一种基于SVM的电力行业物资需求预测方法
中国电工技术学会主办，2017年6月21-24日在河北省张北县举办，大会围绕新能源发展战略、系统关键技术、微电网及储能等重要议题展开交流。浏览会议详情和在线报名参会请长按识别二维码。
云南电网有限责任公司物资部、云南电网有限责任公司临沧供电局、昆明能讯科技有限责任公司的研究人员韩戟、何成浩、苏星、施成云、刘东映，在2016年第12期《电气技术》杂志上撰文，为了减少物资需求审核工作量，提高审核效率和准确率，提出一种基于SVM的电力行业物资需求预测方法。
该方法首先分析历史样本数据，把物资需求审核转换分类问题，然后对数据预处理，结合电力领域知识库，定义及提取需求特征，最后通过支持向量机训练出模型，实现对物资采购数量和种类的审核。实验结果表明，该方法审核精度为87.3%，说明利用领域知识库，基于能够SVM的电力行业物资需求预测方法能够有效提高审核效率和准确率。
随着电网行业的迅速发展，物资采购量日益增长，迫切需要在物资管理系统中引进一个有效的审核模型，用机器协助人工提出物资采购审核参考意见，以减少审核工作量，提高审核准确率。
近年来，统计机器学习技术突飞猛进，支持向量机(SVM)便是其中显著代表。支持向量机是以统计学习理论为基础的一种机器学习方法,它克服了神经网络和传统分类器的过学习、局部极值点和维数灾难等诸多缺点, 具备较强的泛化能力, 现已是机器学习的主流方法，在各领域广为使用，屡试不爽[[1]-2]。例如，基于SVM的天气预报，基于SVM的WiFi定位，SVM在微博话题跟踪的应用等等，并且取得良好的效果。
针对电网行业物资需求审核实际情况，审核结果无非就是根据申报的各项来判别提出的需求是合理还是不合理，完全可以符合一个分类问题，根据需求参数把审核结果分为两类。这样，就可以采用主流机器学习方法解决审核问题了。
同时，该行业上报的物资需求记录具有不完全结构化、短文本的特点，在当前分类的方法中，SVM是基于统计的机器学习模型，它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，由于SVM的特点，其在小样本分类问题上的效果已经在文本分类、手写体识别、自然语言处理等方面得到了验证[2]。
本文围绕如何让电网行业需求计划审核转换为一个分类问题，利用历年经验数据，通过机器协助审核，减少审核工作量，降低对审核人员的要求，提高审核效率和准确率，提出一种基于SVM的电力行业物资需求预测方法。
结论
本文针对电网行业物资需求审核准确率和效率问题，提出了一种基于SVM的电力行业物资需求预测模型。通过把物资需求审核转换为分类问题，对历史采购数据进行预处理，利用领域知识库，抽出特征转换成特征向量，由支持向量机训练成模型，实现物资采购种类预测，物资采购数量预测。
实验结果表明，本方法相对于同类分类方法精度高、可靠性好。需要说明的是，本文的数据来源于历年项目采购数据，这些数据不包含那些难于获得的特征，比如地理环境，天气状况以及工程项目更详细的信息等，这些特征也是影响物资需求的重要因素；随着时间的推移，技术革新，原模型没有的一些新的零件，物品涌现，预测精度自然会下降；如何获得这些特征并融合进模型来提升预测准确率，如何提升对新物品的采购数量和种类预测的准确率，是下一阶段研究的重点。