CN111650549A - 现场电表故障识别方法及移动设备可读储存介质 - Google Patents

Abstract

本发明提供一种现场电表故障识别方法及移动设备可读储存介质，能够通过现场作业终端PDA与智能电表进行通讯交互，获取故障特征后，通过多维空间向量法建立特征模型，并且计算特征模型与故障模型的距离获取高度怀疑故障模型，再通过两次的证伪测试从而排除多余故障确认并判定该电表具有此故障；通过本发明提供的现场电表故障识别方法及移动设备可读储存介质排除故障，速度快，准确率高，并且实现普通工人也能快速排障。

Description

现场电表故障识别方法及移动设备可读储存介质

技术领域

本发明涉及电器检测技术领域，尤其涉及一种现场电表故障识别方法及移动设备可读储存介质。

背景技术

电能表是用来测量电能的仪表，又称电度表，火表，千瓦小时表，指测量各种电学量的仪表；电能表在日常使用中，常常容易因为各种故障导致电能表不能正常使用，电表一旦不能正常使用，将影响到用户的利益以及安全问题；随着智能电表的全面推广使用，电能表暴露出来的故障也越来越多，针对不同的故障有不同的处理方案。由于智能电表的复杂性，以及现场作业人员技术水平的参差不齐，导致现场作业人员难以快速、准确的判断电能表故障，采取相应的对策处理。

同时，PDA在电力现场作业中的推广，为通过PDA进行电能表故障智能诊断提供了前提条件；现有的现场作业智能电表的故障诊断方法主要是通过检测到的数据进行分类，分类完在进行故障类型判断，针对分析出来的不同种类的故障再进行不同的检测判断，从而确定具有此故障，该方法对故障类型的判断时间过于长，并且流程复杂，并且没有对故障的重复确认步骤，容易出现差错。

发明内容

针对上述技术中存在的不足之处，本发明提供一种现场电表故障识别方法，能够通过现场作业终端PDA与智能电表进行通讯交互，获取故障特征后，通过多维空间向量法建立特征模型，并且计算特征模型与故障模型的距离获取高度怀疑故障模型，再通过两次的证伪测试从而确认并判定该电表具有此故障模式；通过本方法法排除故障，速度快，准确率高，并且实现普通工人也能快速排障。

一种现场电表故障识别方法，包括以下步骤：

步骤一：与电表进行通讯交互，进行一组电能表的基础测试，获得一个特征值组；

步骤二：将步骤一获得的特征值组拟合为一个特征模型，将特征模型与预设的已知故障的模型库进行比对，选取最接近的多个故障模型所对应的故障作为高度怀疑故障；

步骤三：步骤二获得的多个高度怀疑故障具有与之对应的多个特征值组，将多个特征值组之间进行比对，提取出特征值组中表现形式不完全一致的特征值项，并且组合成新的多个高度怀疑故障特征值组作为证伪测试集；

步骤四：将步骤一中获得的特征值组与证伪测试集进行比对，若覆盖其中某一高度怀疑故障特征值组，则排除其他高度怀疑故障，视为通过第一次证伪测试，获得一组被怀疑故障模型。

步骤五：将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对，若被怀疑故障的特征值组覆盖预设的特征值组，则视为通过第二次证伪测试，判定该电能表具有该故障。

步骤六：输出测试结果，给出故障判定。

作为优选：所述步骤一中进行一组电能表的基础测试，包括测试电能表故障时可能出现的所有故障现象，例如充值失败、时钟异常、液晶显示屏有错误字等电表故障时的所有故障现象。

作为优选：所述步骤一还包括：将故障对应的故障现象的表现形式以数值排列的形式形成特征值组。

作为优选：所述步骤二中将步骤一获得的特征值组建立一个特征模型，具体的为将步骤一获得的特征值组依据多维空间向量法拟合为一个多维空间向量特征模型。

作为优选：所述步骤二中将步骤一获得的特征值组建立一个特征模型，将特征模型与预设的已知故障的特征模型库进行比对之前还包括一个步骤：将已知的故障所对应的特征值组依据多维空间向量法拟合为多个多维空间向量模型，并形成已知故障的多维空间向量模型库。

