CN106595788A - 基于多参数耦合修正的大型泵站流量监测方法 - Google Patents

Abstract

本发明公开了基于多参数耦合修正的大型泵站流量监测方法，包括以下步骤：一，确定影响大型泵站流量的各因素，在泵机组区域内布点相应的传感器以采集各影响因素和流量测量值；二，基于各影响因素建立模糊综合评价模型，根据各影响因素的测量值以及模糊综合评价模型确定评估等级结果，以此评估等级结果作为泵机组当前流量的程度修正等级；三，对泵机过流量的历史数据建立与模糊综合评价模型中评价等级数目相同的区间等级背景数据集，根据程度修正等级从背景数据集中选取相应等级的流量历史数据作为先验背景；利用贝叶斯先验算法对流量实际测量值进行修正。本发明方法实现泵机过流量测量的分级先验修正，有效提高泵站过流量测量的准确性。

Description

基于多参数耦合修正的大型泵站流量监测方法

技术领域

本发明涉及一种基于多参数耦合修正的大型泵站流量监测方法，属于水利工程泵站过流量监测的技术领域。

背景技术

我国大型灌排工程较多采用低扬程、大流量轴流泵，机组运行工况较为敏感，汽蚀、振动、漩涡等现象多发，直接造成水体的过流流态复杂，并且受流道短、突变段多等工程结构布局限制，过流量现场测试条件十分恶劣，现有监测技术难以满足大型泵站流量的准确、可靠地监测需要。

工程实际中，泵运行特别是多泵协联等运行工况，掌握机组的动态过流量，成为机组优化调度、安全、经济运行的重要支撑。随着南水北调、引江济太等大型水利工程陆续投入使用，可以知道，泵站过流量准确、方便的测试技术，成为确保大型泵站的高效运行的重要前瞻性技术。

在泵站过流量监测过程中，现行技术主要采用流速仪法、浓度法、超声波法、电磁流量法等测量方法。受工程结构布置限制，现场流态恶劣、管路布置困难等运行工况较为普遍，现有测量技术在原理上并不具备准确测试的基础条件(如十倍管径长水平段等)，更难以满足大型泵站正常运行的流量监控需要，这也成为行业精细管理的技术瓶颈。因此寻求一种现场中实用而又简单的流量确定方法，是改变现行大型泵站运行管理粗放的必要技术方向，促进泵站运行的精细化管理水平。

发明内容

本发明的目的在于克服现有技术中的不足，提供了一种基于多参数耦合修正的大型泵站流量监测方法，实现泵机过流量测量的分级先验修正，定量、定性地克服现有大型泵站流量测量技术中的不足，有效提高泵站过流量测量的准确性。

为解决上述技术问题，本发明提供了一种基于多参数耦合修正的大型泵站流量监测方法，其特征是，包括以下步骤：

步骤一，确定影响大型泵站流量的各因素，在泵机组区域内布点相应的传感器以采集各影响因素和流量测量值；

步骤二，基于各影响因素建立模糊综合评价模型，根据各影响因素的测量值以及模糊综合评价模型确定评估等级结果；

步骤三，对泵机过流量的历史数据建立与模糊综合评价模型中评价等级数目相同的区间等级背景数据集，根据评估等级结果从背景数据集中选取相应等级的流量历史数据作为先验背景；然后利用贝叶斯先验算法对流量实际测量值进行修正。

进一步的，影响因素包括泵机组的电流、电压、有功功率、无功功率、水位、轴瓦温度、水压力脉动、流道真空度、振动加速度、摆度和轴心轨迹中一种或多种。

进一步的，水压力脉动和流道真空度监测点布置在泵机流道内；水位、流量和轴瓦温度监测点布置在泵机流道内；电流、电压和功率监测点布置在开关柜电气线路端；泵机组的振动加速度、摆度、轴心轨迹图监测点布设在导轴承。

