1.一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，包括下述步骤：(1)获取区域内多个污水厂的实时在线监测的出水水质数据，建立数据集；

(2)剔除数据集中所包含的缺失值和异常值，保留修正数据集，并将修正数据集按照不同污水厂不同出水水质指标进行标记如下：Tij表示第i个污水厂第j个出水水质指标的数据集；i＝1,2,3...；j＝1,2,3...；

Tj表示所有污水厂第j个出水指标的总体出水水质数据集；

(3)选择所有污水厂中第j个出水指标的总体出水水质数据集Tj，并绘制其概率密度曲线图，判断所有水厂总体的数据的统计分布类型Pj，并分析该分布的统计特征；

(4)将第i个污水厂第j个出水水质指标的数据集Tij单独进行Pj概率密度分布函数的参数估计，获取到每个污水厂的参数数据集；

(5)得到每个污水厂第j个出水水质指标的参数数据集，对不同的参数数据集设置上侧分位数a和下侧分位数b，在分位数为0-a％和b％-1的污水厂，表明其数据不正常，运行存在异常风险；在分位数a％-b％污水厂，表明其数据正常，运行管理良好；

并且根据概率密度分布函数Pj的分布特征与污水厂实际运行相结合，来表征污水厂的行为特性。

2.按照权利要求1所述的一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，所述步骤1)中，出水水质数据包括：BOD、氨氮、pH值、COD和总氮。

3.根据权利要求1所述的一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，所述步骤2)中，缺失值为数据在收集过程中导致部分数据为空值；

所述异常值为监测设备器件出现异常，产生过大的数据漂移，导致数据变化异常大或者值为负值。

4.根据权利要求1所述的一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，所述步骤4)中，通过极大似然法对每个污水厂分布类型P的概率密度函数进行参数估计，获取到所有污水厂的参数数据集，具体如下：

1)广义Gamma的概率密度分布函数f(x|α,β,γ)中Г(α)为伽玛函数，具有三个参数α、β和γ，如式(1)所示：式中，Г(α)为伽玛函数，α、β为形状参数，γ为尺度参数，x为出水水质数据；

控制其中的两个参数，做出另一个参数取不同值下函数的曲线；

2)正态分布具有两个参数σ和μ，其概率密度分布函数如公式(2)：式中，σ为标准差，μ为数学期望；

控制其中的一个参数，做出另一个参数取不同值下函数的曲线。

5.根据权利要求1所述的一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，所述步骤5)中，所述上侧分位数a和下侧分位数b分别满足如下：利用分位数将污水厂进行分类：

对于出水氨氮，参数数据集A、B和C三类在分位数0-10％、10％-90％和90％-100％的污水厂分为A1、A2、A3，B1、B2、B3，C1、C2和C3九类；

A2、B2、C2位于分位数10％-90％数据污水分布集中区，为出水氨氮数据正常的污水厂；

A1、A3、B1、B3、C1、C3六类位于污水分布两侧，为出水氨氮具有异常风险的污水厂；

对于出水COD，D和E两类在分位数0-10％、10％-90％和90％-100％的污水厂分为D1、D2、D3，E1、E2和E3六类；

D2、E2位于10％-90％数据分布集中区，为出水COD数据正常的污水厂；

D1、D3、E1和E3四类位于分布两侧，为出水COD具有异常风险的污水厂。

6.根据权利要求1所述的一种基于统计分布的污水厂厂群出水分析及异常识别方法，其特征在于，所述步骤5)中，根据概率密度分布函数Pj的分布特征与污水厂实际运行相结合，来表征污水厂的行为特性如下：(1)出水COD正态分布参数σ越小，分布曲线较陡，顶部尖锐，则表示污水厂常年运行较好，数据波动范围不大；

(2)正态分布参数σ越大，分布曲线平缓，不符合正态分布，则表示出水COD的异常散乱；

(3)正态分布参数μ较小时，出水COD值主要集中在较小数值附近，则表示运行管理水平较好；

(4)正态分布参数μ较大时，可以看出出水COD值主要集中在较高数值附近，则表示出水COD较高，污水处理差。