基于Level-II数据和模糊逻辑推理的气象雷达风电场杂波检测与识别方法

何炜琨 郭双双 王晓亮 吴仁彪



基于Level-II数据和模糊逻辑推理的气象雷达风电场杂波检测与识别方法

何炜琨*郭双双 王晓亮 吴仁彪

(中国民航大学天津市智能信号与图像处理重点实验室 天津 300300)

风电场杂波具有强散射性和由于其叶片旋转导致的频谱展宽特性，其雷达回波很难用传统的杂波滤波器滤除，进而导致气象目标探测过程中的误检测与误识别，这是影响新一代气象雷达探测性能的一个重要因素。该文通过分析风电场杂波区别于气象目标的回波特性，基于气象雷达二次产品(Level-II)实测数据选取某些特征参量，通过构造特征量的概率分布直方图和1维值域分布确定用于识别风电场杂波的各个特征量的隶属度函数，并设置相应的逻辑规则，利用模糊逻辑推理系统(FIS)实现风电场杂波的自适应检测与识别。通过采集几组典型的Level-II数据对所提方法进行测试与验证，均较为准确地识别出存在于气象雷达视野内的风电场杂波，实验结果证明了该文算法的可靠性。

气象雷达；风电场；杂波检测；特征提取；模糊逻辑

1 引言

作为一种有效、清洁性的新能源，风能近年来日趋受到世界各国的高度重视。2015年11月我国制定的《十三五规划纲要》就明确指出要“推动能源结构优化升级”，“继续推进风电发电发展”[1]。未来5年，无论是风电场的规模还是数量仍将呈现递增的趋势。研究表明，风电场会对航管雷达、气象雷达等射频设备产生干扰。此外，风轮机叶片的不停旋转，致使其回波与静止地杂波不同，因而，利用传统地杂波滤波器无法将风电场杂波完全滤除[5]，需要研究风电场杂波检测与识别方法，并设计专门的滤波器将其滤除，从而削弱风电场杂波对气象雷达的影响，提高气象观测和气象预报的准确性。

在风电场杂波检测与识别方面，西班牙马德里科技大学的Gallardo-Hernando等人[6]主要利用风轮机的典型特征(大的雷达散射截面积和大的多普勒频移)，提出一种频域的风轮机杂波检测算法，通过设置谱宽阈值来确定风轮机杂波，但该算法中阈值的选取很难把控，进而将直接影响到风轮机杂波的检测性能。美国Oklahoma大学的Hood等人[7]则针对雷达回波时域数据中风电场回波的特征，通过构造杂波相位对齐，频谱平坦度，4次中心谱距和转轴-气象比4个特征量，并结合模糊逻辑方法来实现风电场杂波的检测。但该算法仅针对某个雷达分辨单元内单个风轮机进行仿真，对于实际在某个雷达分辨单元中的多个风轮机的检测受限；同时，利用雷达回波数据评估该算法时，特征量计算的复杂度较大。Cheong等人[8]基于level-II数据利用反射率，多普勒速度和谱宽特征，结合FIS实现普通气象条件下的风电场杂波的识别，但当出现类似风电场杂波的气象目标(如雷雨、风暴、龙卷风漩涡和中气旋等)和晴空模式下雷达回波出现多普勒速度模糊等特殊气象条件下，该算法均不能实现风电场杂波的自适应检测与识别。本文在Cheong等人[8]提出的风电场识别方法的基础上，通过构造特征量的概率分布直方图和1维值域分布确定用于识别风电场杂波的各个特征量的隶属度函数，并设置相应的逻辑规则，实现风电场杂波的自适应检测与识别，使得即使在特殊气象条件下也能够成功识别风电场杂波。

2 风电场回波的特征提取

风电场作为一种高大建筑物，其雷达回波具有较强的功率散射性和多普勒频谱展宽的特性，即具有强反射率、叶片旋转所导致的变化迅速的径向速度以及较大的谱宽特性。同时利用风电场杂波具有位置不变性，而气象目标具有空间移动性的特点，对雷达连续几次扫描生成的Level-II数据进行处理，根据风电场杂波和气象目标回波特征设置6个特征参量：(1)平均反射率、(2)平均径向速度、(3)平均谱宽、(4)相干反射率、(5)差分径向速度、(6)相干谱宽。以下将简要介绍这6个特征参量。