进一步的，在步骤二中建立模糊综合评价模型确定评价等级结果的具体过程包括：

1)确定过流量关联评判指标及各指标的评判标准

关联评判指标为：电流(S1)；电压(S2)；有功功率(S3)；无功功率(S4)；水位(S5)；轴瓦温度(S6)；水压力脉动(S7)；流道真空度(S8)；振动加速度(S9)、摆度(S10)和轴心轨迹(S11)；并对各指标分五个等级，则评价集V为V＝{v1，v2，v3，v4，v5}＝{Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ}；

2)关联评判指标的隶属度评估

采用半梯形分布法，建立各评判指标的程度修正评估隶属度函数：

式中：U_vi为第i个关联性评判指标v等级的程度修正评估隶属度函数；i＝1，2，…，11；v_m为关联评判指标的等级，取值Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ；x为各评判指标当前数值，x1、…、x4为单一评判指标中五个等级的临界标准值；

综合评估内含表征过流量的客观信息的评估矩阵R公式如下：

式中：R为模糊隶属度矩阵；S₁-S_n为单一评判指标；v₁-v_m为关联评判指标划分的等级，取(Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ)，这里n取11，m取5；

3)确定评估等级结果

基于各关联评判指标的实际测量值，利用以下公式获得流量评估的等级结果：

式中：b为最大隶属度；B为程度修正等级评估矩阵；W为评价因素权向量矩阵；R为由隶属度函数所确定的模糊识别评估矩阵。

进一步的，评价指标的权向量W的相关权系数集为(0.05,0.05,0.1,0.05,0.05,0.05,0.15,0.2,0.1,0.1,0.1)。

进一步的，步骤三中，基于评估等级结果利用贝叶斯先验算法对流量实际测量值进行修正的具体过程为：

1)历史数据的分类先验背景

已知泵机过流量历史数据呈现对数正态分布的规律，利用已有的历史数据，根据以下公式计算出时间段内流量数据的均值μ和标准差σ：

式中：μ和σ分别为历史过流量数据对数正态分布的均值和标准差；x_j表示时间段中第j个流量数据；N表示时间段中数据的总个数；

按标准差σ的大小分类为I—V五个层次等级的先验背景数据，把五个分类等级的背景数据集进行标准正态化转换，分别获得相应的当量正态分布函数；

基于步骤二中获得的评估等级结果选择相应等级的当量正态分布函数作为泵机过流量历史数据的分类先验背景；

2)贝叶斯先验修正方法的泵机过流量修正

通过上述获得的先验数据背景N_μ(μ',σ')，按照以下公式对流量实测数据组当量正态分布N_μ(μ₀',σ₀')进行贝叶斯数据更新，获得实测泵机过流量更新后的当量标准正态化均值μ"和标准差σ"：

式中：μ"为更新后实测流量的当量标准正态化均值；σ"分别为更新后实测流量的当量标准差；σ_r为测量不确定性引起的标准差；

按下列公式反向转换更新后，得到呈对数正态分布的实测流量后验更新数据：

式中:μ₀"和σ₀"分别为当前流量值修正后的对数正态化均值和标准差；COV₀"为当前流量修正后的变异系数。

进一步的，五个层次等级的先验背景数据的划分区间分别为：(0，0.05μ]，(0.05μ，0.1μ]，(0.1μ，0.15μ]，(0.15μ，0.2μ]，(0.2μ，+∝]。

与现有技术相比，本发明所达到的有益效果是：本发明通过泵机组过流量与工程中11项外部因素之间存在的内在关联性特征，构建模糊综合评价模型，形成多参数耦合的表征性指标，明确泵机过流量按Ⅰ—Ⅴ级五个层次等级修正；并结合贝叶斯先验算法，按对数正态分布统计特性，对泵机过流量的历史数据建立先验修正的五段区间背景数据集，实现泵机过流量测量的分级先验修正，定量、定性地克服现有大型泵站流量测量技术中的不足，有效提高泵站过流量测量的准确性。

附图说明

图1是本发明方法的原理框图；

图2是本发明贝叶斯先验修正的原理框图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的一种基于多参数耦合修正的大型泵站流量监测方法，如图1所示，包括以下步骤：

