摘要：針對新一代天氣雷達(dá)數(shù)據(jù)存在風(fēng)輪機(jī)雜波污染問題，統(tǒng)計分析了5種雷達(dá)基數(shù)據(jù)特征量，風(fēng)輪機(jī)雜波具有較高的反射率因子隆起度（UdBT）和水平通道信噪比隆起度（USNRH），有較大的速度奇異率（SV），其信號質(zhì)量指數(shù)（ISQ）接近1，譜寬（W）接近0或大于7 m·s-1。以特征量統(tǒng)計結(jié)果為基礎(chǔ)，使用模糊邏輯算法對雷達(dá)基數(shù)據(jù)中的風(fēng)輪機(jī)雜波進(jìn)行了特征識別，結(jié)果顯示，模糊邏輯算法能有效地把風(fēng)輪機(jī)雜波從各種強(qiáng)度的氣象降水回波和固定地物雜波中識別出來。針對被識別出來的風(fēng)輪機(jī)雜波，使用區(qū)域平均插值方法對雷達(dá)基數(shù)據(jù)中的風(fēng)輪機(jī)雜波進(jìn)行剔除，雜波剔除結(jié)果顯示，氣象降水條件下獲得了較好的風(fēng)輪機(jī)雜波剔除效果。

關(guān)鍵詞：多普勒天氣雷達(dá)；風(fēng)輪機(jī)雜波；雜波特征和識別；雷達(dá)數(shù)據(jù)質(zhì)量控制

中圖分類號：TN959.4? ?文獻(xiàn)標(biāo)志碼：A? ?文章編號：2096-3599（2023）03-0001-00

DOI：10.19513/j.cnki.issn2096-3599.2023.03.006

Wind turbine clutter identification and suppression for CINRAD

SU Tianji1， GE Junxiang2

（1. Yantai Meteorological Bureau， Yantai 264003， China; 2. School of Electronics & Information Engineering， Nanjing University of Information Science & Technology， Nanjing 210044， China）

Abstract： In order to suppress the wind turbine clutter （WTC） in CINRAD， the statistical analysis of 5 characteristic quantities from radar base data is present. The WTC has higher reflectivity uplift （UdBT） and horizontal channel SNR （signal-to-noise ratio） uplift （USNRH）， bigger singular velocity （SV）， the signal quality index （SQI） is close to 1， and the spectral width （W） is close to 0 or greater than 7 m·s-1. Based on the statistical results of characteristic quantities， the fuzzy logic algorithm is used to identify the WTC from the base data. The identification results show that the WTC can be effectively identified from the meteorological precipitation echoes and the fixed ground clutter by the fuzzy logic algorithm. Then the regional average interpolation is used to suppress the identified WTC from the base data. The clutter suppression results show that the WTC suppression effect is better in the case of meteorological precipitation.

Keywords： CINRAD; wind turbine clutter （WTC）; characteristics and identification of clutter; radar data quality control

