本發(fa)明涉及(ji)天氣雷(lei)達回波數據(ju)處理領(ling)域，尤其涉及(ji)一種基于隨機森林的(de)風力發(fa)電(dian)場(chang)雜波識別方法。

背景技術：

1、全球范(fan)圍(wei)內(nei)的(de)(de)風(feng)能資源極為豐富，世界各地的(de)(de)風(feng)電場(chang)數量不斷增加(jia)。風(feng)力渦輪(lun)機的(de)(de)雷達回(hui)波表(biao)現出(chu)顯著的(de)(de)功率(lv)散射(she)特性和多普勒頻譜展寬效應，這(zhe)會(hui)干擾氣象(xiang)目(mu)標的(de)(de)探測，進而影(ying)響(xiang)天(tian)氣預(yu)報和災害預(yu)警決策。來自(zi)風(feng)力發電場(chang)的(de)(de)雷達回(hui)波，也被稱(cheng)為風(feng)力渦輪(lun)機雜波(wtc，wind?farm?clutter)，風(feng)力渦輪(lun)機密集(ji)排(pai)列成集(ji)群(qun)，稱(cheng)為風(feng)電場(chang)(wind?parks，wps)，wtc信號有時(shi)在(zai)功率(lv)和頻譜含量上與(yu)天(tian)氣信號相似，這(zhe)使得它們難以在(zai)平(ping)面圖-位置指示器(ppi)天(tian)氣雷達圖像上進行區分。