步骤一，确定影响大型泵站流量的各因素，在泵机组区域内布点相应的监测点以采集各影响因素和流量的测量值；

以常熟泵站示范工程泵机为例，对影响大型泵站过流量监测的因素，按定量、定性两种监测类别，包括电气类参数指标(包含电流、电压、有功、无功4项监测参数)、泵机组运转类参数指标(包含水位、轴瓦温度2项监测参数)、水力学类参数指标(包含水压力脉动、流道真空度2项监测参数)、泵机机械性能类参数指标(包含振动加速度、摆度、轴心轨迹3项监测参数)等4类11个分项监测技术参数。

在泵机组运行区域内具体布置22个监测节点传感器进行测量以上11项影响因素和流量，各监测点传感器的位置明细如表1所示。具体位置布置的监测节点传感器明细为：流道的上、下游位置(布置2个水位监测传感器)、泵机流道位置(布置水压力脉动、流道真空度2个监测传感器，流道出口布置1个流量监测传感器)、泵机组位置(上、下导轴承部位X、Y方向布置振动加速度计各2个监测传感器、2个轴瓦温度监测传感器、上、下导轴承摆度2个监测传感器、轴心轨迹图复算监测节点1个)、电气柜位置(三相电流3个监测传感器，三相电压3个监测感器，有功、无功等复算监测节点2个)。

表1 常熟泵站示范工程泵机的结构安全监测节点分类及布置明细

其中水压力脉动和流道真空度传感器布置在泵机流道内，通过MUBUS协议调取传感器测量值，主要获取流道内的直接关联信息；水位、流量和轴瓦温度传感器布置在泵机流道内，通过CDT协议获取传感器测量值，主要获取流体过流时出现的间接关联信息；电流、电压和功率传感器布置在开关柜电气线路端，通过MUBUS协议调取传感器测量值，主要获取流体过流时出现的间接关联信息；泵机组的振动加速度、摆度、轴心轨迹图传感器布设在导轴承X、Y方向，通过CDT协议获取传感器测量值，主要获取流体过流时出现的间接关联信息。

步骤二，基于各影响因素建立模糊综合评价模型，根据各影响因素的测量值以及模糊综合评价模型确定评估等级结果，以此评估等级结果作为泵机组当前流量的程度修正等级。

1)确定过流量关联评判指标及各指标的评判标准

根据步骤一中确定的各影响因素规定以下11个影响因素为关联评判指标(也是模糊综合评价模型中的因素集)：电流(S1)；电压(S2)；有功功率(S3)；无功功率(S4)；水位(S5)；轴瓦温度(S6)；水压力脉动(S7)；流道真空度(S8)；振动加速度(S9)、摆度(S10)和轴心轨迹(S11)。因此因素集可以记作U＝{S1，S2，…，Sn}，其中取n＝11。并对各评判指标分五个等级，进行性状评估。因此泵机组流量的评价集V为V＝{v1，v2，v3，v4，v5}＝{Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ}(在以下计算过程中，为了方便也可以将其评价集等级等价于数值{1，2，3，4，5})。过流量关联性评判指标按单一评判的标准等级划分如表2所示，每个评判指标参数都按照数值大小不同分为五段。

表2 单一评判指标及评判标准

其中：电流指标S1为工作电流波动值与额定电流比值；电压指标S2为工作电压的波动值与额定电压比值；有功功率指标S3为有功功率的波动状况；无功功率指标S4为无功功率的波动状况；水位指标S5为实际工作水位与设计水位的比值；轴瓦温度指标S6为水导轴承高温裕度；水压力脉动指标S7为工作中水压力波动与额定压力的比值；流道真空度指标S8为空化气蚀状况；振动加速度指标S9为实际振动加速度与额定振动加速度的比值；摆度指标S10为实际振动摆度与额定振动摆度的比值；轴心轨迹指标S11为实际工作中与静止时的轴心位置比值。