作为优选：所述步骤二中将特征模型与预设的已知故障的模型库进行比对步骤中还包括：利用多维空间距离法的N维空间距离计算公式计算特征模型与已知故障的模型库内的各个已知故障的模型之间的空间距离。

作为优选：所述步骤四还包括一个步骤：若证第一次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

作为优选：在步骤五中将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对之前还包括一个步骤：根据以往的故障检测经验和以有监督的机器学习方式形成一个预设的特征值组证伪测试集。

作为优选：所述步骤五还包括一个步骤：若证第二次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

一种移动设备可读储存介质，所述移动设备可读储存介质储存有故障识别程序，其中所述故障识别程序被处理器执行时，实现以上所述的现场电表故障识别方法的步骤。

本发明的有益效果是：本发明提供的一种现场电表故障识别方法，能够通过现场作业终端PDA与智能电表进行通讯交互，获取故障特征后，通过多维空间向量法建立特征模型，并且计算特征模型与故障模型的距离获取高度怀疑故障模型，再通过两次的证伪测试从而排除多余故障确认并判定该电表具有此故障；通过本发明提供的现场电表故障识别方法排除故障，速度快，准确率高，并且实现普通工人也能快速排障。

附图说明

图1为本发明的主要步骤流程图。

具体实施方式

为了更清楚地表述本发明，下面结合附图对本发明作进一步地描述。

随着智能电表的全面推广使用，电能表暴露出来的故障也越来越多，针对不同的故障有不同的处理方案；由于智能电表的复杂性，以及现场作业人员技术水平的参差不齐，导致现场作业人员难以快速、准确的判断电能表故障，采取相应的对策处理；同时，PDA在电力现场作业中的推广，为通过PDA进行电能表故障智能诊断提供了前提条件；基于上述不足，本发明提供一种现场电表故障识别方法，通过该方法法的步骤实施，能够通过现场作业终端PDA与智能电表进行通讯交互，获取故障特征后，通过多维空间向量法建立特征模式，并且计算特征模式与故障模式的距离获取高度怀疑故障模式，再通过两次的证伪测试从而排除多余故障确认并判定该电表具有此故障；通过本发明提供的现场电表故障识别方法排除故障，速度快，准确率高，并且实现普通工人也能快速排障。

为实现上述目的，本发明提供一种现场电表故障识别方法，该方法包括以下步骤：

步骤一：与电表进行通讯交互，进行一组电能表的基础测试，获得一个特征值组；

步骤二：将步骤一获得的特征值组拟合为一个特征模型，将特征模型与预设的已知故障的模型库进行比对，选取最接近的多个故障模型所对应的故障作为高度怀疑故障；

步骤三：将步骤二获得的多个高度怀疑故障所对应的多个特征值组进行比对，提取出特征值组中表现形式不完全一致的特征值项，并且组合成新的多个高度怀疑故障特征值组作为证伪测试集；

步骤四：将步骤一中获得的特征值组与证伪测试集进行比对，若覆盖其中某一高度怀疑故障特征值组，则排除其他高度怀疑故障，视为通过第一次证伪测试，获得一组被怀疑故障模型。

步骤五：将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对，若被怀疑故障的特征值组覆盖预设的特征值组，则视为通过第二次证伪测试，判定该电能表具有该故障。

步骤一中进行一组电能表的基础测试，包括判断电能表是否正常电能表和对电能表可能的故障类型进行分类判断。

步骤二中将步骤一获得的特征值组建立一个特征模型，具体的为将步骤一获得的特征值组依据多维空间向量法拟合为一个多维空间向量特征模型。

步骤二中将步骤一获得的特征值组建立一个特征模型，将特征模型与预设的已知故障的特征模型库进行比对之前还包括一个步骤：将已知的故障所对应的特征值组依据多维空间向量法拟合为多个多维空间向量模型，并形成已知故障的多维空间向量模型库。

