买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都信息工程大学

摘要：本发明涉及一种基于随机森林的风力发电场杂波识别方法，该方法基于随机森林分类方法对风力发电场数据集进行分类训练，构建基于随机森林的风力发电场杂波识别模型，训练多个决策树分类器，通过投票的机制将各个决策树分类器的预测结果组合得到最终预测结果，减少了误报和漏报的可能性；采用双重网格搜索策略，先进行粗略搜索，再进行精细搜索，大大缩短了模型训练的时间成本；通过特征重要性分析，有助模型选择最相关的特征，增加了在不同天气下的鲁棒性，并提高了对新雷达数据进行预测的泛化能力。特别地，本发明考虑到七种雷达二次产品的衍生特征，综合多种特征进行分析能够提高模型分类预测的准确性。

主权项：1.一种基于随机森林的风力发电场杂波识别方法，其特征在于，所述杂波识别方法基于随机森林方法，通过建立多个决策树分类器对原始数据集进行分类训练，将各个分类器的结果以投票或者平均的方式得到最终的预测结果，提高分类准确性，采用双重网格搜索策略，降低训练时间成本并提高模型的鲁棒性，具体包括；步骤1：对雷达回波基数据进行预处理，根据风电场杂波具有位置不变性，利用地图信息获得风电场边界数据，然后转换成雷达的方位距离信息，包括时间信息、位置信息，进一步转换成雷达回波处理程序能够判断的时空坐标先验信息；步骤2：构建风力发电场数据集，具体包括：步骤21：将二级雷达数据沿径向方向和距离库方向以4×4大小的窗口滑动，滑动步长为1，得到4×4大小的数据块，二级雷达数据包括反射率、径向速度、速度谱宽、差分反射率、差分传播相移和相关系数；步骤22：计算步骤21中的每个数据块与风电场杂波的相关特征，相关特征具体包括最大值、最小值、平均值、偏振参量、切边速度、旋转速度、频谱和动量；步骤23：样本标定，根据风电场的时间信息、坐标信息和雷达位置信息，对步骤22计算的相关特征进行标注，得到风力发电场数据集；步骤3：完成步骤2对风力发电场数据集的标记操作后，采用随机森林分类方法对数据样本进行分类，包括四个阶段：Bootstrap抽样、模型训练、模型预测和结果评估，在Bootstrap抽样阶段，通过有放回地抽样生成多个训练数据集；在模型训练阶段，使用抽样的多个训练数据集训练多个决策树模型；在模型预测阶段，将待分类的雷达数据样本输入到每个训练好的决策树模型中，并综合每个决策树模型的预测结果；最后，在结果评估阶段，通过投票或平均的方式确定最终的分类预测结果，并对模型性能进行评估；步骤31：构建基于随机森林的风电场杂波识别模型，首先读取风力发电场数据集，按照8:2的比例将风力发电场数据集划分为训练集和测试集；步骤32：初始化风电场杂波识别模型，使用训练集对所述杂波识别模型进行训练，对于训练集中的每个子样本1至子样本n，建立决策树1至决策树n，学习子样本和标注样本之间的特征关系，采用双重网格搜索策略，首次网格搜索，利用网格搜索算法组合模型参数进行粗略搜索，得到粗略参数组合，基于所述粗略参数组合进一步细化搜索范围，进行区间精细化搜索，得到最优组合参数和最优模型；步骤33：特征重要性排序，通过特征重要性计算模块，计算41个特征的重要性并排序，保留重要性排名前25的特征，移除剩余的16个特征；步骤34：重新训练优化模型，使用保留的25个特征对风电场杂波识别模型进行重新训练，采用双重网格搜索策略进行超参数组合优化，首次搜索为粗略搜索，得到粗略参数，第二次搜索为精细搜索，得到最优参数，得到最优风电场杂波识别模型；步骤35：模型预测，对于每棵决策树，将待预测子样本输入到树中，每棵决策树都会对待预测子样本输出一个类别标签，将所有决策树输出的类别标签采用投票或平均的方式获得最终的预测结果；步骤36：模型评估，在最优参数下，将测试集输入训练好的风电场杂波识别模型，通过计算客观评价分数对风电场杂波识别模型进行评估，客观评价分数包括准确率、精确率、几何平均值、命中率、ROC线下面积和假阳率；步骤4：加载训练完成的风电场杂波识别模型，输入实际含有风电场杂波的雷达数据进行识别，并分析影响杂波的特征。

全文数据：

权利要求：

百度查询： 成都信息工程大学 基于随机森林的风力发电场杂波识别方法