2、為了(le)(le)(le)詳細(xi)分析風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)的(de)(de)(de)(de)(de)影響，研(yan)(yan)究(jiu)者們記錄了(le)(le)(le)原始(shi)雷(lei)達(da)(da)(da)數(shu)(shu)(shu)據(ju)(ju)(ju)的(de)(de)(de)(de)(de)時間(jian)序(xu)列。gallardo等(deng)(deng)(deng)人(ren)(ren)從(cong)西班牙c波(bo)(bo)(bo)(bo)段天(tian)氣(qi)雷(lei)達(da)(da)(da)收集了(le)(le)(le)幾(ji)個(ge)月(yue)的(de)(de)(de)(de)(de)原始(shi)雷(lei)達(da)(da)(da)數(shu)(shu)(shu)據(ju)(ju)(ju)，分析了(le)(le)(le)大(da)型(xing)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)的(de)(de)(de)(de)(de)影響。crum和(he)vogt等(deng)(deng)(deng)人(ren)(ren)利(li)用美國s波(bo)(bo)(bo)(bo)段天(tian)氣(qi)雷(lei)達(da)(da)(da)數(shu)(shu)(shu)據(ju)(ju)(ju)證明了(le)(le)(le)風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)對(dui)(dui)(dui)雷(lei)達(da)(da)(da)產品的(de)(de)(de)(de)(de)影響。toth等(deng)(deng)(deng)人(ren)(ren)使用移(yi)動x波(bo)(bo)(bo)(bo)段多(duo)普(pu)(pu)(pu)勒雷(lei)達(da)(da)(da)近(jin)(jin)距離(li)研(yan)(yan)究(jiu)了(le)(le)(le)風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)的(de)(de)(de)(de)(de)影響，而norin和(he)haase利(li)用瑞典(dian)c波(bo)(bo)(bo)(bo)段天(tian)氣(qi)雷(lei)達(da)(da)(da)產品的(de)(de)(de)(de)(de)長時間(jian)序(xu)列研(yan)(yan)究(jiu)了(le)(le)(le)相(xiang)同的(de)(de)(de)(de)(de)現象。隨后，norin等(deng)(deng)(deng)人(ren)(ren)進一(yi)(yi)步研(yan)(yan)究(jiu)了(le)(le)(le)風(feng)(feng)(feng)(feng)(feng)力(li)(li)發電機(ji)(ji)對(dui)(dui)(dui)所有三個(ge)譜(pu)矩(雷(lei)達(da)(da)(da)反射(she)率(lv)因子、徑(jing)向速度和(he)譜(pu)寬(kuan))的(de)(de)(de)(de)(de)影響，以加深對(dui)(dui)(dui)風(feng)(feng)(feng)(feng)(feng)力(li)(li)發電機(ji)(ji)對(dui)(dui)(dui)多(duo)普(pu)(pu)(pu)勒天(tian)氣(qi)雷(lei)達(da)(da)(da)數(shu)(shu)(shu)據(ju)(ju)(ju)影響的(de)(de)(de)(de)(de)理解。為了(le)(le)(le)觀察風(feng)(feng)(feng)(feng)(feng)力(li)(li)機(ji)(ji)的(de)(de)(de)(de)(de)頻域(yu)特(te)(te)征(zheng)圖，提出了(le)(le)(le)對(dui)(dui)(dui)于(yu)掃描式天(tian)氣(qi)雷(lei)達(da)(da)(da)的(de)(de)(de)(de)(de)方(fang)法(fa)(fa)(fa)。gallardo-hernando等(deng)(deng)(deng)人(ren)(ren)利(li)用風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)的(de)(de)(de)(de)(de)典(dian)型(xing)特(te)(te)征(zheng)(大(da)的(de)(de)(de)(de)(de)雷(lei)達(da)(da)(da)散射(she)截面積和(he)顯著的(de)(de)(de)(de)(de)多(duo)普(pu)(pu)(pu)勒頻移(yi))，提出了(le)(le)(le)一(yi)(yi)種基(ji)(ji)于(yu)頻域(yu)的(de)(de)(de)(de)(de)風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)雜(za)波(bo)(bo)(bo)(bo)檢測算(suan)法(fa)(fa)(fa)。而nai等(deng)(deng)(deng)人(ren)(ren)則建(jian)議采用距離(li)-多(duo)普(pu)(pu)(pu)勒域(yu)的(de)(de)(de)(de)(de)信號(hao)處理來(lai)檢測和(he)消(xiao)除風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)的(de)(de)(de)(de)(de)影響。hood等(deng)(deng)(deng)人(ren)(ren)針對(dui)(dui)(dui)雷(lei)達(da)(da)(da)回波(bo)(bo)(bo)(bo)時域(yu)數(shu)(shu)(shu)據(ju)(ju)(ju)中風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)回波(bo)(bo)(bo)(bo)的(de)(de)(de)(de)(de)特(te)(te)征(zheng)，結合模(mo)糊(hu)邏(luo)輯方(fang)法(fa)(fa)(fa)實現了(le)(le)(le)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)雜(za)波(bo)(bo)(bo)(bo)的(de)(de)(de)(de)(de)自動識別(bie)。cheong等(deng)(deng)(deng)人(ren)(ren)則利(li)用level-ii數(shu)(shu)(shu)據(ju)(ju)(ju)中的(de)(de)(de)(de)(de)反射(she)率(lv)、多(duo)普(pu)(pu)(pu)勒速度和(he)譜(pu)寬(kuan)特(te)(te)征(zheng)，結合fis方(fang)法(fa)(fa)(fa)，在(zai)普(pu)(pu)(pu)通(tong)氣(qi)象條件下識別(bie)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)雜(za)波(bo)(bo)(bo)(bo)。何煒(wei)琨等(deng)(deng)(deng)人(ren)(ren)在(zai)cheong等(deng)(deng)(deng)人(ren)(ren)提出的(de)(de)(de)(de)(de)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)識別(bie)方(fang)法(fa)(fa)(fa)基(ji)(ji)礎上，通(tong)過構建(jian)特(te)(te)征(zheng)量(liang)的(de)(de)(de)(de)(de)概率(lv)分布直(zhi)方(fang)圖和(he)一(yi)(yi)維(wei)值域(yu)分布，確(que)定了(le)(le)(le)用于(yu)識別(bie)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)雜(za)波(bo)(bo)(bo)(bo)的(de)(de)(de)(de)(de)各個(ge)特(te)(te)征(zheng)量(liang)的(de)(de)(de)(de)(de)隸(li)屬度函數(shu)(shu)(shu)，并設置(zhi)了(le)(le)(le)相(xiang)應(ying)的(de)(de)(de)(de)(de)邏(luo)輯規則，實現了(le)(le)(le)風(feng)(feng)(feng)(feng)(feng)電場(chang)(chang)(chang)雜(za)波(bo)(bo)(bo)(bo)的(de)(de)(de)(de)(de)自適應(ying)檢測與識別(bie)。蘇添(tian)記等(deng)(deng)(deng)人(ren)(ren)分析了(le)(le)(le)5種雷(lei)達(da)(da)(da)基(ji)(ji)數(shu)(shu)(shu)據(ju)(ju)(ju)特(te)(te)征(zheng)量(liang)，包括(kuo)風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)雜(za)波(bo)(bo)(bo)(bo)具有較高的(de)(de)(de)(de)(de)反射(she)率(lv)因子隆(long)起(qi)度和(he)水平(ping)通(tong)道(dao)信噪比(bi)隆(long)起(qi)度，以及(ji)較大(da)的(de)(de)(de)(de)(de)速度奇異率(lv)，其信號(hao)質量(liang)指數(shu)(shu)(shu)接(jie)近(jin)(jin)1，譜(pu)寬(kuan)接(jie)近(jin)(jin)0或(huo)大(da)于(yu)7.0。基(ji)(ji)于(yu)這些特(te)(te)征(zheng)量(liang)的(de)(de)(de)(de)(de)統計(ji)結果，采用了(le)(le)(le)模(mo)糊(hu)邏(luo)輯算(suan)法(fa)(fa)(fa)對(dui)(dui)(dui)雷(lei)達(da)(da)(da)基(ji)(ji)數(shu)(shu)(shu)據(ju)(ju)(ju)中的(de)(de)(de)(de)(de)風(feng)(feng)(feng)(feng)(feng)力(li)(li)渦(wo)輪(lun)(lun)(lun)機(ji)(ji)雜(za)波(bo)(bo)(bo)(bo)進行特(te)(te)征(zheng)識別(bie)。

