CN116523406A - 发电机组的状态判定方法、装置、存储介质和电子设备 - Google Patents

Abstract

本申请提供了一种发电机组的状态判定方法、装置、存储介质和电子设备。该方法包括：获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；对多个运行状态样本进行特征提取，得到多个目标特征参数；根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。上述方法实现了对发电机组状态异常程度更准确的评估。

Description

发电机组的状态判定方法、装置、存储介质和电子设备

技术领域

本申请涉及发电机组技术领域，具体而言，涉及一种发电机组的状态判定方法、装置、存储介质和电子设备。

背景技术

发电机组是数据中心、移动通讯系统等基础设施的必备设备，保障发电机组稳定运行非常有必要。

传统的健康评估通过采集发动机和发电机组的运行状态数据，并判断运行状态数据中每一个目标特征参数的上下限，若不在工作范围内，则给出警告提醒，针对严重故障，给予报警停机；现有的发电机组状态评估大多针对各个特征参数独立进行，而并没有考虑各个参数之间的相关性，导致无法准确反映发电机组的工作状态。

发明内容

本申请的主要目的在于提供一种发电机组的状态判定方法、装置、存储介质和电子设备，以至少解决现有技术中发电机组的工作状态评估不准确的问题。

为了实现上述目的，根据本申请的一个方面，提供了发电机组的状态判定方法，包括：获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；对多个运行状态样本进行特征提取，得到多个目标特征参数；根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。

可选地，根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率，包括：根据与多个目标特征参数对应的多个建模参数和预设概率分布模型，建立多个目标特征参数的多元高斯分布模型，其中，多个建模参数包括：多个目标运行状态样本的数量，多个目标特征参数的均值，以及多个目标特征参数的协方差；根据多元高斯分布模型和多个目标特征参数，确定多个分布概率。

可选地，根据多个目标特征参数对应的分布概率，确定发电机组的状态在预设时间区间内的异常程度，包括：根据多个目标特征参数对应的分布概率，确定连续的多个预设阈值区间，其中，多个预设阈值区间与多个异常等级一一对应，多个预设阈值区间中的第一预设阈值区间小于第二预设阈值区间，与第一预设阈值区间对应的异常等级大于与第二预设阈值区间对应的异常等级，不同的异常等级用于表示发电机组的状态具有不同的异常程度；在多个分布概率中目标分布概率位于任意一个预设阈值区间的情况下，确定目标分布概率位于的预设阈值区间，得到目标预设阈值区间；确定目标预设阈值区间对应的目标异常等级。

可选地，上述状态判定方法还包括：在接收到故障信号的情况下，获取发电机组的多个故障样本，其中，故障信号用于指示发电机组故障，每个故障样本至少包括：发电机组的故障类型，与故障类型对应的故障等级，以及与发电机组的故障类型对应的故障持续时间；根据目标故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分；根据目标异常等级，确定发电机组在预设时间区间内的状态评分；根据故障评分、故障评分对应的第一权重、状态评分以及状态评分对应的第二权重，确定发电机组在预设时间区间内的劣化评分，其中，劣化评分用于表示发电机组的劣化程度。

可选地，上述状态判定方法还包括：根据发电机组在连续多个预设时间区间内的劣化评分，对发电机组的劣化趋势进行预测。

可选地，根据故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分，包括：从第一预设集合中获取与目标故障等级对应的第一目标扣分系数，其中，第一预设集合包括：多个第一预设扣分系数，以及与多个第一预设扣分系数对应的多个故障等级；从第二预设集合中获取与故障持续时间对应的目标偏移系数，其中，第二预设集合包括：多个预设偏移系数，以及与多个预设偏移系数对应的多个故障持续时间；根据第一目标扣分系数、目标偏移系数和多个故障样本的数量，确定发电机组在预设时间区间内的故障评分。

可选地，根据目标异常等级，确定发电机组在预设时间区间内的状态评分，包括：从第三预设集合中获取与目标故障等级对应的第二目标扣分系数，其中，第三预设集合包括：多个第二预设扣分系数，以及与多个第二预设扣分系数对应的多个异常等级；根据第二目标扣分系数和多个运行状态样本的数量，确定发电机组在预设时间区间内的状态评分。

