CN119577658A - 一种用于港口的智慧能源优化控制方法及系统 - Google Patents

Abstract

本发明涉及能源管理技术领域，公开了一种用于港口的智慧能源优化控制方法及系统，采集目标港区的能源，并获取能源的历史能耗数据集；根据历史能耗数据集，构建非线性回归模型，用于预测能源的未来能耗值；基于历史能耗数据集构建置信区间；将未来能耗值与置信区间比较，确定异常能耗值；为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；根据异常点异常程度对异常点执行优化控制。更准确地预测未来的能耗需求，提高了异常检测的准确性。不仅标记出异常能耗，而且通过优化系数和子区间划分，将异常点细分为预警子区间、正常子区间和警告子区间，有助于区分异常的严重程度。

Description

一种用于港口的智慧能源优化控制方法及系统

技术领域

本发明涉及能源管理技术领域，尤其涉及一种用于港口的智慧能源优化控制方法及系统。

背景技术

现有技术，通过获取预设时间间隔内各能源对应的能耗情况，将目标港区在预设时间间隔内各能源对应的能耗情况与预设时间间隔内各能源对应的参考能耗量进行对比确认异常能源能耗；进而对异常能源能耗进行动态跟踪确认异常节点，从而对异常节点进行优化控制调节，从而实现了目标港区内水电油气一体化综合监控及智能分析，有效地提高了港区能源业务数字化管控的精准性。

现有技术通常是基于简单的时间序列比较，即直接将当前能耗与历史参考能耗进行比较，缺乏对复杂外部因素的考虑。然而，在实际场景中，许多外部因素（如节假日、天气变化、设备状态等）都会影响能耗水平，如果不加以考虑，可能会导致误报或漏报异常。现有的解决方案可能只是简单地标记出来，而没有进一步深入分析异常的影响程度，这不利于后续的优化控制。

发明内容

为了解决上述技术问题，本发明提供了一种用于港口的智慧能源优化控制方法及系统，以实现置信区间的设置以及异常点的优化控制。

本发明提供了一种用于港口的智慧能源优化控制方法，包括：

步骤1，采集目标港区的能源，并获取能源的历史能耗数据集；

历史能耗数据集至少包括：历史时间段以及历史时间段产生的历史能耗值；

步骤2，根据历史能耗数据集，构建非线性回归模型，用于预测能源的未来能耗值；

步骤3，基于历史能耗数据集构建置信区间；

步骤31，根据历史时间段产生的历史能耗值，计算历史能耗值的均值；

步骤32，根据均值和历史能耗值，计算历史能耗值的标准差；

步骤33，获取历史时间段产生的历史能耗值的数据点数量，根据数据点数量和标准差，计算均值的标准误差；

步骤34，获取外部因素对历史能耗的影响权数；

步骤35，根据均值、标准差、标准误差、影响权数，得到置信区间的上限值和置信区间的下限值；

步骤4，将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

步骤5，为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

步骤6，根据异常点异常程度对异常点执行优化控制。

进一步地，所述非线性回归模型为：

式中，y代表未来能耗值，、、、、c、d分别代表模型参数，代表误差项，代表第t个时间段的历史能耗值。

进一步地，所述标准误差的计算公式为：

；

式中，代表标准误差，代表标准差，n代表历史时间段产生的历史能耗值的数据点数量，W为调整系数。

进一步地，获取外部因素对历史能耗的影响权数，具体包括以下步骤：

步骤341，根据历史能耗值获取外部因素；

步骤342，获取当前数据点以及前一数据点的历史能耗值的外部因素数据；

步骤343，根据当前数据点的历史能耗值的外部因素数据、前一数据点的历史能耗值的外部因素数据，得到外部因素的变化幅度；

步骤344，根据变化幅度获取调整因子；

步骤345，根据调整因子、变化幅度得到影响权数。

进一步地，将最大变化幅度的数据点的能耗变化量作为调整因子。

进一步地，所述优化系数的计算，包括：

步骤51，根据未来能耗值确定异常能耗值中每个数据点的能耗值；

步骤52，根据能耗值和置信区间的上限值、置信区间的下限值，计算异常能耗值中每个数据点的优化系数。

进一步地，所述优化系数的计算公式为：

；

式中，代表异常能耗值中第i个数据点的优化系数，代表异常能耗值中第i个数据点的能耗值，代表置信区间的上限值，代表置信区间的下限值。

进一步地，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度，具体包括：

步骤53，将置信区间平均划分为若干子区间；将靠近置信区间下限值的前x个子区间定义为预警子区间，将靠近置信区间上限值的前y个子区间定义为警告子区间，将置信区间除了预警子区间和警告子区间以外的子区间定义为正常子区间；