3、現(xian)(xian)(xian)(xian)有方(fang)(fang)法(fa)(fa)(fa)還存在(zai)(zai)一些(xie)(xie)不(bu)(bu)(bu)足。準確性不(bu)(bu)(bu)足，現(xian)(xian)(xian)(xian)有方(fang)(fang)法(fa)(fa)(fa)如基于(yu)模(mo)糊邏輯的(de)(de)(de)(de)方(fang)(fang)法(fa)(fa)(fa)，可(ke)能(neng)在(zai)(zai)區(qu)分風力(li)發電場雜波和(he)(he)(he)真實氣(qi)(qi)(qi)象(xiang)(xiang)信號(hao)(hao)時(shi)存在(zai)(zai)不(bu)(bu)(bu)準確的(de)(de)(de)(de)情況。尤其(qi)在(zai)(zai)天(tian)氣(qi)(qi)(qi)條(tiao)(tiao)件復(fu)(fu)雜、風力(li)渦輪機(ji)產生的(de)(de)(de)(de)干擾信號(hao)(hao)與(yu)實際氣(qi)(qi)(qi)象(xiang)(xiang)信號(hao)(hao)相似的(de)(de)(de)(de)情況下，準確性會下降(jiang)，可(ke)能(neng)導致(zhi)誤報或漏(lou)報。魯棒性不(bu)(bu)(bu)強(qiang)，許(xu)多現(xian)(xian)(xian)(xian)有方(fang)(fang)案(an)在(zai)(zai)應對不(bu)(bu)(bu)同氣(qi)(qi)(qi)象(xiang)(xiang)條(tiao)(tiao)件和(he)(he)(he)多樣化(hua)的(de)(de)(de)(de)風力(li)發電場布局(ju)時(shi)表現(xian)(xian)(xian)(xian)出(chu)不(bu)(bu)(bu)穩(wen)定性。由于(yu)這些(xie)(xie)方(fang)(fang)案(an)通(tong)常依(yi)賴于(yu)固定的(de)(de)(de)(de)閾值(zhi)或規(gui)則，當天(tian)氣(qi)(qi)(qi)條(tiao)(tiao)件發生變(bian)化(hua)時(shi)，可(ke)能(neng)無法(fa)(fa)(fa)靈活調整，從而影響雷(lei)達數(shu)(shu)據(ju)(ju)(ju)(ju)的(de)(de)(de)(de)可(ke)靠性。特征(zheng)選(xuan)擇有限，一些(xie)(xie)方(fang)(fang)法(fa)(fa)(fa)僅(jin)基于(yu)少數(shu)(shu)雷(lei)達參數(shu)(shu)，如反射率(lv)(lv)因子、徑向速(su)度等，這種特征(zheng)選(xuan)擇的(de)(de)(de)(de)局(ju)限性可(ke)能(neng)導致(zhi)雜波識別(bie)效(xiao)果不(bu)(bu)(bu)佳。目前新(xin)一代天(tian)氣(qi)(qi)(qi)雷(lei)達正在(zai)(zai)進(jin)行大(da)規(gui)模(mo)的(de)(de)(de)(de)雙偏振升級，風力(li)發電場雜波的(de)(de)(de)(de)雙偏振參量(liang)特征(zheng)成為了研究的(de)(de)(de)(de)重點。此(ci)外，基于(yu)簡(jian)單組合或靜態(tai)閾值(zhi)的(de)(de)(de)(de)方(fang)(fang)式可(ke)能(neng)無法(fa)(fa)(fa)有效(xiao)區(qu)分風力(li)發電場雜波和(he)(he)(he)真實天(tian)氣(qi)(qi)(qi)信號(hao)(hao)。缺乏(fa)機(ji)器(qi)學(xue)習技(ji)術，許(xu)多現(xian)(xian)(xian)(xian)有方(fang)(fang)法(fa)(fa)(fa)沒有充分利用(yong)機(ji)器(qi)學(xue)習技(ji)術的(de)(de)(de)(de)優勢，尤其(qi)是處理(li)高(gao)維(wei)和(he)(he)(he)復(fu)(fu)雜數(shu)(shu)據(ju)(ju)(ju)(ju)的(de)(de)(de)(de)能(neng)力(li)。傳(chuan)統方(fang)(fang)法(fa)(fa)(fa)的(de)(de)(de)(de)邏輯規(gui)則，這些(xie)(xie)方(fang)(fang)法(fa)(fa)(fa)在(zai)(zai)復(fu)(fu)雜場景下可(ke)能(neng)失效(xiao)，而機(ji)器(qi)學(xue)習技(ji)術能(neng)夠更(geng)有效(xiao)地處理(li)復(fu)(fu)雜數(shu)(shu)據(ju)(ju)(ju)(ju)，提供更(geng)穩(wen)健(jian)的(de)(de)(de)(de)解決方(fang)(fang)案(an)。無法(fa)(fa)(fa)處理(li)大(da)量(liang)數(shu)(shu)據(ju)(ju)(ju)(ju)，現(xian)(xian)(xian)(xian)有方(fang)(fang)案(an)在(zai)(zai)處理(li)大(da)量(liang)雷(lei)達數(shu)(shu)據(ju)(ju)(ju)(ju)時(shi)可(ke)能(neng)效(xiao)率(lv)(lv)較低，難(nan)以實時(shi)檢測和(he)(he)(he)識別(bie)風力(li)發電場雜波。對于(yu)高(gao)維(wei)數(shu)(shu)據(ju)(ju)(ju)(ju)集(ji)，傳(chuan)統方(fang)(fang)法(fa)(fa)(fa)可(ke)能(neng)面(mian)臨(lin)計算(suan)效(xiao)率(lv)(lv)和(he)(he)(he)時(shi)間成本(ben)的(de)(de)(de)(de)問(wen)題，限制了其(qi)在(zai)(zai)實時(shi)應用(yong)中(zhong)的(de)(de)(de)(de)實用(yong)性。