可选地，上述状态判定方法还包括：在接收到故障信号的情况下，记录与发电机组的目标故障类型对应的故障起始时间和故障结束时间，得到目标故障持续时间；判断目标故障持续时间是否大于预设时长，在判断结果指示为是的情况下，输出故障警示信号。

可选地，每个故障样本还包括：与发电机组对应的终端编号，以及与故障类型对应的故障码，状态判定方法还包括：解析每个故障样本，得到终端编号和故障码；根据终端编号将故障码发送至与所述终端编号对应的终端，以使所述终端的显示屏显示故障码。

根据本申请的另一方面，提供了一种状态判定发电机组的状态判定装置，包括：获取模块，用于获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；特征提取模块，用于对多个运行状态样本进行特征提取，得到多个目标特征参数；第一确定模块，用于根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；第二确定模块，用于根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。

根据本申请的再一方面，提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述的状态判定方法。

根据本申请的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，一个或多个程序被存储在存储器中，并且被配置为由一个或多个处理器执行，一个或多个程序包括用于执行上述的状态判定方法。

应用本申请的技术方案，通过获取发电机组的多个运行状态样本，对其中的多个目标运行状态样本进行特征提取，得到多个目标特征参数，然后根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率，从而通过概率分布模型可以自动捕获不同目标特征参数之间的相关性，确定每个目标特征参数的概率大小，进而根据预设阈值划分特征概率区间，实现了对发电机组状态异常程度更准确的评估。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例中提供的一种执行发电机组的状态判定方法的移动终端的硬件结构框图；

图2示出了根据本申请的实施例提供的一种发电机组的状态判定方法的流程示意图；

图3示出了根据本申请的实施例提供的一种发电机组的状态判定方法中，步骤S203的细化流程示意图；

图4示出了根据本申请的实施例提供的一种发电机组的状态判定方法中，步骤S204的细化流程示意图；

图5示出了根据本申请的实施例提供的另一种发电机组的状态判定方法中的部分流程示意图；

图6示出了根据本申请的实施例提供的一种发电机组的状态判定装置的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术中所介绍的，传统的健康评估通过采集发动机和发电机组的运行状态数据，并判断运行状态数据中每一个目标特征参数的上下限，若不在工作范围内，则给出警告提醒，针对严重故障，给予报警停机；现有的发电机组状态评估大多针对各个特征参数独立进行，而并没有考虑各个参数之间的相关性，导致无法准确反映发电机组的工作状态。为解决如何判断系统整体运行过程中是否存在跨核读取数据的问题，本申请的实施例提供了一种发电机组的状态判定方法、数据的识别装置、存储介质和电子设备。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本申请实施例的一种发电机组的状态判定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的发电机组的状态判定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种运行于移动终端、计算机终端或者类似的发电机组的状态判定方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图2是根据本申请实施例的发电机组的状态判定方法的流程图。如图2所示，该方法包括：

步骤S201，获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；

具体地，上述运行状态样本是通过在预设时间区间内采集发电机组的各项性能指标所生成的，上述性能指标能够用于表征发电机组在运行时的工作状态，通常可以包括但不局限于稳态电压调整率、瞬态电压调整率、电压稳定时间、稳态频率调整率、瞬态频率调整率、电压波动率、频率波动率、频率稳定时间、线电压波形正弦性畸变率、三相不对称负载下颚线电压偏差、噪声、燃油消耗率和机油消耗率。

步骤S202，对多个运行状态样本进行特征提取，得到多个目标特征参数；

具体地，上述目标特征参数可以为运行状态样本中的多个特征参数中用于反映异常样本的特征参数，目标特征参数通过训练得到的特征模型进行特征提取得到，多个目标特征参数可以对应多项特征指标，通过对反应多项特征指标的历史数据进行训练，得到对应的特征模型，上述历史数据可以包括历史状态样本以及用于标识历史状态样本中目标特征参数的标签，然后将运行状态样本的多个特征参数输入特征模型进行分析，得到目标运行状态样本中各项特征指标对应的目标特征参数。

步骤S203，根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；

具体地，上述预设概率分布模型可以选取现有技术中常规的概率分布模型，如正态分布模型，本申请实施例不作具体限定，通过将目标特征参数输入预设概率分布模型中进行分析，得到多个目标特征参数对应的分布概率，从而通过概率分布模型可以自动捕获不同目标特征参数之间的相关性。