步骤二中将特征模型与预设的已知故障的模型库进行比对步骤中还包括：利用多维空间距离法的N维空间距离计算公式计算特征模型与已知故障的模型库内的各个已知故障的模型之间的空间距离。

步骤四还包括一个步骤：若证第一次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

在步骤五中将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对之前还包括一个步骤：根据以往的故障检测经验形成一个预设的特征值组证伪测试集。

在步骤五中将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对之前还包括一个步骤：以有监督的机器学习方式形成预设证伪测试集库。

步骤五还包括一个步骤：若证第二次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

步骤六还包括一个步骤：根据判定的故障结果，输出与之对应的解决方案。

以下对本发明的工作原理做详细的介绍：本发明提供一种现场电表故障的识别方法，该方法通过PDA装置实现，PDA与智能电表通过红外通讯的方式进行信息交互，实现通讯交互后，PDA将会进行一次基础测试，基础测试主要获得两个结果，第一是判断电能表是否正常电能表，第二对电能表可能的故障类型进行分类判断，并且最终提取测试结果的特征值并生成一个特征值组，步骤一中进行一组电能表的基础测试，包括测试电能表故障时可能出现的所有故障现象，例如充值失败、时钟异常、液晶显示屏有错误字等电表故障时的所有故障现象并将将故障对应的故障现象的表现形式以数值排列的形式形成特征值组。

提取到一个特征值组后，依据多维空间向量法，将获得的特征值组 拟合成一个特征空间向量模型，空间向量是有多个维度的，将特征值组里面每一 个特征值视作空间向量的一个维度，一个特征值组具有多个特征值，则形成了一 个多维的空间向量模型；同样的在此之前，根据以往的故障检测经验，电能表存 在多种故障，将每种故障都有自己的特征值，多个特征值便形成一个完整的特征 值组，将故障的特征值组依据多位空间向量的方法拟合成故障空间向量模型，将 所有故障都拟合成故障空间向量模型，形成一个预设的故障空间向量模型库；

将提取出来的特征值组形成的特征空间向量模型通过多维空间向量法与预 设的故障空间向量模型库内的故障空间向量模型进行空间向量距离比对，依据欧 几里得距离里的N维空间计算公式：

通过以上计算公式可以获得每一个故障空间向量模型与特征空间向量模型 之间的空间距离，提取最接近的5个故障空间向量模型，将这5个最接近的故障 空间向量模型所对应的故障定义为5个高度怀疑故障。

进行完上述步骤会获得5个高度怀疑故障，每一个高度怀疑故障同样的会有自己对应的特征值组，不同的故障在特征值的表现形式上是不完全相同的，将获得的5个高度怀疑故障的特征值组进行特征值的比对，由于每一个特征值的表现形式不完全相同，将特征值表现形式相同的特征值项剔除，保留表现形式不完全相同的特征值项，并将保留下来的特征值项重新整合变为5个高度怀疑故障的新的特征值组；此时将在基础测试获得的特征值组与5个高度怀疑故障的新的特征值组进行证伪测试，若5个高度怀疑故障的新的特征值组中其中的一个高度怀疑故障的新特征值组被基础测试获得的特征值组所覆盖，则标记该高度怀疑故障的新特征值组所对应的高度怀疑故障为被怀疑故障并输出至后续步骤；在这里，如果若5个高度怀疑故障的新的特征值组中没有一个高度怀疑故障的新特征值组被基础测试获得的特征值组所覆盖，则认定为证伪测试未通过，5个高度怀疑故障均不为被怀疑的故障，则返回空间向量距离比对步骤，并且在预设的故障空间向量模型库内排除已经测试过的5个高度怀疑故障所对应的5个故障空间向量模型，再进行距离比对和后续测试。