技術實現思路

1、針對(dui)現有技術之不足，本發明(ming)提(ti)(ti)(ti)出一種基于隨機(ji)森林的(de)風力發電(dian)場雜波(bo)識別(bie)方(fang)法(fa)，所述雜波(bo)識別(bie)方(fang)法(fa)基于隨機(ji)森林方(fang)法(fa)，通過建立多個(ge)決策樹分類器對(dui)原始數據集進行分類訓(xun)練，將各個(ge)分類器的(de)結果以投(tou)票(piao)或者(zhe)平均的(de)方(fang)式得到最終的(de)預測結果，提(ti)(ti)(ti)高(gao)分類準確性，采用雙重網格搜索策略，降低訓(xun)練時間成本并提(ti)(ti)(ti)高(gao)模型(xing)的(de)魯(lu)棒(bang)性，具體包括；

2、步(bu)(bu)驟(zou)1：對(dui)雷(lei)(lei)達(da)(da)回波(bo)基數(shu)據進(jin)行預處理，根據風電場(chang)雜波(bo)具有位置(zhi)不(bu)變性，利用地(di)圖信(xin)息(xi)獲得(de)風電場(chang)邊界(jie)數(shu)據，然后(hou)轉(zhuan)換成雷(lei)(lei)達(da)(da)的(de)方位距(ju)離信(xin)息(xi)，包(bao)括時間(jian)信(xin)息(xi)、位置(zhi)信(xin)息(xi)，進(jin)一步(bu)(bu)轉(zhuan)換成雷(lei)(lei)達(da)(da)回波(bo)處理程序(xu)能夠判斷的(de)時空坐(zuo)標先驗信(xin)息(xi)；