步骤S204，根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。

具体地，在得到多个目标特征参数对应的分布概率后，可以确定多个目标特征参数对应的分布概率的最大值和最小值，从而基于上述最大值和最小值，可以通过预设阈值将划分得到多个特征概率区间，每个目标特征参数对应的分布概率表示为该目标特征参在概率区间中数量的占比，从而目标特征参数对应的分布概率越小，意味着运行状态样本的状态异常的概率越高，进而实现了对发电机组状态异常程度更准确的评估。

在一些可选的实施方式中，如图3所示，根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率，包括：步骤S2031，根据与多个目标特征参数对应的多个建模参数和预设概率分布模型，建立多个目标特征参数的多元高斯分布模型，其中，多个建模参数包括：多个目标运行状态样本的数量，多个目标特征参数的均值，以及多个目标特征参数的协方差；步骤S2032，根据多元高斯分布模型和多个目标特征参数，确定多个分布概率。

具体地，发电机组在大多数情况下都处于健康状态，只有少数情况下数据会变异常，每个指标都服从正态分布，而且各个特征指标可能具有相关性，基于此，采用基于多元高斯分布理论的多元高斯分布模型，计算出对应各项特征指标的特征参数的分布概率大小，从而可以自动捕获不同特征变量之间的相关性(正相关或者负相关)，拟合发电机组状态的特征分布，在组合不正常时将其标识为异常。

在一些可选的实施方式中，如图4所示，根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度，包括：步骤S2041，根据多个目标特征参数对应的分布概率，确定连续的多个预设阈值区间，其中，多个预设阈值区间与多个异常等级一一对应，多个预设阈值区间中的第一预设阈值区间小于第二预设阈值区间，与第一预设阈值区间对应的异常等级大于与第二预设阈值区间对应的异常等级，不同的异常等级用于表示发电机组的状态具有不同的异常程度；步骤S2042，在多个分布概率中目标分布概率位于任意一个预设阈值区间的情况下，确定目标分布概率位于的预设阈值区间，得到目标预设阈值区间；步骤S2043，确定目标预设阈值区间对应的目标异常等级。

具体地，可以先确定多个目标特征参数对应的分布概率中的最大值和最小值，从而根据上述最大值和最小值，确定多个预设阈值，然后根据上述多个预设阈值，确定多个连续的预设阈值区间，每个预设阈值区间对应不同异常等级。根据上述多个预设阈值，确定多个连续的预设阈值区间，可以包括：设定具有相同差值的多个预设阈值，设定最小预设阈值区间中的左侧端点值为0，最小预设阈值区间中的右侧端点值为多个预设阈值中的最小值，并将剩余的预设阈值分别设置为其它预设阈值区间的两侧端点值。

示例性的，基于多元高斯模型进行异常状态监测可以包括以下步骤：

1)获取发电机组在时间区间T₁-T₂内的m个运行状态样本，对上述m个运行状态样本进行特征提取，得到反映异常的n个特征参数x₁～x_n；

2)基于下述公式计算多个特征参数的分布概率P(x)：

其中，μ为n个特征参数x₁～x_n的均值，计算公式如下：

其中，∑为n个特征参数x₁～x_n的协方差，计算公式如下：

3)基于多个特征参数的分布概率P(x)，确定多个概率阈值，进行概率阈值区间划分，如表1所示，其中，t₁-t₃为概率阈值，基于概率阈值t₁-t₃，划分多个概率阈值区间：(0,t₁]，(t₁,t₂]，(t₂,t₃]，(0,t₁]对应异常等级A，(t₁,t₂]对应异常等级B，(t₂,t₃]对应异常等级C，特征参数的概率越小，是异常的概率越高，因此，异常等级A、B和C对应的发电机组的状态异常程度依次降低。

表1

概率阈值区间	异常等级
		(0,t1]	A
(t1,t2]	B
		(t2,t3]	C

4)判断多个特征参数的分布概率P(x)是否满足上述概率阈值区间，并基于概率阈值区间确定多个特征参数的分布概率P(x)对应的异常等级，从而基于异常等级确定发电机组的状态在预设时间区间T₁-T₂内的异常程度。

