對于多輸入多輸出的模型，需要對多變量數據進行異常監測，傳統的單一1}7值的方法不足以處理這種多變量數據的異常監測。所以需要把多變量數據轉化成單一的度量值。提出基于多元高斯函數模型對發電機的狀態參數殘差進行分析，把多變量數據轉化成概率這一單一的度量值，從而達到對發電機的異常故障進行有效

    首先求取正常行為模型輸出與實時數據輸出的殘差，其狀態參數殘差表示如下:

    將發電機運行工況作為分類變量引入狀態監測模型，采用基于混合輸入模糊神經網絡建立發電機正常狀態下的行為模型，通過發電機實際運行數據與正常行為模型的殘差確定多元高斯函數的概率密度分布，根據概率密度等高線設定i}}值，實現對發電機發電機輸出功率與轉子轉速的異常監測。該方法克服異常監測模型繁多而且計算量大的缺陷，可同時進行多參數的異常監測，并且方法的計算復雜度和異常狀態診斷正確率優于其他對比方法。