(1)平均反射率：对连续扫描的雷达回波Level- II数据的反射率因子进行处理，即

(2)平均径向速度：对连续扫描的雷达回波Level-II数据的径向速度进行统计平均，即

(3)平均谱宽：对几组谱宽因子基数据产品进行统计平均，其表达式为

(4)相干反射率：通常风电场固定目标的相干反射率要高于移动的气象目标。但当出现气象沉淀物目标时也会产生较高的相干值。该特征可表示为

(5)差分径向速度：由于叶片的旋转，在不同时刻风轮机的径向速度变化很大，因而相比气象目标，风电场杂波区域的差分径向速度的值较高。其特征可表示为

(6)相干谱宽：与相干反射率类似，气象目标则处于移动的状态，而风轮机杂波在固定的位置保持较大的多普勒展宽，因此不同时刻风电场杂波的谱宽相关性较大。其特征表达式为

综上所述，以上6个特征量中的任何一个均可用于实现风电场杂波的识别，但单独一个特征将会产生较高的误判率，因而需要根据实际数据适当选取上述6个特征来识别风电场杂波。

3 风电场杂波的FIS检测方法

基于模糊推理系统(FIS)的风电场杂波检测就是根据提取到的风电场回波特征，利用模糊逻辑理论[12,13]，判别风电场杂波是否存在。首先将用于检测风电场杂波的几个特征量的值域作为模糊逻辑推理系统输入端的感兴趣区间，应用隶属度函数将其在归一化区间上进行模糊化处理，然后利用模糊逻辑推理规则对模糊化的特征量进行聚模糊，最后通过设定决策阈值进行退模糊输出，实现风电场杂波的准确检测与识别。

3.1 数据获取

本文首先分析来自美国纽约Buffalo地区的WSR-88D雷达(KBUF)7次不同时刻扫描得到的Level-II数据，并基于该数据实现风电场杂波检测算法的测试。

来自美国纽约Buffalo的KBUF雷达于2010年5月1日，17:00~17:59(GMT)时间段内某个时刻在降雨模式下捕获的一块区域内雷达回波的基本产品因子(反射率、径向速度和谱宽)的PPI显示如图1所示。该区域的地理坐标为西经77°64~79°61，南纬41°98~43°68，下一代雷达KBUF东南方向40~50 km附近存在风电场，然而由于存在大量的气象目标回波，很难直接确定出风电场杂波的存在，若不将其检测与识别出来，对雷达探测气象目标将会产生严重干扰。

3.2 特征量的统计特性

为实现风电场杂波不同特征量的模糊化处理，通过直方图画出各个特征参量的概率密度曲线[14]，可将特征量的分布规律直观表示出来，为模糊隶属度函数的选取提供一种先验信息。对美国纽约Buffalo的KBUF雷达扫描得到的Level-II数据进行特征提取后得到6个特征参量的直方图和1维值域分布如图2所示。

由图2可以看出，特征量的直方图可用于分析各个特征量的概率密度分布，同时结合特征量的1维值域分布可详细确定用于风电场杂波检测的各个特征量的取值范围，为风电场杂波检测和识别模糊逻辑系统中隶属度函数类型的选取和阈值的确定提供可靠的先验信息。如图2(a)所示，平均反射率特征量主要分布在0~40 dBz的范围内，因而平均反射率的隶属度函数的上升沿的跨度应选取在其范围内，同时通过图2(b)所示的特征量的1维值域分布情况同时观察6个特征量均能表示风电场杂波特征(除平均径向速度外其他特征量的值均较大，而平均径向速度趋于0)的同一坐标范围，可大概确定1维坐标中风电场存在的位置，进而由图2(b)中各个特征量的值域分布，可确定模糊隶属度函数的阈值，提高风电场杂波检测方法中各个特征量提取的准确性。

3.3 模糊逻辑推理系统(FIS)