在一些可选的实施方式中，本申请实施例中的状态判定方法还包括：在接收到故障信号的情况下，获取发电机组的多个故障样本，其中，故障信号用于指示发电机组故障，每个故障样本至少包括：发电机组的故障类型，与故障类型对应的故障等级，以及与发电机组的故障类型对应的故障持续时间；根据目标故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分；根据目标异常等级，确定发电机组在预设时间区间内的状态评分；根据故障评分、故障评分对应的第一权重、状态评分以及状态评分对应的第二权重，确定发电机组在预设时间区间内的劣化评分，其中，劣化评分用于表示发电机组的劣化程度。

具体地，基于发电机组的故障类型确定发电机组的故障评分，以及基于发电机组的状态的异常等级，确定发电机组的状态评分，从而能够通过综合故障评分和状态评分，实现对发电机组的状态的综合评估。

在上述可选的实施方式中，还可以根据发电机组在连续多个预设时间区间内的劣化评分，对发电机组的劣化趋势进行预测。

具体地，上述多个预设时间区间可以具有不同单位，如多个预设时间区间可以包括以下之一：连续多个小时，连续多天，以及连续多周。以上述多个预设时间区间为连续多天D₁-D_n为例，基于发电机组在第一天D₁的故障类型，确定发电机组当天的故障评分，并基于发电机组在第一天的状态的异常等级，确定发电机组当天的状态评分，然后可以通过设定权重，综合故障评分和状态评分，得到发电机组在第一天D₁的劣化评分F₁，并记录该劣化评分，然后基于发电机组在第二天D₂的故障类型，确定发电机组当天的故障评分，并基于发电机组在第二天的状态的异常等级，确定发电机组当天的状态评分，然后可以通过设定权重，综合故障评分和状态评分，得到发电机组在第二天D₂的劣化评分F₂，以此类推，得到连续多天D₁-D_n的劣化评分F₁-F_n，从而可以基于上述劣化评分F₁-F_n，绘制发电机组在D₁-D_n天内的劣化趋势曲线。

在上述可选的实施方式中，根据故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分，可以包括：从第一预设集合中获取与目标故障等级对应的第一目标扣分系数，其中，第一预设集合包括：多个第一预设扣分系数，以及与多个第一预设扣分系数对应的多个故障等级；从第二预设集合中获取与故障持续时间对应的目标偏移系数，其中，第二预设集合包括：多个预设偏移系数，以及与多个预设偏移系数对应的多个故障持续时间；根据第一目标扣分系数、目标偏移系数和多个故障样本的数量，确定发电机组在预设时间区间内的故障评分。

具体地，不同故障等级的故障扣分不同，定义故障持续时间阈值，若小于阈值定义为偶发故障，若大于阈值，特别是重大故障需要重点关注，故障评分f₁可以采用以下计算公式：

其中，m为运行状态样本，s₁为不同故障等级的扣分系数，即上述第一目标扣分系数，s₂为故障持续时间长短的偏移系数，即上述目标偏移系数，f为故障基础分值。

在上述可选的实施方式中，根据目标异常等级，确定发电机组在预设时间区间内的状态评分，包括：从第三预设集合中获取与目标故障等级对应的第二目标扣分系数，其中，第三预设集合包括：多个第二预设扣分系数，以及与多个第二预设扣分系数对应的多个异常等级；根据第二目标扣分系数和多个运行状态样本的数量，确定发电机组在预设时间区间内的状态评分。

具体地，不同等级的异常扣分不同，状态评分f₂可以采用以下计算公式：

其中，m为运行状态样本，S为不同等级的扣分系数，即上述第二目标扣分系数。

图5是根据本申请另一个实施例中的发电机组的状态判定方法，该方法包括：

获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；

对多个运行状态样本进行特征提取，得到多个目标特征参数；

根据与多个目标特征参数对应的多个建模参数和预设概率分布模型，建立多个目标特征参数的多元高斯分布模型，其中，多个建模参数包括：多个目标运行状态样本的数量，多个目标特征参数的均值，以及多个目标特征参数的协方差；

