[发明专利]一种基于KNN算法的电力物资库存优化系统及方法

说明书

技术领域

本发明涉及电力生产管理及物资管理技术领域，尤其涉及KNN算法在电力物资库存时间的分类方法。

背景技术

目前国家电网公司集中采购范围不断扩大，特高压建设全面提速，安全可靠供电能力及清洁能源消纳能力的刚性提升，物资集约化管理工作要强化全过程管理，大力推行物资标准化，优化采购策略，加强信息化管控，全面提升入网设备质量，为建设坚强电网保驾护航。

然而传统的电力物资库存管理的相关信息以人工录入为主，现有技术实现信息的同步更新效率很低，且人工操作易出错。由于物流与信息流不能够及时的衔接，具有时间差，造成了大量的国网物资在仓库积压，存在国网公司资源浪费及支撑物资储备定额的不合理的问题。

发明内容

本发明的目的就是为了解决对电力物资库存中存在的困难，提出一种易于实现、简单快速、高效的基于KNN算法的电力物资库存优化系统及方法。该方法以KNN算法为核心，用来实现电力公司在物资仓储过程中海量的库存物资时间分类。根据电网物资在库情况，通过地市单位、物资类型、移动类型、工厂类型、入库批次号、存储时间、单价、总金额、当前日期与物资入库日期等维度。通过本发明的分类方法，实现对电力物资在库库存的特征数据分类，将物资存储时间区域的进行划分，有效得到了库存时间的正常，到期与超期识别。

为实现上述目的，所述系统流程如图1所示。本发明采用如下技术方案：

首先，电力物资库存优化体系建立，根据规则的选择要求，分别对地市单位、物资类型、移动类型、工厂类型、入库批次号、存储时间，单价，总金额，当前日期与物资入库日期等历史数据从全业务数据中心抽取，进行标注并形成数据宽表。

其次，库存物资数据合规性检查，对库存物资数据宽表进行前期的数据清理，消除重复值，缺失值，异常值。

进一步的，库存物资数据特征创建，对库存物资数据宽表进行数据标准规范化，将各个数据维度按照评价进行标准规范化处理。

第三，在库存物资选择使用中的数据建模方法，实施包括以下几个内容：

在物资库存时间分类问题时会遇到采用特征值距离度量去进行分类的问题。

利用KNN算法模型，输入库存物资测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中的库存物资与之最为相似的前K个数据，则该测试数据对应的库存物资时间就是K个数据中出现次数最多的那个时间分类。

使用后的库存物资时间分类模型评估实施为以下所述：

已经从数据分析的角度建立了一个高质量的库存物资选择模型，对KNN算法进行库存物资时间分类结果与历史真实的分类数据结果进行准确率的对比。

在物资库存时间分类问题时会遇到采用特征值距离度量去进行分类的问题。如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。最简单最初级的分类器是将全部的训练数据所对应的类别都记录下来，当测试对象的属性和某个训练对象的属性完全匹配时，便可以对其进行分类，KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

在KNN中，通过计算对象间距离来做为各个对象之间的非相似性指标，避免了对象之间的匹配问题。

同时，KNN通过依据k个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN算法的优势。采用KNN算法对库存物资时间的分类：就是在训练集中数据和标签已知的情况下，输入库存物资测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中的库存物资与之最为相似的前K个数据，则该测试数据对应的库存物资时间就是K个数据中出现次数最多的那个时间分类。

第四，使用后的库存物资时间分类模型评估包括几下方面：

从数据分析的角度建立了一个高质量的库存物资选择模型，对KNN算法进行库存物资时间分类结果与历史真实的分类数据结果进行准确率的对比。

对时间分类的模型综合评价，在进一步确定是否有重要业务问题没有被充分的考虑。在这个阶段结束后，达成一个库存物资时间分类的使用决定。

第五，根据系统是否为优化及具体情况，判断是否下发调节指令，如果本周期无需下发调节指令，则等待下一个控制周期。

本发明的有益效果一方面在于融合了KNN算法的优点，高效地进行库存时间区域的划分；另一方面在于模型有效的进行了库存物资数据特征提取，按照地市、物料类型、物料小类维度，掌握各地市不同物料类型的库存时间情况，对物资进行库存时间分类。