[发明专利]基于增量式极限学习机的气象雷达风电场杂波抑制方法

说明书

本发明公开了一种基于增量式极限学习机(I‑ELM)的气象雷达风电场杂波抑制方法。该发明首先对信号进行预处理，然后利用气象信号距离连续性，设置气象信号的径向速度与谱宽预估值，构建训练样本。再对模型参数进行搜索与优化，最后利用优化后的I‑ELM算法建立预测模型，恢复出被污染距离单元的气象信号。仿真实验结果表明，本方法有效抑制了风力涡轮机杂波(WTC)，显著降低了由WTC污染引起的径向速度和谱宽估计偏差，且运算量小，适合工程应用。

技术领域

本发明属于气象雷达杂波抑制领域，具体涉及风电场杂波基于增量式极限学习机的抑制方法。

背景技术

石油价格的不断上涨，以及全球气候变化的加剧，为许多替代能源——可再生清洁能源，铺平了道路，其中增长最快的是风力发电。风力发电作为一种清洁可再生能源，已得到世界各国广泛关注。由于风电场数量和规模呈指数式增长，风力涡轮机叶片高速旋转引起的时变运动杂波已成为制约气象雷达探测性能的主要限制因素。

传统杂波抑制技术都是基于杂波信号与气象回波在多普勒域或距离－多普勒域可分离条件，采用滤波或分离算法对杂波进行有效抑制。但风力涡轮机杂波由于大型叶片高速旋转，其多普勒频谱严重展宽甚至产生混叠，因此气象信号淹没在风力涡轮机杂波中，导致时、频滤波或分离算法均无法在抑制杂波信号的同时实现对气象信号的无损保留。因此时域滤波、频域滤波等方法均失效。对此，国内外科学家对风力涡轮机杂波抑制进行了深入研究，并提出了一些抑制方法。例如基于空间插值的风力涡轮机杂波抑制方法。不幸的是，气象数据是典型的时空数据，空间插值只利用气象信号在距离域的空间连续性，而忽略了多普勒域的相关性。另一种方法是通过形态成分分析(MCA)分离信号。然而，该算法的计算复杂度也在增加，不利于工程应用。

发明内容

本发明所要解决的技术问题是：提供了一种基于增量式极限学习机的气象雷达风电场杂波抑制方法。首先对信号进行预处理，然后构建训练样本，对模型参数进行搜索和优化，最后利用优化后的I-ELM算法恢复出被污染的气象信号。

与现有算法相比，I-ELM算法有两个优点：一是可以在较小的误差下实现气象信号的恢复；其次，I-ELM算法复杂度低，学习速度快。在此基础上，提出了一种基于增量式极限学习机的WTC抑制自适应模型。通过对样本的训练，建立预测模型。实现了气象信号的精确恢复。

本发明为解决上述技术问题采用以下技术方案：

一种基于增量式极限学习机的气象雷达风电场杂波抑制方法，包括如下步骤：

步骤一、信号预处理，具体为：

对同时包含风力涡轮机杂波WTC和气象信号的距离单元置零，设该距离单元序号为a，通过快速傅里叶变换实现对第a±z个距离单元的相干积累，结果记为X_a±z(k)；

对第a±z个距离单元雷达回波信号进行频谱分析，分别估计出其气象信号频谱峰值对应的多普勒单元；

设各单元气象信号频谱峰值所在的最小多普勒单元序号为γ_min，最大多普勒单元序号为γ_max。考虑雷达天线副瓣的影响，选取雷达回波的第γ_min-5～γ_max+5个多普勒单元为多普勒单元样本，将其他多普勒单元置零，以该结果针对对应的X_a±z(k)进行更新，得到对进行逆傅立叶变换，得到预处理后的雷达回波时域信号；

步骤二、训练样本构建，具体为：