3、步(bu)驟2：構建風(feng)力發電場數(shu)據集(ji)，具(ju)體包括：

4、步驟21：將二(er)級雷(lei)達(da)數據沿(yan)徑(jing)向方(fang)向和距離庫方(fang)向以4×4大(da)小的(de)窗口(kou)滑動，滑動步長(chang)為1，得(de)到(dao)4×4大(da)小的(de)數據塊，二(er)級雷(lei)達(da)數據包(bao)括反(fan)射率、徑(jing)向速度(du)、速度(du)譜寬(kuan)、差(cha)分反(fan)射率、差(cha)分傳播(bo)相(xiang)移和相(xiang)關系數；

5、步(bu)驟22：計算步(bu)驟21中的(de)每個(ge)數(shu)據塊與風(feng)電場雜波的(de)相關特征，相關特征具體包(bao)括(kuo)最大值(zhi)、最小值(zhi)、平均值(zhi)、偏振(zhen)參量(liang)、切邊速度、旋轉速度、頻(pin)譜和動量(liang)；

6、步(bu)驟(zou)23：樣(yang)本標定，根據風(feng)電場的時(shi)間信(xin)息(xi)(xi)、坐標信(xin)息(xi)(xi)和雷達位置信(xin)息(xi)(xi)，對步(bu)驟(zou)22計算(suan)的相關特征進行(xing)標注，得到風(feng)力(li)發電場數據集；

7、步(bu)驟3：完成步(bu)驟2對(dui)風力發(fa)電場數(shu)據(ju)集(ji)的(de)標記(ji)操(cao)作(zuo)后，采用隨機森林(lin)分類(lei)方法對(dui)數(shu)據(ju)樣(yang)(yang)本進(jin)行分類(lei)，包括四個(ge)階(jie)(jie)段(duan)(duan)：bootstrap抽(chou)樣(yang)(yang)、模(mo)型(xing)訓(xun)練(lian)(lian)(lian)、模(mo)型(xing)預測(ce)和結果評估(gu)，在(zai)bootstrap抽(chou)樣(yang)(yang)階(jie)(jie)段(duan)(duan)，通過(guo)有放(fang)回地抽(chou)樣(yang)(yang)生成多(duo)(duo)個(ge)訓(xun)練(lian)(lian)(lian)數(shu)據(ju)集(ji)；在(zai)模(mo)型(xing)訓(xun)練(lian)(lian)(lian)階(jie)(jie)段(duan)(duan)，使用抽(chou)樣(yang)(yang)的(de)多(duo)(duo)個(ge)訓(xun)練(lian)(lian)(lian)數(shu)據(ju)集(ji)訓(xun)練(lian)(lian)(lian)多(duo)(duo)個(ge)決策樹(shu)模(mo)型(xing)；在(zai)模(mo)型(xing)預測(ce)階(jie)(jie)段(duan)(duan)，將待分類(lei)的(de)雷達數(shu)據(ju)樣(yang)(yang)本輸入(ru)到每個(ge)訓(xun)練(lian)(lian)(lian)好的(de)決策樹(shu)模(mo)型(xing)中，并(bing)綜合每個(ge)決策樹(shu)模(mo)型(xing)的(de)預測(ce)結果；最(zui)(zui)后，在(zai)結果評估(gu)階(jie)(jie)段(duan)(duan)，通過(guo)投票或平均的(de)方式確(que)定最(zui)(zui)終的(de)分類(lei)預測(ce)結果，并(bing)對(dui)模(mo)型(xing)性能(neng)進(jin)行評估(gu)；

8、步驟(zou)31：構建基于隨機森林的(de)(de)風(feng)電(dian)場(chang)雜波識別模型，首先讀取(qu)風(feng)力(li)發(fa)電(dian)場(chang)數(shu)據集(ji)(ji)(ji)，按照8:2的(de)(de)比例(li)將風(feng)力(li)發(fa)電(dian)場(chang)數(shu)據集(ji)(ji)(ji)劃分為訓練集(ji)(ji)(ji)和測試集(ji)(ji)(ji)；