2)关联评判指标的隶属度评估

采用梯形分布法，建立各评判指标的程度修正评估隶属度函数，由于所有指标参数都按照数值大小不同分为五段，可以建立统一的隶属度表达式，见式1。

式中：U_vi为第i个关联性评判指标v等级的程度修正评估隶属度函数；i＝1，2，…，11；v_m为关联评判指标的等级，取值Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ；x为各评判指标当前数值，x1、…、x4为单一评判指标中五个等级的临界标准值。

针对每个评判指标，按照相应等级下的隶属函数U_vi进行计算，可获得综合评估内含表征过流量的客观信息的评估矩阵R，评估矩阵R公式如下：

式中：R为模糊隶属度矩阵；S₁-S_n为单一评判指标；v₁-v_m为关联评判指标划分的等级，取(Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ)，这里n取11，m取5。

3)确定评估等级结果

基于流量与各评判指标的历史数据样本分析，考虑工程中流量关联影响因素的不均匀性，可确定评价指标的权向量W的相关权系数集为(0.05,0.05,0.1,0.05,0.05,0.05,0.15,0.2,0.1,0.1,0.1)；基于步骤一中各传感器采集的各关联评判指标的实际测量值，利用公式(3)计算得到过流量程度修正的层次评估矩阵B＝(B1，B2，…，B5)，根据最大隶属度原则求得流量评估的等级结果。

式中：b为最大隶属度；B为程度修正等级评估矩阵；W为评价指标的权向量矩阵；R为由隶属度函数所确定的模糊识别评估矩阵。

步骤三，对泵机过流量的历史数据建立与模糊综合评价模型中评价等级数目相同的区间等级背景数据集，根据评估等级结果从背景数据集中选取相应等级的流量历史数据作为先验背景；然后利用贝叶斯先验算法对流量实际测量值进行修正。

通过贝叶斯先验方法对泵机过流量修正，就是在进行工程流量数据的统计过程中，兼顾到已获得工程泵机的流量历史数据，对实测过流量进行先验归算修正更新，以期通过已测量的各影响因素与流量关联信息，来规避实际工程测量过程中的随机性、不确定性，从而提高检测成果的准确性。基于先验背景对流量实测数值进行贝叶斯先验修正的具体过程参见图2，包括以下过程：

1)历史数据的层次等级先验背景

已知泵机过流量历史数据具有离散性数据分布特征，呈现对数正态分布的规律。利用已有的流量历史数据，根据公式(4)计算出时间段内流量数据的均值μ和标准差σ：

式中：μ和σ分别为历史过流量数据对数正态分布的均值和标准差；x_j表示时间段中第j个流量数据；N表示时间段中数据的总个数。

关于时间段的选取：为了能够及时测量并修正流量数据，时间段不宜取过长，并且常熟泵站示范工程中在一分钟内流量传感器可以返回30个测量值，足够进行统计计算正态分布计算；综合考虑，本实施例中时间段设定为一分钟，时间段内N总数为30，x_j为流量传感器测量值。

根据评价等级，将流量历史数据按标准差σ的大小分类为I—V五个层次等级的先验背景数据，划分的标准如表3所示，划分区间分别为：(0，0.05μ]，(0.05μ，0.1μ]，(0.1μ，0.15μ]，(0.15μ，0.2μ]，(0.2μ，+∝]。对泵机过流量的历史数据建立与模糊综合评价模型中评价等级数目相同的区间等级背景数据集，以兼顾到关联性评判指标呈现流量表征信息的影响程度，从而使泵机过流量的先验修正，呈现精细层次等级修正的目标。