步骤54，将每个数据点的优化系数与每个子区间比对，确定每个数据点的优化系数所属预警子区间、正常子区间、警告子区间中任意一种子区间，得到异常点；

步骤55，获取处于预警子区间、正常子区间、警告子区间的优化系数的数量，并确定处于预警子区间、正常子区间、警告子区间中每个子区间内数据点能耗值的连续性；

步骤56，根据数据点能耗值的连续性，得到异常点的严重程度。

本发明还提供一种用于港口的智慧能源优化控制系统，用于执行上述的一种用于港口的智慧能源优化控制方法，包括以下模块：

历史能耗数据集获取模块：用于采集目标港区的能源，并获取能源的历史能耗数据集；

非线性回归模型：与历史能耗数据集获取模块连接，用于预测能源的未来能耗值；

置信区间构建模块：与历史能耗数据集获取模块连接，用于基于历史能耗数据集构建置信区间；

异常能耗值判断模块：与置信区间构建模块连接，用于将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

优化系数计算模块：与异常能耗值判断模块连接，用于为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

优化控制模块：与优化系数计算模块连接，用于根据异常点异常程度对异常点执行优化控制。

本发明实施例具有以下技术效果：

本申请通过历史能耗数据集预测未来能耗值，根据置信区间判断出未来能耗值的异常能耗值，对异常能耗值中的每个数据点计算优化系数，进而得到每个异常点的严重程度，基于严重程度进行优化控制，更准确地预测未来的能耗需求，并考虑到外部因素和标准误差的影响，提高了异常检测的准确性。不仅标记出异常能耗，而且通过优化系数和子区间划分，将异常点细分为预警子区间、正常子区间和警告子区间，有助于区分异常的严重程度，便于针对性地采取不同的优化控制措施，通过更精确的预测和细致的异常处理，本申请能够帮助港口实现能源使用的高效管理和优化控制，降低不必要的能源浪费，提高整体能源使用效率。

本申请通过设置均值的标准误差参与置信区间的计算过程，标准误差直接影响着置信区间的宽度，标准误差越小，置信区间越窄，意味着对总体均值的估计更加确定；相反，标准误差越大，置信区间越宽，对于较大的标准误差，将W赋予0.1，缩小标准误差，当标准误差较小时，为W赋予1，这样设计使得最终计算的置信区间可信度会更高，提高置信区间的置信精度。

本申请通过能耗值的变化确定其影响的外部因素，并得到影响权数，量化各种因素对能耗值的影响程度，减少由于不确定因素带来的误差，从而提高置信区间的精度。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种用于港口的智慧能源优化控制方法的流程图；

图2是本发明实施例提供的一种用于港口的智慧能源优化控制系统的结构示意图；

图3是本发明实施提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

图1是本发明实施例提供的一种用于港口的智慧能源优化控制方法的流程图。参见图1，具体包括：

步骤1，采集目标港区的能源，并获取能源的历史能耗数据集。

历史能耗数据集至少包括：历史时间段以及历史时间段产生的历史能耗值；还可以包括温度、湿度、是否为节假日、维修记录等。本实施例采集一段时间的能源能耗数据，优选将采集频率设置为一天，采集一段时间内每天的历史能耗数据组成历史能耗数据集。

步骤2，根据历史能耗数据集，构建非线性回归模型，用于预测能源的未来能耗值。

非线性回归模型为：

式中，y代表未来能耗值，、、、、c、d分别代表模型参数，代表误差项，代表第t个时间段的历史能耗值。

初始化模型参数，将历史能耗数据集中的历史时间段以及下一历史时间段产生的历史能耗值，输入至非线性回归模型中，输出预测值，同时构建损失函数，计算预测值与历史能耗值之间的误差，若误差未达到最小，对模型参数迭代更新，直到误差达到最小或达到最大迭代次数，代表非线性回归模型训练完成。将当前模型参数作为最优参数，利用最优参数预测能耗值。将当前时间段的能耗值输入训练好的非线性回归模型，预测未来时间段的能耗值。