9、步(bu)驟32：初始(shi)化(hua)風電場(chang)雜(za)波識(shi)別模(mo)(mo)型(xing)，使用(yong)訓(xun)練(lian)集對(dui)(dui)所(suo)述雜(za)波識(shi)別模(mo)(mo)型(xing)進(jin)(jin)行(xing)(xing)訓(xun)練(lian)，對(dui)(dui)于訓(xun)練(lian)集中的(de)每(mei)個子(zi)樣(yang)本(ben)(ben)(ben)1至子(zi)樣(yang)本(ben)(ben)(ben)n，建立(li)決策樹1至決策樹n，學(xue)習(xi)子(zi)樣(yang)本(ben)(ben)(ben)和(he)標(biao)注樣(yang)本(ben)(ben)(ben)之(zhi)間(jian)的(de)特征關系，采(cai)用(yong)雙重(zhong)網格(ge)搜索(suo)(suo)策略(lve)(lve)，首次網格(ge)搜索(suo)(suo)，利用(yong)網格(ge)搜索(suo)(suo)算法組合模(mo)(mo)型(xing)參(can)數(shu)進(jin)(jin)行(xing)(xing)粗略(lve)(lve)搜索(suo)(suo)，得(de)到粗略(lve)(lve)參(can)數(shu)組合，基于所(suo)述粗略(lve)(lve)參(can)數(shu)組合進(jin)(jin)一步(bu)細化(hua)搜索(suo)(suo)范圍(wei)，進(jin)(jin)行(xing)(xing)區間(jian)精細化(hua)搜索(suo)(suo)，得(de)到最優組合參(can)數(shu)和(he)最優模(mo)(mo)型(xing)；

10、步驟33：特征重要(yao)性排(pai)序，通(tong)過特征重要(yao)性計算(suan)模(mo)塊，計算(suan)41個(ge)(ge)特征的(de)重要(yao)性并排(pai)序，保(bao)留重要(yao)性排(pai)名前25的(de)特征，移除剩余的(de)16個(ge)(ge)特征；

11、步驟34：重新訓練(lian)優化模(mo)型，使(shi)用保留的25個特征對(dui)風電(dian)場雜波識別模(mo)型進行重新訓練(lian)，采用雙重網格搜索策略(lve)進行超參數(shu)組合優化，首次搜索為(wei)粗略(lve)搜索，得到粗略(lve)參數(shu)，第二次搜索為(wei)精細搜索，得到最優參數(shu)，得到最優風電(dian)場雜波識別模(mo)型；

12、步驟35：模(mo)型預測，對于(yu)每(mei)棵決策(ce)樹(shu)，將待預測子樣本輸入到(dao)樹(shu)中，每(mei)棵決策(ce)樹(shu)都會對待預測子樣本輸出(chu)一個類別(bie)(bie)標簽，將所有決策(ce)樹(shu)輸出(chu)的類別(bie)(bie)標簽采用投票或平(ping)均(jun)的方式(shi)獲得最終的預測結果(guo)；

13、步驟36：模(mo)型(xing)評(ping)估(gu)，在(zai)最優參數(shu)下，將測試集輸(shu)入訓練好的(de)風(feng)(feng)電場雜波識別(bie)模(mo)型(xing)，通過計算(suan)客觀評(ping)價(jia)分數(shu)對(dui)風(feng)(feng)電場雜波識別(bie)模(mo)型(xing)進行評(ping)估(gu)，客觀評(ping)價(jia)分數(shu)包括準確率(lv)(lv)、精確率(lv)(lv)、幾何(he)平均(jun)值、命中率(lv)(lv)、roc線下面積(ji)和假(jia)陽率(lv)(lv)；

14、步(bu)驟4：加(jia)載(zai)訓(xun)練完成的(de)風電場雜波識別模型，輸入實際含有風電場雜波的(de)雷達數據(ju)進行識別，并分析影響(xiang)雜波的(de)特(te)征(zheng)。

15、本(ben)發明的有益效果(guo)在于(yu)：

16、1、本(ben)發(fa)明(ming)方法(fa)具有(you)更高的準確性，基于隨(sui)(sui)機森林(lin)(rf)的分類(lei)算法(fa)，能夠更準確地識別風力發(fa)電場雜波與真(zhen)實氣(qi)象信號(hao)。隨(sui)(sui)機森林(lin)算法(fa)能夠處理多(duo)維(wei)度的特(te)征，并(bing)靈活調整參數，確保(bao)在復雜數據環境中保(bao)持高準確性。