已知将对数正态分布转换为当量正态分布函数(当量正态化)的公式为：

式中：μ和σ分别为历史过流量数据的对数正态分布的均值和标准差；μ'和σ'分别为历史过流量数据对数正态分布转化后的当量正态分布均值和标准差。

把五个分类等级的背景数据集(各等级对应的对数分布函数分别记为N_μ1(μ₁,σ₁)、N_μ2(μ₂,σ₂)、N_μ3(μ₃,σ₃)、N_μ4(μ₄,σ₄)、N_μ5(μ₅,σ₅))，按公式(5)开展数据的标准正态化转换，分别获得相应的当量正态分布函数N_μ1(μ'₁,σ'₁)、N_μ2(μ'₂,σ'₂)、N_μ3(μ'₃,σ'₃)、N_μ4(μ'₄,σ'₄)、N_μ5(μ'₅,σ'₅)，以此当量正态分布函数构成分层次、等级化的实测泵机过流量先验修正背景数据集。

实测流量程度修正等级、历史数据类别、历史数据标准差及相应类别标准正态分布函数的对应关系见表3，当程度修正等级为I级时，对应的当量正态分布函数为N_μ1(μ'₁,σ'₁)，以此类推。也就是说以评判等级结果作为对泵机过流量实测数据程度修正等级。

基于获得的程度修正等级识别(等级v_m)，按表3中程度修正等级与相应类别标准正态分布函数的对应关系，选择相应等级的当量正态分布函数传递给泵机过流量的分层次等级的先验修正模型，形成泵机过流量历史数据的分类先验背景。

表3 实测流量程度修正等级与历史数据类别对应表

2)利用贝叶斯先验修正方法对泵机过流量修正

将上述获得的相应等级的当量正态分布函数作为先验数据背景，此处将此当量正态分布函数简化记作N_μ(μ',σ')；对流量实测数据组按照公式(4)计算获得流量实测对数正态分布N_μ(μ₀,σ₀)，按照公式(5)进行标准化获得流量实测数据组当量正态分布N_μ(μ₀',σ₀')；然后基于先验数据按照公式(6)对流量实测数据组当量正态分布N_μ(μ₀',σ₀')进行贝叶斯数据更新，从而兼顾到历史数据的先验背景，获得实测泵机过流量更新后的当量标准正态化均值μ"和标准差σ"。

式中：μ"为更新后实测流量的当量标准正态化均值；σ"分别为更新后实测流量的当量标准差；N为时间段内数据个数，此处为30；σ_r为测量不确定性引起的标准差，按90％置信度，对泵机过流量测量数据集进行统计后更新确定。

由于泵机过流量，呈现离散性对数正态分布的规律。实测泵机过流量更新，按公式(7)反向转换更新后，得到呈对数正态分布的实测流量后验更新数据。

式中:μ₀"和σ₀"分别为当前流量值修正后的对数正态化均值和标准差；COV₀"为当前流量修正后的变异系数。

本发明通过泵机组过流量与工程中11项外部因素之间存在的内在关联性特征，构建模糊综合评价模型，形成多参数耦合的表征性指标，明确泵机过流量按Ⅰ—Ⅴ级五个层次等级修正；并结合贝叶斯先验算法，按对数正态分布统计特性，对泵机过流量的历史数据建立先验修正的五段区间背景数据集，实现泵机过流量测量的分级先验修正，定量、定性地克服现有大型泵站流量测量技术中的不足，有效提高泵站过流量测量的准确性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.基于多参数耦合修正的大型泵站流量监测方法，其特征是，包括以下步骤：

步骤一，确定影响大型泵站流量的各因素，在泵机组区域内布点相应的传感器以采集各影响因素和流量测量值；

步骤二，基于各影响因素建立模糊综合评价模型，根据各影响因素的测量值以及模糊综合评价模型确定评估等级结果；

步骤三，对泵机过流量的历史数据建立与模糊综合评价模型中评价等级数目相同的区间等级背景数据集，根据评估等级结果从背景数据集中选取相应等级的流量历史数据作为先验背景；然后利用贝叶斯先验算法对流量实际测量值进行修正。

2.根据权利要求1所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，影响因素包括泵机组的电流、电压、有功功率、无功功率、水位、轴瓦温度、水压力脉动、流道真空度、振动加速度、摆度和轴心轨迹中一种或多种。

