1.一种基于多维k值优化VMD的城轨非典型电流信号识别方法，其特征在于，包括以下步骤：a.采集现场的列车启动电流信号和远端短路电流信号构成训练样本集；

b.对样本集中的启动电流信号和远端短路电流信号分别依次通过能量比、中心频率比以及相关系数确定VMD算法的k的最优值；

从能量的角度确定k值大概率范围，使用k从2开始的VMD算法依次对电流信号进行分解，并将分解后IMF的最后一组分量剔除，然后计算各k值下VMD分解后IMF的能量和，再通过各k值的能量和计算能量比，记录能量比折线斜率大于0.3突变点的k值，及k+1的值；

从频域的标准进一步确定k值，计算k与k+1下VMD分解后各IMF的中心频率比，并判断中心频率比是否大于90％，若k下不存在大于90％的中心频率比，而k+1下存在大于90％的中心频率比时，则证明在频域范围内k为最优值；

从时域的标准最终验证k值选取的准确性，通过皮尔逊相关系数计算公式计算k与k+1下VMD分解后各IMF的相关系数，若相关系数小于等于0.4则选取该k值为最优值；相关系数计算公式为：式中，R为皮尔逊相关系数，n为变量点个数，Xi、Yi分别为两组变量第i个值， 为两组变量的样本平均值，σX、σY为两组变量的样本标准差；

c.使用步骤b确定好的k值，通过VMD算法对启动电流信号和远端短路电流信号进行分解，得到k个本征模态函数分量IMF；

d.将步骤c得到的各个本征模态函数分量IMF通过样本熵算法计算对应的样本熵，得到的样本熵形成一组特征向量；

e.将样本集中的列车启动电流信号和远端短路电流信号通过步骤b到d得到的两类特征向量代入SVM进行训练，训练完成后得到分类模型；

f.对现场馈线电流进行实时监测，当继电保护动作后，将继电保护开始后的40ms内的电流信号通过能量比、中心频率比以及相关系数确定VMD算法的k的最优值，使用确定好k值的VMD算法对电流信号进行分解，再通过样本熵算法得到各IMF的样本熵形成一组特征向量，将电流信号的特征向量送入训练完成的分类模型进行分类，从而判断电流信号的类型。

2.根据权利要求1所述的基于多维k值优化VMD的城轨非典型电流信号识别方法，其特征在于，能量和计算公式为：式中，E为信号的能量大小；x(i)为信号序列；n为采样点数；

能量比计算公式为：

式中，η为信号能量比，Ek为当前模态分解数下，得到的所有k个分量的能量之和；EK+1为下一次VMD分解得到的所有k+1个分量的能量之和。

3.根据权利要求1所述的基于多维k值优化VMD的城轨非典型电流信号识别方法，其特征在于，中心频率比计算公式为：式中，cp为中心频率比，c(i)为第i个IMF的中心频率，c(i+1)为第i+1个IMF的中心频率。

4.根据权利要求1所述的基于多维k值优化VMD的城轨非典型电流信号识别方法，其特征在于，在步骤e中，训练得到分类模型后，选取实测的列车启动电流信号和远端短路电流信号构成测试样本集，使用样本集中的列车启动电流信号和远端短路电流信号通过步骤b到d得到的两类特征向量对分类模型进行准确率验证。