引言

目前公認(rèn)的由人類驅(qū)動的全球氣候變化的威脅為許多綠色能源技術(shù)的發(fā)展鋪平了道路，風(fēng)力發(fā)電是一個例子。根據(jù)全球風(fēng)能理事會的報告[1]，全球風(fēng)電裝機(jī)容量保持10%以上的快速增長，而中國的風(fēng)電規(guī)模是最大的，其風(fēng)電總裝機(jī)容量和每年新增裝機(jī)容量在全世界占比均超過三分之一。雖然風(fēng)電產(chǎn)業(yè)取得了許多積極成果，但這種擴(kuò)張的負(fù)面影響也不容忽視，其中一個影響是風(fēng)力渦輪機(jī)（簡稱“風(fēng)輪機(jī)”）對天氣雷達(dá)系統(tǒng)的干擾[2-5]。風(fēng)輪機(jī)工作時轉(zhuǎn)動的葉片能使雷達(dá)載波產(chǎn)生多普勒頻移，導(dǎo)致雷達(dá)回波數(shù)據(jù)中出現(xiàn)位置固定并且具有很高徑向速度的雜波，稱為風(fēng)輪機(jī)雜波（wind turbine clutter，WTC），目前使用的天氣雷達(dá)雜波濾波器難以濾除此類雜波。風(fēng)輪機(jī)雜波會影響天氣雷達(dá)觀測的基數(shù)據(jù)及其后續(xù)反演產(chǎn)品，例如雷達(dá)定量降水估計等。為降低風(fēng)輪機(jī)雜波對天氣雷達(dá)的影響，國外一些學(xué)者已提出一些雜波識別和抑制方法，如Hood等[6]以風(fēng)輪機(jī)雜波的時域和頻域特征為基礎(chǔ)，利用模糊邏輯算法實現(xiàn)風(fēng)輪機(jī)雜波的自動識別。Nai等[7]基于天氣目標(biāo)雷達(dá)回波信號的空間連續(xù)性特征，使用距離-多普勒譜和回歸的處理方法，實現(xiàn)風(fēng)輪機(jī)雜波的抑制。Uysal等[8]把天氣目標(biāo)信號和風(fēng)輪機(jī)雜波信號分別模型化為時域稀疏群和稀疏時間導(dǎo)數(shù)模型來分離這兩種信號，在美國下一代天氣雷達(dá)進(jìn)行了模擬和實測數(shù)據(jù)計算，改善了反射率因子、徑向速度和速度譜寬數(shù)據(jù)的質(zhì)量。Beauchamp等[9]把風(fēng)輪機(jī)雜波模型化為一個廣義循環(huán)平穩(wěn)過程，實現(xiàn)了風(fēng)輪機(jī)雜波與降水回波和地雜波的分離。Dutta等[10]利用廣義似然比檢驗方法檢測受風(fēng)輪機(jī)雜波影響的庫，然后使用信號子空間估計的方法實現(xiàn)風(fēng)輪機(jī)雜波抑制。國內(nèi)一些學(xué)者利用國外的天氣雷達(dá)數(shù)據(jù)研究了風(fēng)輪機(jī)雜波的識別和抑制方法，如何煒琨等[11-13]使用美國WSR-88D雷達(dá)數(shù)據(jù)，利用模糊邏輯算法實現(xiàn)基于多時次采集基數(shù)據(jù)的風(fēng)輪機(jī)雜波識別；基于氣象目標(biāo)回波空間均勻的假設(shè)，改進(jìn)基于最大后驗概率（MAP）方法，使用未受雜波污染的氣象回波對風(fēng)輪機(jī)雜波污染區(qū)進(jìn)行插值，實現(xiàn)天氣雷達(dá)基數(shù)據(jù)風(fēng)輪機(jī)雜波的剔除；在風(fēng)輪機(jī)雜波周期特性抑制算法的基礎(chǔ)上，使用風(fēng)電場附近未受雜波污染區(qū)的IQ（In-phase & Quadrature component ）數(shù)據(jù)對基于周期特性的風(fēng)輪機(jī)雜波數(shù)據(jù)進(jìn)行雜波抑制。吳仁彪等[14]利用匹配追蹤算法實現(xiàn)仿真天氣雷達(dá)風(fēng)輪機(jī)雜波信號的抑制。

截至2022年，中國已建成由236部多普勒天氣雷達(dá)組成的世界最大的業(yè)務(wù)化天氣雷達(dá)監(jiān)測網(wǎng)，而隨著中國風(fēng)電工業(yè)的快速發(fā)展，風(fēng)輪機(jī)雜波對多普勒天氣雷達(dá)數(shù)據(jù)質(zhì)量的影響也不斷加重。目前，多普勒天氣雷達(dá)業(yè)務(wù)運行的基于高斯模型的自適應(yīng)濾波器（Gaussian model adaptive processing，GMAP）[15-16]對風(fēng)輪機(jī)雜波處理效果不理想。國內(nèi)很多學(xué)者研究了多普勒天氣雷達(dá)固定地物雜波、超折射回波、生物回波、電磁干擾雜波等非氣象回波的特征和識別、抑制方法[17-23]，但針對風(fēng)輪機(jī)雜波的研究卻很少。

本文使用CINRAD/SA型多普勒天氣雷達(dá)基數(shù)據(jù)，根據(jù)風(fēng)輪機(jī)雜波的特點，構(gòu)建基數(shù)據(jù)風(fēng)輪機(jī)雜波特征量，統(tǒng)計了各特征量的數(shù)值分布特征。利用模糊邏輯算法識別了不同天氣條件下基數(shù)據(jù)中的風(fēng)輪機(jī)雜波，基于氣象降水回波在一定范圍內(nèi)均勻的假設(shè)，使用平均值插值法剔除基數(shù)據(jù)風(fēng)輪機(jī)雜波。由于目前尚缺有效的多普勒天氣雷達(dá)風(fēng)輪機(jī)雜波的抑制方法，本研究結(jié)果可望對進(jìn)一步提高多普勒天氣雷達(dá)的數(shù)據(jù)質(zhì)量提供參考。