步骤3，基于历史能耗数据集构建置信区间。

步骤31，根据历史时间段产生的历史能耗值，计算历史能耗值的均值。

步骤32，根据均值和历史能耗值，计算历史能耗值的标准差。

步骤33，获取历史时间段产生的历史能耗值的数据点数量，根据数据点数量和标准差，计算均值的标准误差：

；

式中，代表标准误差，代表标准差，n代表历史时间段产生的历史能耗值的数据点数量，W为调整系数。

值得注意的是，本实施例所说的数据点是指历史时间段或未来时间段中每天这个单位时间点。

在本实施例中，均值的标准误差参与置信区间的计算过程，标准误差直接影响着置信区间的宽度，标准误差越小，置信区间越窄，意味着对总体均值的估计更加确定；相反，标准误差越大，置信区间越宽，对于较大的标准误差，将W赋予0.1，缩小标准误差，当标准误差较小时，为W赋予1，这样设计使得最终计算的置信区间可信度会更高，提高置信区间的置信精度。

步骤34，获取外部因素对历史能耗的影响权数。

该步骤旨在识别并量化外部因素对能耗值的影响。在这个过程中，影响权数是一个关键概念，反映了外部因素对能耗值变化的影响程度。

步骤341，根据历史能耗值获取外部因素。

根据历史时间段的历史能耗值，识别出能够导致能耗值发生变化的外部因素，示例性地，温度、湿度、每个数据点是否为节假日、检修记录等。

节假日期间，港口的货物吞吐量可能会发生变化，会影响相关设备的运行时间和能耗，也会影响船舶的进出港时间表，从而影响港口的运营效率和能耗，对此将是否为节假日作为外部因素之一。

步骤342，获取当前数据点以及前一数据点的历史能耗值的外部因素数据。

步骤343，根据当前数据点的历史能耗值的外部因素数据、前一数据点的历史能耗值的外部因素数据，得到外部因素的变化幅度。

步骤344，根据变化幅度获取调整因子。

将最大变化幅度的数据点的能耗变化量作为调整因子。

步骤345，根据调整因子、变化幅度得到影响权数。

步骤35，根据均值、标准差、标准误差、影响权数，得到置信区间的上限值和置信区间的下限值。

置信区间的下限值：

；

置信区间的上限值为：

；

代表置信区间的下限值，代表置信区间的上限值，代表均值，代表标准差，m代表第一系数，m=3，代表标准误差，代表影响权数。

本实施例在现有技术通过均值和标准差计算置信区间的基础上，还考虑了影响权数和标准误差，将较大标准误差量化为标准范围，通过引入标准误差和影响权数，置信区间的计算变得更加准确。标准误差反映了样本均值的抽样误差，而影响权数则考虑了能耗值的质量和可靠性。这两种因素相结合，使得置信区间能更好地反映总体参数的真实情况。

步骤4，将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

步骤5，为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

步骤51，根据未来能耗值确定异常能耗值中每个数据点的能耗值；

步骤52，根据能耗值和置信区间的上限值、置信区间的下限值，计算异常能耗值中每个数据点的优化系数。

；

式中，代表异常能耗值中第i个数据点的优化系数，代表异常能耗值中第i个数据点的能耗值，代表置信区间的上限值，代表置信区间的下限值。

根据优化系数确定异常能耗值对应的异常点以及异常点异常程度，具体包括：

步骤53，将置信区间平均划分为若干子区间；将靠近置信区间下限值的前x个子区间定义为预警子区间，将靠近置信区间上限值的前y个子区间定义为警告子区间，将置信区间除了预警子区间和警告子区间以外的子区间定义为正常子区间。

本实施例预测得到的未来能耗值以及对应的优化系数，参见表1：

表1 本实施例预测得到的未来能耗值以及对应的优化系数对照表

示例性地，本实施例的置信区间为[80KW，120KW]，本实施例优选地将置信区间[80KW，120KW]划分为10个子区间，每个子区间的宽度为4KW。示例性地，本实施例的子区间分别为[80KW，84KW)，[84KW，88KW)，...，[116KW，120KW]。本实施例，将靠近置信区间下限值的前2个子区间定义为预警子区间，靠近置信区间上限值的前2个子区间定义为警告子区间，将剩余子区间定义为正常子区间。因此，预警子区间为[80KW，88KW)，警告子区间为[112KW，120KW]，正常子区间为[88KW，112KW]。

