1.一種輸電線路的模糊故障分類方法，其特征在于，包括

步驟1：從電網故障錄波文件的開頭起，提取4個周波的三相電流信號，進行EMD分解，得到各固有模態函數分量IMF，將IMF1最大瞬時頻率值對應的時刻確定為故障發生時刻；

步驟2：從故障錄波文件取得故障發生時刻后2個周波的A、B、C三相電流信號，把這三個向量相加求和除以3，得到零序電流信號；將A、B、C三相電流信號和零序電流信號作為故障樣本；

步驟3：將故障樣本的A、B、C三相電流信號及零序電流信號進行EMD分解、HHT變換得到各自的邊際譜值，選擇在0～2000Hz頻段，對各邊際譜的平方積分，分別得到三相及零序電流的特征能量函數值S_A、S_B、S_C、S₀，組成的一個4維輸入向量，作為故障輸入向量x_g；

步驟4：選擇徑向核函數RBF作為核函數，構造10種故障類型的模糊支持向量機FSVM二分類器，分別為：A相短路Ag故障FSVM二分類器、B相短路Bg故障FSVM二分類器、C相短路Cg故障FSVM二分類器、B相C相短路BC故障FSVM二分類器、A相C相短路AC故障FSVM二分類器、A相B相短路AB故障FSVM二分類器、A相B相接地短路ABg故障FSVM二分類器、A相C相接地短路ACg故障FSVM二分類器、B相C相接地短路BCg故障FSVM二分類器和A相B相C相同時接地短路ABCg故障FSVM二分類器；

步驟5：訓練優化每一種故障類型的FSVM二分類器，包括

步驟5.1：對每一種故障類型的FSVM二分類器，各自構造一個模糊訓練樣本集S；所述模糊訓練樣本集S＝{(x₁,y₁,u(x₁)),...(x_k,y_k,u(x_k))...(x_n,y_n,u(x_n))}，其中(x_l,y_l,u(x_l))為訓練樣本，x_k為輸入向量，x_k∈Rⁿ，y_k為分類標簽值，y_k∈{-1,1}，1表示故障標簽，-1表示非故障標簽，u(x_k)為訓練樣本屬于該故障類型的模糊隸屬度，0≤u(x_k)≤1；

步驟5.2：對每一種故障類型的FSVM二分類器，輸入其對應的模糊訓練樣本集，求得該FSVM二分類器的決策函數的系數向量ω^*和常數項b^*；再利用網格優化算法，對每一種故障類型的FSVM二分類器的懲罰參數C和核函數寬度σ進行優化：對每一種故障類型的FSVM二分類器，選擇準確率最高的一組{C,σ}作為其最優分類參數；

步驟5.3：對每一種故障類型的FSVM二分類器，構造各自的高維空間的帶狀分段隸屬度函數：通過FSVM獲得最優分類超平面H為ωx+b＝0，其中ω是超平面的法向量,b是超平面的常數項；在高維特征空間中求解出正類樣本點到超平面H的平均距離d_c，以距離H為d_c且與之平行的超平面H_c為基準平面，分別在H_c兩邊構造不同的隸屬度函數u(x_i)，

u(xi)=1-(d(xi)-de)22.5dce2(de≤d(xi)≤dc)0.6-d(xi)5de(0<d(xi)<de)1-(d(xi)-dc)210(dmax-dc)2(dc<d(xi)≤dmax)]]>

其中，d(x_i)是任一樣本點到H的距離，d_e是支持向量到H的距離，d_ce是超平面H_c到支持向量的距離；d_max是樣本點到H的最大距離，對于在負類一側的負類樣本直接賦予其較小的隸屬度0.1；

步驟5.4：對每一種故障類型的FSVM二分類器，輸入其對應的模糊訓練樣本集，求得其高維空間的帶狀分段隸屬度函數；

步驟6：將優化后的10種故障類型的FSVM二分類器串聯后，構成組合多分類FSVM分類器；

步驟7：將故障樣本的故障輸入向量x_g輸入到組合多分類FSVM分類器中，得到10種故障類型各自的初步分類標簽值y_g、決策函數值Z_g和初始隸屬度u(x_g)；

步驟8：確定初步分類標簽值y_g為故障標簽的那種故障類型為最終故障類型。