进行完上述步骤，最终会获得一个被怀疑故障，该被怀疑故障有与之对应的完整的特征值组，在进行后续步骤之前，会根据以往的故障检测经验形成一个预设的特征值组证伪测试集，将被怀疑故障的特征值组与该预设的特征值组证伪测试集进行证伪测试，若该被怀疑故障的特征值组与预设的特征值组相同且覆盖，则判定该电能表具有该故障，输出最终的测试结果并且给出故障的判定，若该被怀疑故障的特征值组与预设的特征值组不相同且无法完全覆盖，则判定该电能表不具有该故障，则认定为证伪测试未通过，则返回空间向量距离比对步骤，并且在预设的故障空间向量模型库内排除已经测试过的5个高度怀疑故障所对应的5个故障空间向量模型，再进行距离比对和后续测试；在上述步骤中，预设的特征值组证伪测试集还可以以一种有监督的机器学习方式生成，伴随在整个测试的过程中，形成最终预设的特征值组证伪测试集。

其中一个实施例提及：一般采用PDA与电表进行红外通讯方式进行交互，在进行一系列的测试和故障判定之前，会进行一系列的基础测试，抽取对应的故障特征，具体的包括以下基础测试：

1、电表无响应故障测试；

2、身份认证故障测试；

3、ESAM认证故障测试；

4、密码错未授权故障测试；

5、时钟异常故障测试；

6、其它错误故障测试；

7、充值重复故障测试；

8、充值次数错误故障测试；

9、购电超囤积故障测试；

10、户号不匹配故障测试；

使用PDA进行以上项目的基础故障测试，提取故障测试的结果并生成特征值并继续后续步骤。

其中一个实施例提及：在实际使用时，在输出测试结果，给出故障判定时，在PDA端会弹出一个弹窗，显示为诊断结果，诊断结果的内容包括两个内容：

1、现象：现象一栏会输出最终确认的故障结果；

2、建议：在输出现象的同时会给到解决故障的建议，输出的建议是根据以往的人工经验总结并记录下来的，每个故障均会给到相应的建议解决方案，这样可以有效的帮助即使经验不深的电工在使用设备时，可以结合给到的建议进行快速有效的故障排除并解决。

其中一个实施例提及：以下对本方法的步骤做详细的说明：

1、故障诊断软件进行一组基础测试，抽取故障特征值，特征值是由0（排除）、1（确定）、2（未知）等值按特定规则组成的一串数字。如000000002100000201000000000000001000000000000000000000000000000000000000000000000000000000000000000000000200是一组测试提取的特征值。

2、已有确认故障特征库存储一系列由0和1组成的数字串。如

000000001100000101000000000000001000000000000000000000000000000000000000000000000000000000000000000000000000、

000000011100000100000100000000000000000000000000000000000000000000000000000001100000000000000000000000000000、

100000010000001000001000000001000000000000000000000000000000000000001000000000000001000000000000000000000000、

000010000000000000000100000011000000000000000000000000000000000000000000000001000000000000000000000000000000、

等上百种特征值串对应上百种智能电能表故障。

3、使用多维空间向量法计算故障特征库中的故障特征值与当前测试提取的故障特征值的相似度，取前五条相似度最高的故障特征值作为高怀疑故障。

4、对当前测试故障特征值与高怀疑故障特征值进行比对，对数字串中同一位置不同的值生成一般模式下的证伪测试集，证伪验证过程为排除性测试，并逐步修正当前测试特征值。若当前测试特征值为000000002100000201000000000000001000000000000000000000000000000000000000000000000000000000000000000000000200，经过证伪测试,修正为：000000001100000101000000000000001000000000000000000000000000000000000000000000000000000000000000000000000000，与故障库中充值重复故障的特征值相同，故可定位故障为充值重复故障。

5、输出最终特征值，得出智能电能表故障。

其中一个实施例提及：本方法主要基于一应用于PDA上的应用软件实现，使用时，在PDA上打开软件，并且将PDA靠近并对准故障的电表，进行通讯交互，此时会进入软件的主界面，主界面主要分为3大模块，一个是工具模块，一个是诊断模块，一个是个人信息模块；进入诊断模块会进入故障诊断界面，在该界面下，界面底端会有个故障诊断按钮，界面的上方包括以下几个信息：