根据多元高斯分布模型和多个目标特征参数，确定多个分布概率；

根据多个目标特征参数对应的分布概率，确定连续的多个预设阈值区间，其中，多个预设阈值区间与多个异常等级一一对应，多个预设阈值区间中的第一预设阈值区间小于第二预设阈值区间，与第一预设阈值区间对应的异常等级大于与第二预设阈值区间对应的异常等级，不同的异常等级用于表示发电机组的状态具有不同的异常程度；

在多个分布概率中目标分布概率位于任意一个预设阈值区间的情况下，确定多个分布概率位于的预设阈值区间；

确定多个分布概率位于的目标预设阈值区间对应的异常等级；

在确定异常等级的步骤之后，如图5所示，本实施例中的方法还包括：

步骤S205，在接收到故障信号的情况下，获取发电机组的多个故障样本，其中，故障信号用于指示发电机组故障，每个故障样本至少包括：发电机组的故障类型，与故障类型对应的故障等级，以及与发电机组的故障类型对应的故障持续时间；

步骤S206，根据目标故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分；

步骤S207，根据目标异常等级，确定发电机组在预设时间区间内的状态评分；

步骤S208，根据故障评分、故障评分对应的第一权重、状态评分以及状态评分对应的第二权重，确定发电机组在预设时间区间内的劣化评分，其中，劣化评分用于表示发电机组的劣化程度。

示例性的，获取发电机组在D₁-D_n的劣化趋势曲线可以包括以下步骤：

基于上述故障评分f₁的计算公式，确定发电机组在第一天D₁的故障评分f₁；

基于上述状态评分f₂的计算公式，确定发电机组在第一天D₁的状态评分f₂；

记录D₁-D_n中每天发电机组的故障评分f₁和状态评分f₂，并分配权重q₁和权重q₂，当天发电机组的综合得分具有以下计算公式：f＝f₁*q₁+f₂*q₂，综合得分最小为0，并根据每天得分情况，绘制最近一段时间的趋势曲线。

并基于发电机组在第一天的状态的异常等级，确定发电机组当天的状态评分，然后可以通过设定权重，综合故障评分和状态评分，得到发电机组在第一天D₁的劣化评分F₁，并记录该劣化评分，然后基于发电机组在第二天D₂的故障类型，确定发电机组当天的故障评分，并基于发电机组在第二天的状态的异常等级，确定发电机组当天的状态评分，然后可以通过设定权重，综合故障评分和状态评分，得到发电机组在第二天D₂的劣化评分F₂，以此类推，得到连续多天D₁-D_n的劣化评分F₁-F_n，从而可以基于上述劣化评分F₁-F_n，绘制发电机组在D₁-D_n天内的劣化趋势曲线。

在一些可选的实施方式中，本实施例中的状态判定方法还包括：在接收到故障信号的情况下，记录与发电机组的目标故障类型对应的故障起始时间和故障结束时间，得到目标故障持续时间；判断目标故障持续时间是否大于预设时长，在判断结果指示为是的情况下，输出故障警示信号。通过判断目标故障持续时间是否大于预设时长，能够针对持续较长时间的重大故障，输出故障警示信号，以给予故障提醒。

在一些可选的实施方式中，每个故障样本还包括：与发电机组对应的终端编号，以及与故障类型对应的故障码，状态判定方法还包括：解析每个故障样本，得到终端编号和故障码；根据终端编号将故障码发送至与终端编号对应的终端，以使终端的显示屏显示故障码。

具体地，发电机组的故障可以分为三个等级：提示性故障，一般故障，以及重大故障。处理器接收到故障信号后，识别故障开始时间和结束时间，然后将以下字段记录至存储器中：终端编号，故障码，故障开始时间，故障结束时间，以及故障等级。处理器可以与终端连接，实现对故障码的显示，使维修人员能够及时对故障码对应的故障类型进行处理。

本申请实施例还提供了一种状态判定发电机组的状态判定装置，需要说明的是，本申请实施例的状态判定发电机组的状态判定装置可以用于执行本申请实施例所提供的用于发电机组的状态判定方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