一个完整的风电场杂波检测与识别模糊逻辑推理系统如图3所示，主要由数据的输入、特征量的构造、模糊逻辑推理和退模糊决策输出4个部分组成。其中，模糊逻辑推理的输入是用于风电场回波特征提取的6个特征量，通过特征量的统计特性确定合适的隶属度函数使各个特征量在归一化区间上进行模糊化处理，并运用模糊逻辑规则对模糊化的特征量进行聚模糊推理判断，最后，通过设置决策阈值进行退模糊与检测结果输出。

图1 来自下一代雷达KBUF采集的降雨模式下回波基本数据的PPI显示

3.3.1 隶属度函数的选取 建立合理的目标隶属函数是提高目标识别正确率的关键性一步。依据图2(a)特征量的直方图可以选取合适的隶属度函数，直方图中各个特征量的概率密度分布可为隶属度函数类型的选取提供参考，若风电场杂波区域的取值范围较窄，则隶属度函数的变化沿(上升沿或下降沿)的跨度也应设置得较窄。同时结合图2(b)特征量的1维值域分布情况可为各个特征量的隶属度函数选择合理的阈值。实验中检测美国纽约Buffalo地区的WSR-88D雷达附近风电场杂波所选取的各个特征量的隶属度函数如图4所示。

图2 6个特征量(平均反射率，相干反射率，平均径向速度，差分径向速度，平均谱宽和相干谱宽)的直方图和1维值域分布

图3 风电场杂波检测与识别FIS示意图

3.3.2 模糊逻辑规则的判断 用于提取风电场杂波特征的6个特征量的输入经隶属度函数模糊化处理后，可通过设定合理的模糊逻辑规则进行聚模糊。由于6个特征量在提取风电场回波特征上起到相同的识别作用，即单独每个特征量均是为了识别风电场杂波而构造，但可能由于特殊气象条件的存在而致使某个或某些特征量对杂波目标的识别出现虚假警报，为了避免这种情况的发生，提高杂波目标检测与识别的准确率，将6个特征量在聚模糊过程中运用相与的逻辑规则进行推理判断。这里，使用不同特征量相与的逻辑规则，当6个特征参量同时检测到某一区域存在风电场杂波时，将该区域作为目标检测的聚模糊输出，这样可以避免由于特殊气象目标，如雷暴、中气旋和龙卷风等具有类似风电场杂波特征的目标的误检测的发生。

4 风电场杂波的识别结果

将来自美国纽约Buffalo的KBUF雷达于2010年5月1日，17:00~17:59(GMT)时间段内7次扫描捕获的某块区域的雷达回波Level-II数据为数据源验证风电场杂波FIS检测与识别方法。将雷达回波的基本产品因子(反射率、径向速度和谱宽)通过构造特征量提取风电场回波的特征，特征提取结果如图5所示。

图5(a)，图5(d)和图5(g)分别表示KBUF雷达捕获的原始基本产品因子：反射率、径向速度和谱宽的PPI显示；图5(b)，图5(e)和图5(h)分别表示对原始基本产品因子进行特征量的构造后提取的不同扫描时刻的平均反射率、平均径向速度和平均谱宽参量的 PPI显示；图5(c)，图5(f)和图5(i)分别表示不同扫描时刻的相干反射率、差分径向速度和相干谱宽参量的PPI显示。

将上述提取到的6个特征量输入到用于风电场杂波检测与识别的FIS中，进行模糊化和聚模糊处理，然后再将输出结果通过决策阈值退模糊输出，进而完成风电场杂波的检测与识别，如图6所示，可以看出在位于KBUF雷达东南方向40~50 km附近的风电场被完整检测与识别出来，与实际情况吻合。

图4 特征量的隶属度函数

图5 KBUF雷达附近风电场回波特征提取结果

图6 KBUF雷达附近风电场杂波的识别结果

5 特殊气象条件下风电场杂波的识别

本文基于FIS的风电场杂波检测与识别方法对特殊气象条件下风电场杂波的检测与识别同样具有很好的适用性。本文主要考虑两种特殊的气象条件，一种是当出现如雷雨、风暴、龙卷风漩涡和中气旋等具有类似风电场杂波特征的特殊气象目标时的气象条件[15]；另一种是雷达处于晴空扫描模式下，雷达发射波的脉冲重复频率(PRF)较低所导致的雷达回波出现多普勒速度模糊情况[16]。以上两种气象条件均可导致用于风电场回波特征提取的某些特征量对杂波出现误检测与误识别，然而，由于本文风电场杂波检测与识别的FIS在对各个特征量进行聚模糊时能够克服单个特征量对杂波的误检测与误识别，因此本文提出的风电场杂波的模糊逻辑检测方法能够很好地实现特殊气象条件下风电场杂波的检测与识别。