步骤54，将每个数据点的优化系数与每个子区间比对，确定每个数据点的优化系数所属预警子区间、正常子区间、警告子区间中任意一种子区间，得到异常点。

根据优化系数确定数据点所属的子区间如表2所示：

表2 根据优化系数确定数据点所属的子区间对照表

本实施例将预警子区间和警告子区间的数据点作为异常点。

步骤55，获取处于预警子区间、正常子区间、警告子区间的优化系数的数量，并确定处于预警子区间、正常子区间、警告子区间中每个子区间内数据点能耗值的连续性。

处于预警子区间、正常子区间、警告子区间的优化系数的数量，通过表2直接获取。

在预警区间中，数据点集中在2024-10-01、2024-10-04、2024-10-07和2024-10-10。未来能耗值在2024-10-01和2024-10-04连续，2024-10-07和2024-10-10孤立。在警告子区间中，数据点集中在2024-10-02、2024-10-05、2024-10-08 和 2024-10-11。未来能耗值在2024-10-02 和 2024-10-05 连续，2024-10-08 和 2024-10-11 连续。

步骤56，根据数据点能耗值的连续性以及异常点，得到异常点的严重程度。

在本实施例中，警告子区间异常点的严重程度高于预警子区间异常点的严重程度。具体地，警告子区间中具有连续能耗值的异常点严重程度最高，该子区间内具有非连续能耗值的异常点严重程度次之。预警子区间中具有连续能耗值的异常点严重程度，次于警告子区间具有非连续能耗值的异常点严重程度，预警子区间具有非连续能耗值的异常点严重程度，次于该区间具有非连续能耗值的异常点严重程度。

步骤6，根据异常点异常程度对异常点执行优化控制。

本实施例根据异常点的严重程度，执行相应的优化控制方案。

对于具有连续能耗值的异常点，立即采取措施降低能耗，调查原因并优化能源管理系统。对于具有非连续能耗值的异常点，记录并调查原因，针对性地采取措施，如设备维护、操作规范培训等。

如图2所示，本实施例还公开了一种用于港口的智慧能源优化控制系统，用于执行上述的一种用于港口的智慧能源优化控制方法，包括以下模块：

历史能耗数据集获取模块：用于采集目标港区的能源，并获取能源的历史能耗数据集；

非线性回归模型：与历史能耗数据集获取模块连接，用于预测能源的未来能耗值；

置信区间构建模块：与历史能耗数据集获取模块连接，用于基于历史能耗数据集构建置信区间；

异常能耗值判断模块：与置信区间构建模块连接，用于将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

优化系数计算模块：与异常能耗值判断模块连接，用于为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

优化控制模块：与优化系数计算模块连接，用于根据异常点异常程度对异常点执行优化控制。

如图3所示，本实施例还提供的一种电子设备包括一个或多个处理器501和存储器502。

处理器501可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备500中的其他组件以执行期望的功能。

存储器502可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器501可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种用于港口的智慧能源优化控制方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备500还可以包括：输入装置503和输出装置504，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置503可以包括例如键盘、鼠标等等。该输出装置504可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置504可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图3中仅示出了该电子设备500中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备500还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种用于港口的智慧能源优化控制方法的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种用于港口的智慧能源优化控制方法的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它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它要素，或者是还包括为这种过程、方法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，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (9)