以下对本申请实施例提供的状态判定发电机组的状态判定装置进行介绍。

图6是根据本申请实施例的状态判定发电机组的状态判定装置的示意图。如图6所示，该装置包括：

获取模块10，用于获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；

具体地，上述运行状态样本是通过在预设时间区间内采集发电机组的各项性能指标所生成的，上述性能指标能够用于表征发电机组在运行时的工作状态，通常可以包括但不局限于稳态电压调整率、瞬态电压调整率、电压稳定时间、稳态频率调整率、瞬态频率调整率、电压波动率、频率波动率、频率稳定时间、线电压波形正弦性畸变率、三相不对称负载下颚线电压偏差、噪声、燃油消耗率和机油消耗率。

特征提取模块20，用于对多个运行状态样本进行特征提取，得到多个目标特征参数；

具体地，上述目标特征参数可以为运行状态样本中的多个特征参数中用于反映异常样本的特征参数，目标特征参数通过训练得到的特征模型进行特征提取得到，多个目标特征参数可以对应多项特征指标，通过对反应多项特征指标的历史数据进行训练，得到对应的特征模型，上述历史数据可以包括历史状态样本以及用于标识历史状态样本中目标特征参数的标签，然后通过特征提取模块20将运行状态样本的多个特征参数输入特征模型进行分析，得到目标运行状态样本中各项特征指标对应的目标特征参数。

第一确定模块30，用于根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；

具体地，上述预设概率分布模型可以选取现有技术中常规的概率分布模型，如正态分布模型，本申请实施例不作具体限定，第一确定模块30通过将目标特征参数输入预设概率分布模型中进行分析，得到多个目标特征参数对应的分布概率，从而通过概率分布模型可以自动捕获不同目标特征参数之间的相关性。

第二确定模块40，用于根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。

具体地，在通过第一确定模块30得到多个目标特征参数对应的分布概率后，可以通过第二确定模块40确定多个目标特征参数对应的分布概率的最大值和最小值，从而基于上述最大值和最小值，可以通过预设阈值将划分得到多个特征概率区间，每个目标特征参数对应的分布概率表示为该目标特征参在概率区间中数量的占比，从而目标特征参数对应的分布概率越小，意味着运行状态样本的状态异常的概率越高，进而实现了对发电机组状态异常程度更准确的评估。

可选地，上述第一确定模块30包括：建模模块，用于根据与多个目标特征参数对应的多个建模参数和预设概率分布模型，建立多个目标特征参数的多元高斯分布模型，其中，多个建模参数包括：多个目标运行状态样本的数量，多个目标特征参数的均值，以及多个目标特征参数的协方差；第一确定子模块，用于根据多元高斯分布模型和多个目标特征参数，确定多个分布概率。

可选地，上述第二确定模块40包括：第二确定子模块，用于根据多个目标特征参数对应的分布概率，确定连续的多个预设阈值区间，其中，多个预设阈值区间与多个异常等级一一对应，多个预设阈值区间中的第一预设阈值区间小于第二预设阈值区间，与第一预设阈值区间对应的异常等级大于与第二预设阈值区间对应的异常等级，不同的异常等级用于表示发电机组的状态具有不同的异常程度；第三确定子模块，用于在多个分布概率中目标分布概率位于任意一个预设阈值区间的情况下，确定目标分布概率位于的预设阈值区间，得到目标预设阈值区间；确定目标预设阈值区间对应的目标异常等级。

可选地，本实施例中的上述装置还包括：第一获取子模块，用于在接收到故障信号的情况下，获取发电机组的多个故障样本，其中，故障信号用于指示发电机组故障，每个故障样本至少包括：发电机组的故障类型，与故障类型对应的故障等级，以及与发电机组的故障类型对应的故障持续时间；第四确定子模块，用于根据目标故障等级和故障持续时间，确定发电机组在预设时间区间内的故障评分；第五确定子模块，用于根据目标异常等级，确定发电机组在预设时间区间内的状态评分；第六确定子模块，用于根据故障评分、故障评分对应的第一权重、状态评分以及状态评分对应的第二权重，确定发电机组在预设时间区间内的劣化评分，其中，劣化评分用于表示发电机组的劣化程度。