5.1 类似风电场回波特征的气象目标出现时风电场杂波的识别

以美国纽约Buffalo的KBUF雷达于2009年6月25日，23:00-23:59(GMT)时间段内7次扫描捕获的Level-II数据为数据源进行特殊气象条件下风电场杂波的模糊逻辑检测方法的验证。该组数据采集的时间段内出现一次强烈暴风雨穿过雷达视野范围内，这种强烈暴风雨回波具有类似风电场回波的一些特征。强烈暴风雨气象目标存在时6个特征量对KBUF雷达视野内风电场杂波特征提取的结果如图7所示。

由图7可以看出，由于一阵强度较大的暴风雨穿过KBUF雷达视野范围内，造成图7(b)，图7(c)，图7(e)和图7(f)分别表示的平均反射率、相干反射率、平均径向速度和差分径向速度4个特征量对风电场杂波均产生较严重的误检测与误识别。图7(h)和图7(i)分别表示的平均谱宽和相干谱宽两个特征量对风电场回波的特征提取未受到暴风雨的影响，较为准确地实现风电场杂波的检测与识别。

尽管在风电场杂波的检测与识别过程中，某些特征量会对风电场杂波产生误检测和误识别，但本文的模糊逻辑检测方法中运用6个特征量相与的模糊逻辑规则，使得当6个特征量中至少存在1个特征量对风电场杂波能够实现正确检测时，风电场杂波检测与识别FIS的输出将会实现风电场杂波的准确检测与识别。

图8(a)为文献[8]所提方法对KBUF雷达附近风电场的识别结果，可以看出，由于一阵强烈的暴风雨穿过KBUF雷达视野范围，利用初步的FIS对风电场的识别产生大量误判。面对这种情况，文献[8]采取事前获取当前气象条件下是否有类似风电场杂波的特殊的气象目标存在的先验信息，然后再通过提高不受这种特殊气象目标影响的特征量(这里指平均谱宽和相干谱宽)在聚模糊过程中的权重，才可以成功识别出风轮机杂波，结果如图8(b)所示。而本文提出的风电场杂波检测与识别FIS在未知是否有干扰风电场杂波识别的气象目标存在时，通过利用相应特征量的统计特性等先验信息，确定FIS系统中的隶属度函数类型及阈值，并为各个特征量选取相与的逻辑判别准则，对强烈暴风雨气象目标存在情况下风电场杂波的识别结果如图8(c)所示，结果表明KBUF雷达附近风电场同样被准确完整地识别出。因而，本文方法在特殊气象目标存在条件下具有一定的自适应性和较好的鲁棒性。

图7 强烈暴风雨气象目标存在情况下KBUF雷达附近风电场回波特征提取结果

图8 强烈暴风雨气象目标存在情况下KBUF雷达附近风电场杂波的识别结果

5.2 雷达回波出现多普勒速度模糊时风电场杂波的识别

由于来自美国纽约Buffalo 的KBUF雷达于2010年5月1日，20:00-21:20(GMT)时间段内处于晴空扫描模式(VCP31)下，雷达发射波的PRF较低，即雷达发射波的相干脉冲个数较少，从而使得雷达视野内回波信号产生速度模糊。同样以雷达7次连续扫描捕获的Level-II数据为数据源进行试验，验证在特殊气象条件下风电场杂波的识别效果。雷达回波出现速度模糊情况下各个特征量对风电场回波特征提取的结果如图9所示。

由图9可以看出，由于雷达工作在VCP31模式下，其回波信号中出现大量的速度模糊，导致径向速度因子和谱宽因子出现严重损坏，如图9(e)，图9(f)，图9(h)和和图9(i)分别表示的平均径向速度、差分径向速度、平均谱宽和相干谱宽4个特征量中对风电场回波的特征提取出现很大误差。而图9(b)和图9(c)分别表示的平均反射率和相干反射率因子则较为准确地实现了风电场回波的特征提取。

