为适应我国经济的高速发展,电网企业亟需完善采购计划,提升物资管理水平,以期优化资源配置、降低成本。物资需求预测是电力物资管理及采购工作的重要环节,若预测需求量与实际需求量的偏差较大,则会难以发挥采购的规模效益或导致库存积压。电力物资需求相关影响因素多,且散落在不同部门,很难被企业协同利用,形成严重的“数据孤岛”现象。现有研究对电力物资需求预测的影响因素考虑不全面,预测效果不理想。如何综合利用来自多个部门的数据并提取物资需求影响因素,构建符合电力工程项目物资需求特点的预测模型,提高预测精度,是电力物资需求预测难点所在。大数据技术的飞速发展,为电力企业建设大数据支撑、智能化协作的物力集约化管理提供了技术条件。通过大数据技术分析电力企业业务活动产生的大量数据,洞察电力物资需求内在规律,可以为企业提供智能决策支持。本文构建了融合多部门数据的电力工程物资数据空间,并基于大数据分析与挖掘技术,建立了物资需求预测模型。首先,整合物资管理、财务、工程运营等多部门相关数据,构建了融合多部门数据价值的数据空间。其次,采用自然语言处理中的分词及标签化技术提取数据空间中半结构化数据的数据信息,并将文本型数据转化为模型可识别的输入类型。接着,统计了历史项目中文本型特征的非重复组合,探讨每个组合的数值型数据的年变化规律,采用回归模型和灰色模型预测未来一年数值型变量的值。最后,构建基于树的预测模型,挖掘数据空间中低价值密度,准确预测电力工程物资需求。实验结果表明,本文所提方法能有效综合利用各部门低价值密度数据,获得较好的预测效果。与常用物资需求预测方法反向传播神经网络和支持向量机相比,树模型预测精度明显较高。在本文所用的四种树模型中,随机森林预测模型展现了较好的预测效果和稳定性。同时,经测算,2020年案例电网公司通过人为经验预测的物资品类需求的平均准确率仅为48.13%,而树模型对物资需求的平均预测精度最高可达79.11%。