可选地，本实施例中的上述装置还包括：预测子模块，用于根据发电机组在连续多个预设时间区间内的劣化评分，对发电机组的劣化趋势进行预测。

可选地，上述第四确定子模块包括：第二获取子模块，用于从第一预设集合中获取与目标故障等级对应的第一目标扣分系数，其中，第一预设集合包括：多个第一预设扣分系数，以及与多个第一预设扣分系数对应的多个故障等级；第三获取子模块，用于从第二预设集合中获取与故障持续时间对应的目标偏移系数，其中，第二预设集合包括：多个预设偏移系数，以及与多个预设偏移系数对应的多个故障持续时间；第七确定子模块，用于根据第一目标扣分系数、目标偏移系数和多个故障样本的数量，确定发电机组在预设时间区间内的故障评分。

可选地，上述第五确定子模块包括：第四获取子模块，用于从第三预设集合中获取与目标故障等级对应的第二目标扣分系数，其中，第三预设集合包括：多个第二预设扣分系数，以及与多个第二预设扣分系数对应的多个异常等级；第八确定子模块，用于根据第二目标扣分系数和多个运行状态样本的数量，确定发电机组在预设时间区间内的状态评分。

可选地，本实施例中的上述装置还包括：记录模块，用于在接收到故障信号的情况下，记录与发电机组的目标故障类型对应的故障起始时间和故障结束时间，得到目标故障持续时间；判断模块，用于判断目标故障持续时间是否大于预设时长，在判断结果指示为是的情况下，输出故障警示信号。

可选地，每个故障样本还包括：与发电机组对应的终端编号，以及与故障类型对应的故障码，本实施例中的上述装置还包括：解析模块，用于解析每个故障样本，得到终端编号和故障码；发送模块，用于根据终端编号将故障码发送至与终端编号对应的终端，以使终端的显示屏显示故障码。

本实施例中的上述装置包括处理器和存储器，上述获取模块10、特征提取模块20、第一确定模块30和第二确定模块40等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现了对发电机组状态异常程度更准确的评估。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本申请上述实施例的发电机组的状态判定方法。

本申请实施例提供了一种电子设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；对多个运行状态样本进行特征提取，得到多个目标特征参数；根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。本文中的电子设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：获取发电机组的多个运行状态样本，其中，多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；对多个运行状态样本进行特征提取，得到多个目标特征参数；根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率；根据多个目标特征参数对应的分布概率和预设阈值，确定发电机组的状态在预设时间区间内的异常程度。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

应用本申请的技术方案，通过获取发电机组的多个运行状态样本，对其中的多个目标运行状态样本进行特征提取，得到多个目标特征参数，然后根据预设概率分布模型和多个目标特征参数，确定多个目标特征参数对应的分布概率，从而通过概率分布模型可以自动捕获不同目标特征参数之间的相关性，确定每个目标特征参数的概率大小，进而根据预设阈值划分特征概率区间，实现了对发电机组状态异常程度更准确的评估。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种发电机组的状态判定方法，其特征在于，包括：

获取所述发电机组的多个运行状态样本，其中，所述多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；

对所述多个运行状态样本进行特征提取，得到多个目标特征参数；

根据预设概率分布模型和所述多个目标特征参数，确定所述多个目标特征参数对应的分布概率；

根据所述多个目标特征参数对应的分布概率和预设阈值，确定所述发电机组的状态在所述预设时间区间内的异常程度。

2.根据权利要求1所述的状态判定方法，其特征在于，所述根据预设概率分布模型和所述多个目标特征参数，确定所述多个目标特征参数对应的分布概率，包括：

根据与所述多个目标特征参数对应的多个建模参数和所述预设概率分布模型，建立所述多个目标特征参数的多元高斯分布模型，其中，所述多个建模参数包括：所述多个目标运行状态样本的数量，所述多个目标特征参数的均值，以及所述多个目标特征参数的协方差；

根据所述多元高斯分布模型和所述多个目标特征参数，确定多个所述分布概率。

3.根据权利要求2所述的状态判定方法，其特征在于，所述根据所述多个目标特征参数对应的分布概率和预设阈值，确定所述发电机组的状态在所述预设时间区间内的异常程度，包括：

根据所述多个目标特征参数对应的分布概率，确定连续的多个预设阈值区间，其中，所述多个预设阈值区间与多个异常等级一一对应，所述多个预设阈值区间中的第一预设阈值区间小于第二预设阈值区间，与所述第一预设阈值区间对应的异常等级大于与所述第二预设阈值区间对应的异常等级，不同的所述异常等级用于表示所述发电机组的状态具有不同的异常程度；