在基于Level-II数据进行风电场杂波识别时，由于较低的PRF所导致6个特征量中的4个特征量出现不实，利用传统的FIS对风电场杂波进行识别时同样会产生大量误检测，识别结果如图10(a)所示。应用本文风电场杂波检测与识别方法得到的结果如图10(b)所示，可以看出，本文改进的FIS系统可以较为准确地识别出风电场杂波。

6 结论

本文首先通过分析风电场杂波的回波特性，利用模糊逻辑理论，通过选取合适的隶属度函数以及选择合理的模糊逻辑规则来对提取到的特征量进行模糊化和聚模糊处理，并通过退模糊输出来实现风电场杂波的联合识别。本文结合几组雷达回波的Level-II实测数据对KBUF雷达附近风电场杂波进行检测与识别，实验结果表明本文提出的风电场杂波模糊逻辑检测方法无论在普通气象条件下还是在特殊气象条件下均具有较好的适用性，较为准确完整地实现了风电场杂波的检测与识别。

图9 雷达回波存在多普勒模糊情况下KBUF雷达附近风电场回波特征提取结果

图10 雷达回波出现多普勒模糊时KBUF雷达附近风电场杂波的识别结果

参考文献

[1] 人民网-能源频道. 十三五规划纲要全文发布: 提出建设现代能源体系[OL]. http://energy.people.com.cn/n1/2016/0318/ c71661-28209529.html.2016.3.21.

PEOPLE’S DAILY-THE ENERGY CHANNEL. The thirteenth five-year plan outline of Chinese on the construction of modern energy system[OL]. http://energy. people. com.cn/n1/2016/0318/c71661-28209529.html.2016.3.21.

[2] NORIN L. A quantitative analysis of the impact of wind turbines on operational Doppler weather radar data[J]., 2015, 8(2): 593-609. doi: 10.5194/amtd-7-8743-2014.

[3] KERANEN R, ALKU L C, PETTAZZI A,. Weather radar and abundant wind farming—Impacts on data quality and mitigation by Doppler dual-polarization[C]. The 8th European Conference on Radar in Meteorology and Hydrology, Finland, 2014: 1-18.

[4] KARABAYIR O, YUCEDAG S M, COSKUN A F,. Wind turbine signal modelling approach for pulse Doppler radars and applications[J].,&, 2015, 9(3): 276-284. doi: 10.1049/iet-rsn.2014.0094.

[5] KRASNOV O A and YAROVOY A G. Polarimetric micro- Doppler characterization of wind turbines[C]. The 10th European Conference on Antennas and Propagation (EuCAP), Netherlands, 2016: 1-5. doi: 10.1109/EuCAP. 2016.7481496.

[6] GALLARDO-HERNANDO B, PEREZ-MARTINEZ F, and AGUADO-ENCABO F. Wind turbine clutter detection in scanning weather radar tasks[C]. The 6th European Conference on Radar in Meteorology and Hydrology, Spain 2010: 1-6.

[7] HOOD K, TORRES S, and PALMER R. Automatic detection of wind turbine clutter for weather radars[J].&, 2010, 27(11): 1868-1880. doi: 10.1175/2010JTECHA1437.1.

[8] CHEONG B L, PALMER R, and TORRES S. Automatic wind turbine identification using level-II data[C]. 2011IEEE RadarCon (RADAR), USA, 2011: 271-275. doi: 10.1109/ RADAR.2011.5960542.

[9] RZEWUSKI S, KULPA K, BACZYK M K,. Wind farm detection using weather radar[C]. 2015 European Radar Conference (EuRAD), Poland, 2015:189-192.doi: 10.1109/ EuRAD.2015.7346269.

[10] ISOM B M, PALMER R D, SECREST G S,. Detailed observations of wind turbine clutter with scanning weather radars[J]., 2009, 26(5): 894-910. doi: 10.1175/2008JTECHA1136.1.

[11] GREVING G and MALKOMES M. Weather radar and wind turbines-theoretical and numerical analysis of the shadowing effects and mitigation concepts[C]. Proceedings of the 5th Europen Radar in Meteorology and Hydrology Conference,Germany, China, 2008: 1-5.