1、电表表号；

2、电表地址；

3、电表型号；

4、电表厂家；

5、协议版本；

6、软件版本；

点击界面内的故障诊断按钮，则会进行基于本发明提供的现场电表故障识别方法进行一次故障诊断，并且输出诊断结果。

进入工具模块则分为三个子模块：

1、费率；

2、阶梯；

3、时段；

点击费率模块，则会进入费率信息界面，点击费率界面下方的“读取费率电价信息”按钮则会显示多个费率电价信息；

点击阶梯模块，则会进入阶梯信息界面，点击阶梯界面下方的“读取阶梯电价信息”按钮则会显示多个阶梯电价信息；

点击时段模块，则会进入时段信息界面，点击时段界面下方的“读取时区时段信息”按钮则会显示多个时区时段信息，例如：

1、年时区数1个；

2、日时段表数1个；

3、日时段数5个。

类似以上显示的信息内容。

进入个人信息模块，则会显示 “同步”按钮、 “帮助”按钮以及 “关于”按钮。

其中一个实施例提及：本发明的现场电表故障识别方法，在识别是否存在接线故障时，具体的会进行三相四线接线判断，判断是否存在故障现象：

当任一相中有功功率、无功功率皆为正，且每相测得的功率因数大于0.866，证明接线正确，在特征值的表现上则为0，表示不存在此故障现象；

当有一相、两相和三相中有功功率、无功功率皆为负，且每相测得的功率因数大于0.866，则说明该相电流进出线接错，在特征值的表现上则为1，表示存在此故障现象；

当三相中有功功率、无功功率一相、两相为负，其他全为正且每相测得的功率因数小于0.5，则说明三相相序错误且电流接线错误，在特征值的表现上则为1，表示存在此故障现象；

当一相有功功率、无功功率皆为负，一相有功功率为负、无功功率为正且两相测得的功率因数小于0.866，则说明：B相、C相接线交叉错误，在特征值的表现上则为1，表示存在此故障现象；

当一相有功功率、无功功率皆为负，一相有功功率为正、无功功率为负且两相测得的功率因数小于0.866；则说明存在此故障现象，在特征值的表现上则为1；

当三相中有功功率为负、无功功率为正且每相测得的功率因数大于0.5并且小于0.866，则说明三相相序错误，在特征值的表现上则为1，表示存在此故障现象；

三相中一相、两相有功功率为负、无功功率为正，其他为有功功率为正、无功功率为负且每相测得的功率因数大于0.5并且小于0.866，则说明三相相序错误且电流接线误，在特征值的表现上则为1，表示存在此故障现象；

还会进行三相三线接线判断

当A相有功功率、无功功率皆为正，C相有功功率为正、无功功率为负且：A相功率因数大于0.5并且小于0.866，C相功率因数大于0.866并且小于1；则说明接线正确；在特征值的表现上则为0，表示不存在此故障现象；

当A相有功功率、无功功率皆为正，C相有功功率为负、无功功率为正或A相有功功率、无功功率皆为负，C相有功功率为正、无功功率为负，且：A相功率因数大于0.5并且小于0.866，C相功率因数大于0.866并且小于1；则说明A相电流进出线接反或C相电流进出线接反；在特征值的表现上则为1，表示存在此故障现象；

当A相有功功率为正、无功功率为负，C相有功功率为负、无功功率为正，且：A、C相功率因数小于0.5；则说明：A、C两相电流接错，在特征值的表现上则为1，表示存在此故障现象；

当A相有功功率为负、无功功率为正，C相有功功率为负、无功功率为正或A相有功功率为正、无功功率为负，C相功功率为正、无功功率为负，且：A、C相功率因数小于0.5；则说明A、C两相电流接错且A相电流进出线接反或C相电流进出线接反，在特征值的表现上则为1，表示存在此故障现象；

当A相有功功率为负、无功功率为正，C相有功功率为正、无功功率为负，且：A、C相功率因数小于0.5；则说明相序错误，在特征值的表现上则为1，表示存在此故障现象；

则此故障的特征值组为：0111111101111，由此获得一组特征值，并将此特征值使用多维空间向量法计算故障特征库中的故障特征值与当前测试提取的故障特征值的相似度，取前五条相似度最高的故障特征值作为高怀疑故障。