3.根据权利要求2所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，水压力脉动和流道真空度监测点布置在泵机流道内；水位、流量和轴瓦温度监测点布置在泵机流道内；电流、电压和功率监测点布置在开关柜电气线路端；泵机组的振动加速度、摆度、轴心轨迹图监测点布设在导轴承。

4.根据权利要求1所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，在步骤二中建立模糊综合评价模型确定评价等级结果的具体过程包括：

1)确定过流量关联评判指标及各指标的评判标准

关联评判指标为：电流(S1)；电压(S2)；有功功率(S3)；无功功率(S4)；水位(S5)；轴瓦温度(S6)；水压力脉动(S7)；流道真空度(S8)；振动加速度(S9)、摆度(S10)和轴心轨迹(S11)；并对各指标分五个等级，则评价集V为V＝{v1，v2，v3，v4，v5}＝{Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ}；

2)关联评判指标的隶属度评估

采用半梯形分布法，建立各评判指标的程度修正评估隶属度函数：

$\left\{\begin{array}{c}{U}_{v_{1}i}=\left\{\begin{array}{cc}1& x\&le;x_1\\ (x_2-x)/(x_2-x_1)& x_1<x\&le;x_2\\ 0& x_2<x\end{array}\right.\\ U_{v_{(m+1)}i|m=1,2,3}=\left\{\begin{array}{cc}0& x\&le;x_m\\ (x-x_m)/(x_{m+1}-x_m)& x_m<x\&le;x_{m+1}\\ 1& x_{m+1}<x\&le;x_{m+2}\\ (x_{m+3}-x)/(x_{m+3}-x_{m+2})& x_{m+2}<x\&le;x_{m+3}\\ 0& x_{m+3}<x\end{array}\right.\\ U_{v_{5}i}=\left\{\begin{array}{cc}0& x\&le;x_3\\ (x-x_3)/(x_4-x_3)& x_3<x\&le;x_4\\ 1& x_4<x\end{array}\right.\end{array}\right.$

式中：U_vi为第i个关联性评判指标各等级的程度修正评估隶属度函数；i＝1，2，…，11；v_m为关联评判指标的等级，取值Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ；x为各评判指标当前数值，x1、…、x4为各评判指标中五个等级的临界标准值；

综合评估内含表征过流量的客观信息的评估矩阵R公式如下：

$R_{n\&times;m}=\left[\begin{array}{ccccc}& v_1& v_2& ...& v_m\\ S_1& U_{11}& U_{21}& ...& U_{m1}\\ S_2& U_{12}& U_{22}& ...& U_{m2}\\ ...& ...& ...& ...& ...\\ S_n& U_{1n}& U_{2n}& ...& U_{mn}\end{array}\right]$

式中：R为模糊隶属度矩阵；S₁-S_n为单一评判指标；v₁-v_m为关联评判指标划分的等级，取(Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ)，这里n取11，m取5；

3)确定评估等级结果

基于各关联评判指标的实际测量值，利用以下公式获得流量评估的等级结果：

$\left\{\begin{array}{c}b=Max\left(B_m\right)\\ B=\&lsqb;W\&rsqb;\&CenterDot;\&lsqb;R\&rsqb;\end{array}\right.,(m=1,2,...,5)$

式中：b为最大隶属度；B为程度修正等级评估矩阵；W为评价因素权向量矩阵；R为由隶属度函数所确定的模糊识别评估矩阵。

5.根据权利要求4所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，评价指标的权向量W的相关权系数集为(0.05,0.05,0.1,0.05,0.05,0.05,0.15,0.2,0.1,0.1,0.1)。

6.根据权利要求4所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，步骤三中，基于评估等级结果利用贝叶斯先验算法对流量实际测量值进行修正的具体过程为：

1)历史数据的分类先验背景

已知泵机过流量历史数据呈现对数正态分布的规律，利用已有的历史数据，根据以下公式计算出时间段内流量数据的均值μ和标准差σ：

$\left\{\begin{array}{c}\mathrm{\&mu;}=\frac{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{x}_j}{N}\\ \mathrm{\&sigma;}=\sqrt{\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{(x_j-\mathrm{\&mu;})}^2}\end{array}\right.$