1.一种用于港口的智慧能源优化控制方法，其特征在于，包括：

步骤1，采集目标港区的能源，并获取能源的历史能耗数据集；

历史能耗数据集至少包括：历史时间段以及历史时间段产生的历史能耗值；

步骤2，根据历史能耗数据集，构建非线性回归模型，用于预测能源的未来能耗值；

步骤3，基于历史能耗数据集构建置信区间；

步骤31，根据历史时间段产生的历史能耗值，计算历史能耗值的均值；

步骤32，根据均值和历史能耗值，计算历史能耗值的标准差；

步骤33，获取历史时间段产生的历史能耗值的数据点数量，根据数据点数量和标准差，计算均值的标准误差；

步骤34，获取外部因素对历史能耗的影响权数；

步骤35，根据均值、标准差、标准误差、影响权数，得到置信区间的上限值和置信区间的下限值；

步骤4，将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

步骤5，为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

步骤6，根据异常点异常程度对异常点执行优化控制。

2.根据权利要求1所述的一种用于港口的智慧能源优化控制方法，其特征在于，所述非线性回归模型为：

式中，y代表未来能耗值，、、、、c、d分别代表模型参数，代表误差项，代表第t个时间段的历史能耗值。

3.根据权利要求1所述的一种用于港口的智慧能源优化控制方法，其特征在于，所述标准误差的计算公式为：

；

式中，代表标准误差，代表标准差，n代表历史时间段产生的历史能耗值的数据点数量，W为调整系数。

4.根据权利要求1所述的一种用于港口的智慧能源优化控制方法，其特征在于，获取外部因素对历史能耗的影响权数，具体包括以下步骤：

步骤341，根据历史能耗值获取外部因素；

步骤342，获取当前数据点以及前一数据点的历史能耗值的外部因素数据；

步骤343，根据当前数据点的历史能耗值的外部因素数据、前一数据点的历史能耗值的外部因素数据，得到外部因素的变化幅度；

步骤344，根据变化幅度获取调整因子；

步骤345，根据调整因子、变化幅度得到影响权数。

5.根据权利要求4所述的一种用于港口的智慧能源优化控制方法，其特征在于，将最大变化幅度的数据点的能耗变化量作为调整因子。

6.根据权利要求1所述的一种用于港口的智慧能源优化控制方法，其特征在于，所述优化系数的计算，包括：

步骤51，根据未来能耗值确定异常能耗值中每个数据点的能耗值；

步骤52，根据能耗值和置信区间的上限值、置信区间的下限值，计算异常能耗值中每个数据点的优化系数。

7.根据权利要求6所述的一种用于港口的智慧能源优化控制方法，其特征在于，所述优化系数的计算公式为：

；

式中，代表异常能耗值中第i个数据点的优化系数，代表异常能耗值中第i个数据点的能耗值，代表置信区间的上限值，代表置信区间的下限值。

8.根据权利要求1所述的一种用于港口的智慧能源优化控制方法，其特征在于，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度，具体包括：

步骤53，将置信区间平均划分为若干子区间；将靠近置信区间下限值的前x个子区间定义为预警子区间，将靠近置信区间上限值的前y个子区间定义为警告子区间，将置信区间除了预警子区间和警告子区间以外的子区间定义为正常子区间；

步骤54，将每个数据点的优化系数与每个子区间比对，确定每个数据点的优化系数所属预警子区间、正常子区间、警告子区间中任意一种子区间，得到异常点；

步骤55，获取处于预警子区间、正常子区间、警告子区间的优化系数的数量，并确定处于预警子区间、正常子区间、警告子区间中每个子区间内数据点能耗值的连续性；

步骤56，根据数据点能耗值的连续性，得到异常点的严重程度。

9.一种用于港口的智慧能源优化控制系统，用于执行上述权利要求1-8任一项所述的一种用于港口的智慧能源优化控制方法，其特征在于，包括以下模块：

历史能耗数据集获取模块：用于采集目标港区的能源，并获取能源的历史能耗数据集；

非线性回归模型：与历史能耗数据集获取模块连接，用于预测能源的未来能耗值；

置信区间构建模块：与历史能耗数据集获取模块连接，用于基于历史能耗数据集构建置信区间；

异常能耗值判断模块：与置信区间构建模块连接，用于将未来能耗值与置信区间比较，当未来能耗值大于等于置信区间的下限值，且小于等于置信区间的上限值时，则确定未来能耗值为正常能耗值；当未来能耗值小于置信区间的下限值，或大于置信区间的上限值时，则确定为未来能耗值为异常能耗值；

优化系数计算模块：与异常能耗值判断模块连接，用于为异常能耗值的每个数据点计算优化系数，根据优化系数确定异常能耗值对应的异常点以及异常点异常程度；

优化控制模块：与优化系数计算模块连接，用于根据异常点异常程度对异常点执行优化控制。