出神经元集合；

所述故障诊断模型∏中的神经元和神经中枢：所述神经元包括传入神经元、中间神经元和传出神经元；所述神经中枢包括dis神经中枢、min神经中枢、max神经中枢、rel神经中枢和rcm神经中枢；

所述传入神经元用于接收来自环境的遥测量和遥信量，将其转化为实时基本事件特征，并以神经元脉冲值和记忆事件标签值的形式向中间神经元传递；在遥测量故障诊断模型∏RM中，传入神经元的脉冲值 表示故障电压经过小波包分解得到的特征值；在遥信量故障诊断模型∏RS中，传入神经元的脉冲值 表示遥信量数据；

所述中间神经元用于接收传入神经元和神经中枢传来的神经元脉冲值和记忆事件标签值，并存储记忆基本事件特征及其对应的记忆事件标签值，将神经元脉冲值和记忆事件标签值传递到下一神经元或神经中枢；每个所述中间神经元对应一个记忆基本故障事件特征，其脉冲值 对应该记忆基本故障事件发生时的特征值；所述中间神经元包括前序中间神经元和后序中间神经元；所述前序中间神经元用于在进行故障诊断前接收传入神经元脉冲值和记忆事件标签值，并将历史故障信息储存在前序中间神经元内；所述后序中间神经元用于在进行虚假数据注入攻击的诊断过程中接收传入神经元脉冲值和记忆事件标签值，并将历史故障信息储存在后序中间神经元内；

所述传出神经元用于承接并输出中间神经元和神经中枢传来的神经元脉冲值和记忆事件标签值；

所述dis神经中枢用于通过计算传入神经元和中间神经元脉冲值的差异度，获取当前实时基本故障特征和历史故障特征之间的匹配程度；

所述min神经中枢用于对中间神经元脉冲值进行逻辑与计算；所述max神经中枢用于对中间神经元脉冲值进行逻辑或计算；

所述rel神经中枢用于通过对中间神经元传递的脉冲值进行全局匹配度计算，获取联络神经元中编号最小的神经元在全局中的匹配程度；

所述rcm神经中枢用于对传入神经元和中间神经元脉冲值和标签值进行可信度对比。

10.根据权利要求8所述的计及虚假数据注入攻击的电网故障诊断方法，其特征在于，所述步骤S52包括以下子步骤：S521：设置初始推理步数g＝0；

S522：对每个满足点火条件 的前序中间神经元进行点火计算，并更新前序中间神经元脉冲值向量 和前序中间神经元标签值向量vg+1，其中，a表示一个神经脉冲，n5表示神经元接收到的脉冲个数；

S523：对每个满足点火条件 的后序中间神经元进行点火计算，并更新后序中间神经元脉冲值向量 和后序中间神经元标签值向量τg+1；

S524：将推理步数g加1，并判断是否满足推理条件 或 若是则返回步骤S522，否则结束区间数记忆脉冲神经膜系统矩阵推理算法，输出遥测量故障诊断模型∏RM传出神经元的最大脉冲值 及其对应的标签值 与遥信量故障诊断模型∏RS传出神经元的最大脉冲值 及其对应的标签所述步骤S522中，更新前序中间神经元脉冲值向量 和前序中间神经元标签值向量vg+1的公式分别为：

所述步骤S523中，点火条件包含两部分，分别为神经元脉冲向量和神经元标签值向量，和vg+1组合作为第一次更新的点火条件， 和τg+1组合作为第二次更新的点火条件；

所述步骤S523中，更新后序中间神经元脉冲值向量 和后序中间神经元标签值向量τg+1的公式分别为：

其中， 表示前序中间神经元脉冲值向量， 表示第j个前序中间神经元的脉冲值，取值为[0,1]上的区间数； 表示后序中间神经元脉冲值向量， 表示第i个后序中间神经元的脉冲值，取值为[0,1]上的区间数；在遥测量故障诊断模型∏RM中， 表示实时故障电压归一化区间值，表示不同故障类型的历史故障电压归一化区间值；在遥信量故障诊断模型∏RS中， 表示实时继电保护装置动作可信度区间值，表示历史故障继电保护装置动作可信度区间值，c表示记忆事件的总个数，s表示采样时间点总个数；

T

v＝(ν1,...,νq)表示前序中间神经元标签值向量，vj表示第j个前序中间神经元的脉冲值，取值为[0,c]上的整数；

T

τ＝(τ1,...,τp)表示后序中间神经元标签值向量，τi表示第i个后序中间神经元的标签值，取值为[0,c]上的整数，在故障诊断模型∏中，τi(1≤i≤s)全部为0，τi＝((s+1)≤i≤(s+s*c))表示记忆基本故障事件类型(遥测量模型)或历史故障与否标志(遥信量模型)；

D1＝(dij)p×q是一个p×q阶矩阵，表示神经元到dis神经中枢的有向突触连接关系，若神经元到dis神经中枢存在有向突触连接，则dij＝1，否则dij＝0；

D2＝(dij)p×q是一个p×q阶矩阵，表示神经元到max神经中枢的有向突触连接关系，若神经元到max神经中枢存在突触连接，则dij＝1，否则dij＝0；

D3＝(dij)p×q是一个p×q阶矩阵，表示神经元到min神经中枢的有向突触连接关系，若神经元到min神经中枢存在突触连接，则dij＝1，否则dij＝0；

D4＝(dij)p×q是一个p×q阶矩阵，表示神经元到rel神经中枢的有向突触连接关系，若神经元到rel神经中枢存在突触连接，则dij＝1；否则dij＝0；

D5＝(dij)p×q是一个p×q阶矩阵，表示神经元到rcm神经中枢的有向突触连接关系，若神经元到rcm神经中枢存在突触连接，则dij＝1，否则dij＝0；

E＝(eji)q×p是一个q×p阶矩阵，表示神经中枢到神经元的有向突触连接关系，若神经中枢到神经元存在突触连接，则eji＝1，否则eji＝0；

T

DΔθ＝(d1,...,dq)，dj＝|d1j×θ1‑d2j×θ2…‑dpj×θp|,j＝1,...,q，Δ表示dis计算，dj表示矩阵D与向量θ或矩阵D与向量τ计算得到的向量；

T

D·θ＝(d1,...,dq)，dj＝max(d1j×θ1,...,dpj×θp),j＝1,...,q，·表示max计算；

表示min计算；

dj＝,j＝1,...,q， 表示rel计算，其用于获取amin、amax和adis，并返回 ρ表示记忆分辨系数，取值为[0,

1]上的实数；

表示rcm计算；

dj＝(d1j×τ1,d2j×τ2,...,dqj×τq)，j＝1,...,q，表示取标签运算，当且仅当 内部各非0元素均相同时，dj＝d1j×τ1，否则dj＝0；

表示求和计算， 表示求和计算；

所述步骤S53中，最大脉冲值均值f的计算公式为：其中，sym(·)表示取符号系数运算。