1 數(shù)據(jù)和方法

業(yè)務(wù)運行的CINRAD/SA型新一代多普勒天氣雷達(dá)采用體掃描模式進(jìn)行數(shù)據(jù)采集，常用的VCP21體掃模式約每6 min完成一次掃描，探測數(shù)據(jù)以標(biāo)準(zhǔn)格式保存到基數(shù)據(jù)文件中?；鶖?shù)據(jù)中包含反射率因子、徑向速度、譜寬、信號質(zhì)量指數(shù)、水平通道信噪比等數(shù)據(jù)類型，雙偏振雷達(dá)還包含差分反射率、相關(guān)系數(shù)、差分傳播相移率、垂直通道信噪比等數(shù)據(jù)類型[24-26]?；鶖?shù)據(jù)代表的最小目標(biāo)單元是距離庫，一個距離庫是一個波束寬度（約1°）和一個脈沖有效照射深度（如250 m）所圍成的空間體。煙臺CINRAD/SA型新一代多普勒天氣雷達(dá)（簡稱“煙臺雷達(dá)”）基數(shù)據(jù)除了受到周圍高山引起的固定地物雜波污染外，還受到風(fēng)輪機(jī)雜波污染，以雷達(dá)為中心的100 km半徑范圍內(nèi)，有20處風(fēng)電場對雷達(dá)有影響。本文選用煙臺雷達(dá)的基數(shù)據(jù)進(jìn)行風(fēng)輪機(jī)雜波特征分析、識別和雜波數(shù)據(jù)剔除，進(jìn)行特征分析的不同目標(biāo)類型數(shù)據(jù)包括風(fēng)輪機(jī)雜波、固定地物雜波和降水回波。3類數(shù)據(jù)的獲取方法是：首先利用衛(wèi)星地圖獲得20處風(fēng)電場和3座高山的區(qū)域邊界數(shù)據(jù)，然后轉(zhuǎn)換成雷達(dá)的方位距離信息，并在雷達(dá)軟件中記錄，依據(jù)定位信息可從基數(shù)據(jù)中獲得風(fēng)輪機(jī)雜波數(shù)據(jù)和固定地物雜波數(shù)據(jù)，降水?dāng)?shù)據(jù)則從完全避開任何雜波污染的位置獲取。

1.1 模糊邏輯算法

模糊邏輯算法把只取 0 和 1 二值的普通邏輯集合概念推廣到在[0，1]區(qū)間上可連續(xù)取值的模糊集合，并使用“隸屬度”概念來精確描述元素與模糊集合之間的包含關(guān)系。算法包括四個過程：模糊化、規(guī)則推斷、權(quán)重集成和退模糊，即依據(jù)量化特征設(shè)置隸屬度函數(shù)，然后進(jìn)行邏輯推理和隸屬度輸出加權(quán)，最后進(jìn)行邏輯歸類實現(xiàn)解模糊輸出。模糊邏輯算法應(yīng)用廣泛，在天氣雷達(dá)回波分類、降水相態(tài)識別、雜波識別等方面均有應(yīng)用[27-29]。特征量對模糊邏輯算法至關(guān)重要，風(fēng)輪機(jī)雜波既具有固定地物雜波的特點，其位置固定，反射率因子很大，又具有氣象降水回波的特點，有一定的徑向速度，信號質(zhì)量指數(shù)高，因此，用于風(fēng)輪機(jī)雜波特征識別的特征量，必須既能分辨氣象降水回波與風(fēng)輪機(jī)雜波，又能分辨固定地物雜波與風(fēng)輪機(jī)雜波。

1.2 雷達(dá)基數(shù)據(jù)特征量

根據(jù)風(fēng)輪機(jī)雜波的特點，構(gòu)建反射率因子隆起度（UdBT）、速度奇異率（SV）、水平通道信噪比隆起度（USNRH）、信號質(zhì)量指數(shù)（ISQ）和譜寬（W）等5個特征量。這5個特征量中， UdBT、SV和USNRH是利用基數(shù)據(jù)反演的特征量，反映了目標(biāo)距離庫與其周圍距離庫基數(shù)據(jù)的差異程度。而ISQ和W是直接來自基數(shù)據(jù)的特征量，反映的是目標(biāo)距離庫的數(shù)據(jù)特征。