在所述多个分布概率中目标分布概率位于任意一个所述预设阈值区间的情况下，确定所述目标分布概率位于的预设阈值区间，得到目标预设阈值区间；

确定所述目标预设阈值区间对应的目标异常等级。

4.根据权利要求3所述的状态判定方法，其特征在于，所述状态判定方法还包括：

在接收到故障信号的情况下，获取所述发电机组的多个故障样本，其中，所述故障信号用于指示所述发电机组故障，每个所述故障样本至少包括：所述发电机组的故障类型，与所述故障类型对应的故障等级，以及与所述发电机组的故障类型对应的故障持续时间；

根据所述目标故障等级和所述故障持续时间，确定所述发电机组在所述预设时间区间内的故障评分；

根据所述目标异常等级，确定所述发电机组在所述预设时间区间内的状态评分；

根据所述故障评分、所述故障评分对应的第一权重、所述状态评分以及所述状态评分对应的第二权重，确定所述发电机组在所述预设时间区间内的劣化评分，其中，所述劣化评分用于表示所述发电机组的劣化程度。

5.根据权利要求4所述的状态判定方法，其特征在于，所述状态判定方法还包括：

根据所述发电机组在连续多个预设时间区间内的劣化评分，对所述发电机组的劣化趋势进行预测。

6.根据权利要求4所述的状态判定方法，其特征在于，所述根据所述故障等级和所述故障持续时间，确定所述发电机组在所述预设时间区间内的故障评分，包括：

从第一预设集合中获取与所述目标故障等级对应的第一目标扣分系数，其中，所述第一预设集合包括：多个第一预设扣分系数，以及与所述多个第一预设扣分系数对应的多个故障等级；

从第二预设集合中获取与所述故障持续时间对应的目标偏移系数，其中，所述第二预设集合包括：多个预设偏移系数，以及与所述多个预设偏移系数对应的多个故障持续时间；

根据所述第一目标扣分系数、所述目标偏移系数和所述多个故障样本的数量，确定所述发电机组在所述预设时间区间内的故障评分。

7.根据权利要求4所述的状态判定方法，其特征在于，所述根据所述目标异常等级，确定所述发电机组在预设时间区间内的状态评分，包括：

从第三预设集合中获取与所述目标故障等级对应的第二目标扣分系数，其中，所述第三预设集合包括：多个第二预设扣分系数，以及与所述多个第二预设扣分系数对应的多个异常等级；

根据所述第二目标扣分系数和所述多个运行状态样本的数量，确定所述发电机组在所述预设时间区间内的状态评分。

8.根据权利要求4所述的状态判定方法，其特征在于，所述状态判定方法还包括：

在接收到所述故障信号的情况下，记录与所述发电机组的目标故障类型对应的故障起始时间和故障结束时间，得到目标故障持续时间；

判断所述目标故障持续时间是否大于预设时长，在判断结果指示为是的情况下，输出故障警示信号。

9.根据权利要求4所述的状态判定方法，其特征在于，每个所述故障样本还包括：与所述发电机组对应的终端编号，以及与所述故障类型对应的故障码，所述状态判定方法还包括：

解析每个所述故障样本，得到所述终端编号和所述故障码；

根据所述终端编号将所述故障码发送至与所述终端编号对应的终端，以使所述终端的显示屏显示所述故障码。

10.一种状态判定发电机组的状态判定装置，其特征在于，包括：

获取模块，用于获取所述发电机组的多个运行状态样本，其中，所述多个运行状态样本包括在预设时间区间内不同采集时刻采集到的多个指标参数；

特征提取模块，用于对所述多个运行状态样本进行特征提取，得到多个目标特征参数；

第一确定模块，用于根据预设概率分布模型和所述多个目标特征参数，确定所述多个目标特征参数对应的分布概率；

第二确定模块，用于根据所述多个目标特征参数对应的分布概率和预设阈值，确定所述发电机组的状态在所述预设时间区间内的异常程度。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至9中任意一项所述的状态判定方法。

12.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至9中任意一项所述的状态判定方法。