式中：μ和σ分别为历史过流量数据对数正态分布的均值和标准差；x_j表示时间段中第j个流量数据；N表示时间段中数据的总个数；

按标准差σ的大小分类为I—V五个层次等级的先验背景数据，把五个分类等级的背景数据集进行标准正态化转换，分别获得相应的当量正态分布函数；

基于步骤二中获得的评估等级结果选择相应等级的当量正态分布函数作为泵机过流量历史数据的分类先验背景；

2)贝叶斯先验修正方法的泵机过流量修正

通过上述获得的先验数据背景N_μ(μ',σ')，按照以下公式对流量实测数据组当量正态分布N_μ(μ₀',σ₀')进行贝叶斯数据更新，获得实测泵机过流量更新后的当量标准正态化均值μ"和标准差σ"：

$\left\{\begin{array}{c}{\mathrm{\&mu;}}^{\&prime;\&prime;}=\frac{{{\mathrm{\&mu;}}_0}^{\&prime;}{\left({\mathrm{\&sigma;}}^{\&prime;}\right)}^2+{\mathrm{\&mu;}}^{\&prime;}\&lsqb;\frac{{{\mathrm{\&sigma;}}_0}^{\&prime;2}}{N}+{{\mathrm{\&sigma;}}_r}^2\&rsqb;}{{\left({\mathrm{\&sigma;}}^{\&prime;}\right)}^2+\left(\frac{{{\mathrm{\&sigma;}}_0}^{\&prime;2}}{N}+{{\mathrm{\&sigma;}}_r}^2\right)}\\ {\mathrm{\&sigma;}}^{\&prime;\&prime;}=\sqrt{\frac{{\left({\mathrm{\&sigma;}}^{\&prime;}\right)}^2\&lsqb;\frac{{{\mathrm{\&sigma;}}_0}^{\&prime;2}}{N}+{{\mathrm{\&sigma;}}_r}^2\&rsqb;}{{\mathrm{\&sigma;}}^{\&prime;2}+\&lsqb;\frac{{{\mathrm{\&sigma;}}_0}^{\&prime;2}}{N}+{{\mathrm{\&sigma;}}_r}^2\&rsqb;}}\end{array}\right.$

式中：μ"为更新后实测流量的当量标准正态化均值；σ"分别为更新后实测流量的当量标准差；σ_r为测量不确定性引起的标准差；

按下列公式反向转换更新后，得到呈对数正态分布的实测流量后验更新数据：

$\left\{\begin{array}{c}{{\mathrm{\&mu;}}_0}^{\&prime;\&prime;}=e^{({\mathrm{\&mu;}}^{\&prime;\&prime;}+0.5{\left({\mathrm{\&sigma;}}^{\&prime;\&prime;}\right)}^2)}\\ {{\mathrm{\&sigma;}}_0}^{\&prime;\&prime;}={{\mathrm{\&mu;}}_0}^{\&prime;\&prime;}\sqrt{e^{{\left({\mathrm{\&sigma;}}^{\&prime;\&prime;}\right)}^2}-1}\\ {{\mathrm{COV}}_0}^{\&prime;\&prime;}=\frac{{{\mathrm{\&sigma;}}_0}^{\&prime;\&prime;}}{{{\mathrm{\&mu;}}_0}^{\&prime;\&prime;}}\end{array}\right.$

式中:μ₀"和σ₀"分别为当前流量值修正后的对数正态化均值和标准差；COV₀"为当前流量修正后的变异系数。

7.根据权利要求6所述的基于多参数耦合修正的大型泵站流量监测方法，其特征是，五个层次等级的先验背景数据的划分区间分别为：(0，0.05μ]，(0.05μ，0.1μ]，(0.1μ，0.15μ]，(0.15μ，0.2μ]，(0.2μ，+∝]。