1.2.1 反射率因子隆起度（UdBT）和水平通道信噪比隆起度（USNRH）

風(fēng)輪機(jī)雜波的反射率因子值很大，并且區(qū)域不均勻，構(gòu)建的反射率因子隆起度（UdBT）要能反映目標(biāo)距離庫反射率因子的這種特點，因此構(gòu)建式（1）計算得到UdBT：

（1）

式中，dBT表示目標(biāo)距離庫的反射率因子；dBTa，r表示以目標(biāo)距離庫為中心，方位和距離分別變化a和r個最小分辨單元的距離庫的反射率因子，當(dāng)a和r同時為0時即為dBT；Nbin表示dBTa，r對應(yīng)的所有距離庫數(shù)目，其大小由n和m確定。表示目標(biāo)距離庫的外圍距離庫反射率因子的平均值，由式（2）計算得到：

（2）

式中，為外圍距離庫中的最大反射率因子值，計算時剔除的目的是降低孤立極大值對平均值的影響。當(dāng)dBT小于或等于時，UdBT直接賦0值，即只考慮數(shù)據(jù)的區(qū)域隆起而不考慮凹陷，因為只有風(fēng)輪機(jī)雜波反射率因子大于周圍晴空回波或降水回波時，才會產(chǎn)生不利影響。UdBT的單位是dBZ。

風(fēng)輪機(jī)雜波的水平通道信噪比具有與反射率因子相似的特征，因此，將式（1）和式（2）中的dBT換成SNRH，即可計算水平通道信噪比隆起度（USNRH），USNRH的單位是dB。

1.2.2 速度奇異率（SV）

風(fēng)輪機(jī)雜波的徑向速度在區(qū)域內(nèi)是不均勻的，速度奇異率要能反映這種不均勻特征，SV由式（3）計算得到：

（3）

式中，V表示目標(biāo)距離庫的徑向速度，Vr表示以目標(biāo)距離庫為中心，距離變化r個最小分辨單元的距離庫的徑向速度，當(dāng)r為0時即為V。k根據(jù)V與Vr的符號差異取不同值，當(dāng)V與Vr異號時，k取5，否則k取10。k如此取值的依據(jù)是當(dāng)參與比對的兩個徑向速度值為異號時，其差值的絕對值超過5 m·s-1即認(rèn)為奇異度較高，而同號時其差值的絕對值超過10 m·s-1才認(rèn)為奇異度較高。SV的單位是m·s-1。

速度奇異率SV可以表征V在區(qū)域內(nèi)的奇異程度。當(dāng)目標(biāo)區(qū)域為大范圍氣象降水回波時，V的連續(xù)性好，SV將接近于0；而當(dāng)目標(biāo)為高山時，由于地表樹木隨風(fēng)擺動，會產(chǎn)生一定的徑向速度，SV大于0；當(dāng)目標(biāo)為風(fēng)輪機(jī)時，受風(fēng)向的影響，雷達(dá)波束與風(fēng)車葉片的轉(zhuǎn)動平面有不同的夾角，產(chǎn)生的徑向速度取決于環(huán)境風(fēng)向和風(fēng)速、風(fēng)輪機(jī)與雷達(dá)的相對位置以及風(fēng)輪機(jī)葉片長度，距離庫間的徑向速度差異會比較大，導(dǎo)致SV也很大。因此，當(dāng)目標(biāo)為有植被的高山和風(fēng)輪機(jī)時，徑向速度的方向多變，所以相對于氣象降水的SV，這兩種目標(biāo)物的SV值會較大。在氣象回波的速度突變區(qū)域，如速度模糊和風(fēng)切變邊界等，雖然也存在速度大小和方向的突變，但目標(biāo)距離庫的徑向速度在突變前或突變后的區(qū)域內(nèi)是均勻的，因此，速度模糊區(qū)域的速度奇異率依然比風(fēng)輪機(jī)雜波的小。

1.2.3 信號質(zhì)量指數(shù)（ISQ）

ISQ表示在目標(biāo)距離庫內(nèi)相鄰兩次脈沖采樣回波信號的相似程度。在新一代天氣雷達(dá)業(yè)務(wù)運行的掃描策略中，最小脈沖重復(fù)頻率（pulse repetition frequency，PRF）通常為322 Hz，對應(yīng)采樣間隔PRT（pulse repetition time；PRT=1/ PRF）約為3 ms，一個采樣周期發(fā)射28個采樣脈沖用時約84 ms。在一個采樣周期內(nèi)，風(fēng)輪機(jī)葉片受環(huán)境風(fēng)驅(qū)動做勻速圓周運動，一個PRT內(nèi)葉片轉(zhuǎn)動約0.3°[30-32]，由于運動速度的大小和方向都不會發(fā)生明顯變化，因此一個含風(fēng)輪機(jī)距離庫有接近于1的ISQ值。對于氣象回波，雖然也可以有很高的取值，但因為其彌散目標(biāo)特性，各散射體間有相對運動，導(dǎo)致ISQ接近于1的比例要低得多。而固定地物雜波，因為受其表面植被和空氣湍流等影響，ISQ值比前兩種目標(biāo)明顯更低。