如获得的为00200200001111111001110020200200000，00200200001110111001110020200200000，00200200001001111001110020200200000，00200200000011111001110020200200000，00200200001111111001110020200200000，则这五条高度怀疑故障为高怀疑故障，经过证伪之后修正为00000000001111111011110000000000000，经过此步骤后，获得的特征值组0111111101111与修正后的已知的特征值组00000000001111111011110000000000000是具有相同的特征值组，则表示存在接线故障。

本发明的优势在于：一种移动设备可读储存介质，移动设备可读储存介质储存有故障识别程序，其中故障识别程序被处理器执行时，实现以上现场电表故障识别方法的步骤。

1、本发明提供一种现场电表故障识别方法，该算法以向量空间距离为核心，将故障特征值转化为空间向量的特征模式并且计算与故障模式的距离，从而最快速找到与之最接近的故障模式。

2、本发明通过多次的证伪测试，将最接近的多个故障中排除出一个被怀疑故障并且确认并判定电表具有该故障。

以上公开的仅为本发明的几个具体实施例，但是本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种现场电表故障识别方法，其特征在于：包括以下步骤：

步骤一：与电表进行通讯交互，进行一组电能表的基础测试，获得一个特征值组；

步骤二：将步骤一获得的特征值组拟合为一个特征模型，将特征模型与预设的已知故障模型库进行比对，选取最接近的多个故障模型所对应的故障作为高度怀疑故障；

步骤三：步骤二获得的多个高度怀疑故障具有与之对应的多个特征值组，将多个特征值组之间进行比对，提取出特征值组中表现形式不完全一致的特征值项，并且组合成新的多个高度怀疑故障特征值组作为证伪测试集；

步骤四：将步骤一中获得的特征值组与证伪测试集进行比对，若覆盖其中某一高度怀疑故障特征值组，则排除其他高度怀疑故障，视为通过第一次证伪测试，获得一组被怀疑故障模型；

步骤五：将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对，若被怀疑故障的特征值组覆盖预设的特征值组，则视为通过第二次证伪测试，判定该电能表具有该故障;

步骤六：输出测试结果，给出故障判定。

2.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤一中进行一组电能表的基础测试，包括测试电能表故障时可能出现的所有故障现象，例如充值失败、时钟异常、液晶显示屏有错误字等电表故障时的所有故障现象。

3.根据权利要求2所述的现场电表故障识别方法，其特征在于：所述步骤一还包括：将故障对应的故障现象的表现形式以数值排列的形式形成特征值组。

4.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤二中将步骤一获得的特征值组建立一个特征模型，具体的为将步骤一获得的特征值组依据多维空间向量法拟合为一个多维空间向量特征模型。

5.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤二中将步骤一获得的特征值组建立一个特征模型，将特征模型与预设的已知故障的特征模型库进行比对之前还包括一个步骤：将已知的故障所对应的特征值组依据多维空间向量法拟合为多个多维空间向量模型，并形成已知故障的多维空间向量模型库。

6.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤二中将特征模型与预设的已知故障的模型库进行比对步骤中还包括：利用多维空间距离法的N维空间距离计算公式计算特征模型与已知故障的模型库内的各个已知故障的模型之间的空间距离。

7.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤四还包括一个步骤：若证第一次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

8.根据权利要求1所述的现场电表故障识别方法，其特征在于：在步骤五中将步骤四中获得的一组被怀疑故障的特征值组与一组预设的特征值组证伪测试集进行比对之前还包括一个步骤：根据以往的故障检测经验和以有监督的机器学习方式形成一个预设的特征值组证伪测试集。

9.根据权利要求1所述的现场电表故障识别方法，其特征在于：所述步骤五还包括一个步骤：若证第二次伪测试失败，则重新返回步骤二，且排除已选取的多个故障模型后重新选出多个新的个高怀疑故障模型并继续后续步骤。

10.一种移动设备可读储存介质，其特征在于：所述移动设备可读储存介质储存有故障识别程序，其中所述故障识别程序被处理器执行时，实现以上权利要求1-9中任意一项所述的现场电表故障识别方法的步骤。

Images