[12] ZHANG S, MISHRA Y, and SHAHIDEHPOUR M. Fuzzy- logic based frequency controller for wind farms augmented with energy storage systems[J]., 2015: 1-9.doi: 10.1109/TPWRS.2015.2432113.

[13] 王旭, 何建新, 谢承华. 基于模糊逻辑技术在时域自动识别雷达杂波[C]. 全国信号处理与应用学术会议, 南宁, 2008: 247-251.

WANG Xu, HE Jianxin, and XIE Chenghua. Identifing clutter echoes of weather radar in time domain automatically based on a fuzzy logic technique[C]. The Special Issue of the National Signal Processing and Application Academic Meeting, Nanning, China, 2008: 247-251.

[14] 陈艳, 李柏, 何建新, 等. 在天气雷达信号处理器中用IQ信号消减地物杂波[J]. 气象科技, 2015, 43(4): 569-575.doi: 10.3969/j.issn.1671-6345.2015.04.002.

CHEN Yan, LI Bai, HE Jianxin,. Reduce the ground clutters by IQ in weather radar signal processor[J]., 2015, 43(4): 569-575.doi: 10.3969/j.issn.1671-6345.2015.04.002.

[15] VOGT R J, REED J R, and CRUM T. Impacts of wind farms on WSR-88D operations and policy considerations[C]. The 23rd Conference on IIPS, Oklahoma, USA, 2014: 1-7.

[16] 陈国斌, 彭黎丽, 唐佳. UWB雷达抗多普勒模糊技术研究[J]. 现代电子技术, 2015(1): 12-14.doi: 10.3969/j.issn.1004-373X. 2015.01.004.

CHEN Guobin, PENG Lili, and TANG Jia.Method to resolve Doppler ambiguity for UWB radar[J]., 2015(1): 12-14.doi: 10.3969/j.issn. 1004-373X.2015.01.004.

何炜琨： 女，1977年生，副教授，博士，主要研究方向为雷达信号处理、风电场杂波抑制.

郭双双： 女，1990年生，硕士，主要研究方向为风电场杂波信号特征提取与检测.

王晓亮： 男，1982年生，讲师，博士，主要研究方向为雷达信号处理、图像处理与识别.

吴仁彪： 男，1966年生，教授，博士，主要研究方向为自适应信号处理和阵列信号处理在雷达、通信和导航中的应用.

Weather Radar Wind Farms Clutters Detection and Identification Method Based on Level-II Data and Fuzzy Logic Inference

HE Weikun GUO Shuangshuang WANG Xiaoliang WU Renbiao

(,,300300,)

Wind farms clutters have the characteristics of strong scattering and the Doppler spectrum spreading due to the blades rotation, the radar echoes can not be filtered out easily using the traditional ground clutter filter, hence causing the false detection and identification of meteorological targets in the process of target detection, which is an important influence factor on the new generation weather radar echoes. Based on the analysis of wind farms echoes’ characteristics distinguished from those of meteorological target echoes, some suitable feature parameters are chosen, and a robust good adaptive fuzzy logic system of wind farms clutters detection and identification is developed by using the secondary products (Level II) data and the Fuzzy Inference System (FIS), in which the membership functions of each feature parameters and the corresponding logical rules are defined by constructing probability distribution histogram and the one dimensional range distribution of the corresponding feature parameters. Several groups of typical Level II data are collected to test and verify the proposed method, the experimental results demonstrate the reliability of the proposed algorithm.

Weather radar; Wind farm; Clutter detection; Feature extraction; Fuzzy logic

TN959.4

A

1009-5896(2016)12-3252-09

10.11999/JEIT161031

2016-10-08；改回日期：2016-11-16；

2016-12-14

何炜琨 hwkcauc@126.com

国家自然科学基金委员会与中国民航局联合资助项目(U1533110, 61571422)，中国民用航空局空中交通管理局科技计划项目，中央高校基金(3122015D005)

The National Natural Science Foundation Committee and the Civil Aviation Administration of China Jointly Funded Program (U1533110, 61571422), The Science and Technology Program of Air Traffic Management Bureau of Civil Aviation Administration of China, The Central College Fund Program (3122015D005)