17、2、本發(fa)明方(fang)法具有更強的(de)魯棒(bang)性(xing)。本發(fa)明方(fang)法考慮了(le)多種雷達特征，包括反(fan)(fan)射率因子、差(cha)(cha)分(fen)相(xiang)移率、徑向(xiang)速度(du)和(he)速度(du)譜寬以(yi)(yi)及(ji)差(cha)(cha)分(fen)反(fan)(fan)射率，差(cha)(cha)分(fen)相(xiang)移和(he)相(xiang)關系數。綜(zong)合(he)特征分(fen)析使得模(mo)型能夠更準確地區分(fen)風力(li)發(fa)電場雜波與其(qi)他雷達信號。隨(sui)著天(tian)氣條件和(he)風電場布局的(de)變化，傳統(tong)方(fang)法可能無法穩(wen)定運行。而(er)隨(sui)機森林算法具有較強的(de)適(shi)應性(xing)。通過特征重要性(xing)分(fen)析，隨(sui)機森林可以(yi)(yi)選擇最相(xiang)關的(de)特征，從而(er)在(zai)不同天(tian)氣條件下保持魯棒(bang)性(xing)。此外，隨(sui)機森林在(zai)面(mian)對未見過的(de)數據時通常(chang)具有較好(hao)的(de)泛化能力(li)。

18、3、充分(fen)利(li)用機(ji)器(qi)學(xue)習(xi)的(de)(de)(de)優勢，隨著數(shu)(shu)據(ju)量的(de)(de)(de)增加，傳統方法可能(neng)難以處(chu)理(li)復雜和(he)(he)高(gao)維度(du)(du)的(de)(de)(de)數(shu)(shu)據(ju)。隨機(ji)森林適用于處(chu)理(li)高(gao)維度(du)(du)和(he)(he)復雜度(du)(du)較高(gao)的(de)(de)(de)數(shu)(shu)據(ju)，例如具有大(da)量特征的(de)(de)(de)數(shu)(shu)據(ju)集(ji)或非線性關系較為復雜的(de)(de)(de)數(shu)(shu)據(ju)。隨機(ji)森林作為一種(zhong)強大(da)的(de)(de)(de)機(ji)器(qi)學(xue)習(xi)算法，能(neng)夠更好地處(chu)理(li)大(da)量數(shu)(shu)據(ju)，提供(gong)實時的(de)(de)(de)雜波檢測和(he)(he)識別能(neng)力。

19、4、本發(fa)明方(fang)法(fa)能(neng)減少誤報(bao)和漏報(bao)，隨機(ji)森林通過(guo)構建大量決(jue)策(ce)樹，并采(cai)用多(duo)數(shu)投票的(de)方(fang)法(fa)，減少誤報(bao)和漏報(bao)的(de)可能(neng)性(xing)(xing)。這(zhe)使得(de)模(mo)型(xing)在(zai)確保高(gao)準確性(xing)(xing)的(de)同(tong)時，降低錯誤識(shi)別的(de)風險。模(mo)型(xing)解釋性(xing)(xing)強(qiang)，盡(jin)管隨機(ji)森林是(shi)一種復(fu)雜的(de)機(ji)器學習算法(fa)，但(dan)它具(ju)有較強(qiang)的(de)解釋性(xing)(xing)。研究者可以(yi)通過(guo)分析每棵決(jue)策(ce)樹的(de)分裂特(te)征，來(lai)理解模(mo)型(xing)的(de)決(jue)策(ce)過(guo)程，從而便于進一步調整(zheng)和優化。

20、5、擴(kuo)展(zhan)性(xing)和通(tong)用(yong)(yong)性(xing)，隨機森林具有良好的擴(kuo)展(zhan)性(xing)和通(tong)用(yong)(yong)性(xing)，本發明提出的檢測與(yu)識別方法可以適用(yong)(yong)于不同類型的氣(qi)象雷(lei)達數(shu)據，并可在各種風電場(chang)布局和天氣(qi)條件下使用(yong)(yong)，具有廣泛(fan)的適用(yong)(yong)性(xing)。