1.2.4 譜寬（W）

譜寬表示目標(biāo)距離庫內(nèi)所有散射體徑向速度的離散程度?？紤]波束展寬，距離雷達(dá)80 km處的一個目標(biāo)距離庫在雷達(dá)方位上展寬到約1 396 m（2πR/360）。當(dāng)一個距離庫內(nèi)只存在一個風(fēng)輪機(jī)時，雷達(dá)回波主要由風(fēng)輪機(jī)產(chǎn)生，則多個脈沖對目標(biāo)距離庫進(jìn)行持續(xù)采樣后，其徑向速度的一致性會很高，因此譜寬會很小。但當(dāng)目標(biāo)距離庫內(nèi)存在多個風(fēng)輪機(jī)或有其他不同類型的目標(biāo)物時，即使環(huán)境風(fēng)向一致，但風(fēng)輪機(jī)的布局大概率受地形影響而導(dǎo)致產(chǎn)生差異很大的徑向速度，從而譜寬也很大。

2 基數(shù)據(jù)特征量的統(tǒng)計特征

為了獲得風(fēng)輪機(jī)雜波區(qū)別于降水回波、固定地物雜波的特征量數(shù)值分布特征，選取煙臺雷達(dá)在2019年3月21日晴空、2019年5月5日弱降水、2019年6月5日強(qiáng)降水、2019年4月9日大范圍降水、2019年7月10日弱對流以及2019年6月4日強(qiáng)對流等6種典型天氣條件下若干個連續(xù)體掃的基數(shù)據(jù)，提取和計算獲得降水、固定地物和風(fēng)輪機(jī)這三類目標(biāo)回波的特征量。在各種天氣條件下所選取的降水回波避開已知風(fēng)電場和固定地物，確保所選的降水回波不含風(fēng)輪機(jī)雜波和固定地物雜波。但是，在有降水時，一些風(fēng)輪機(jī)雜波距離庫和固定地物雜波距離庫會混雜有降水回波。而因為風(fēng)電場布設(shè)在較高處，導(dǎo)致風(fēng)輪機(jī)雜波中可能混雜有固定地物雜波。所選擇的3處高山確定沒有布設(shè)風(fēng)電場，所以，統(tǒng)計的固定地物雜波必然不包含風(fēng)輪機(jī)雜波。表1為風(fēng)輪機(jī)雜波、固定地物雜波和降水回波三種類型目標(biāo)回波對應(yīng)的5種特征量所積累的距離庫數(shù)，同一目標(biāo)類型的距離庫，其特征量的距離庫數(shù)對不同天氣條件進(jìn)行累積。

不同目標(biāo)性質(zhì)的特征量，其取值范圍不同，但可能發(fā)生取值區(qū)間重疊。這里，用落在各取值區(qū)間的距離庫頻數(shù)分布來表征各特征量的統(tǒng)計特征。另外，定義一個特征量取值的“二八區(qū)間”概念，即特征量值落入二八區(qū)間內(nèi)的距離庫數(shù)目比例為80%，而落在二八區(qū)間外左右兩邊的距離庫數(shù)目比例各為10%。

2.1 反射率因子隆起度統(tǒng)計特征

圖1所示為統(tǒng)計的風(fēng)輪機(jī)雜波、固定地物雜波和降水回波的反射率因子隆起度（UdBT）在各取值區(qū)間的距離庫頻數(shù)分布圖。3種目標(biāo)類型UdBT取值的二八區(qū)間分別為[12.8，42.8] dBZ、[30.8，49.7] dBZ和[8.1，19.6] dBZ?？梢?，降水回波的UdBT較其他兩種目標(biāo)物的值明顯較小，風(fēng)輪機(jī)雜波的UdBT較固定地物雜波的UdBT略小，這是因為風(fēng)輪機(jī)雜波和固定地物雜波都是不均勻的強(qiáng)回波，而氣象降水回波較均勻；但對風(fēng)輪機(jī)的探測，雷達(dá)波束的充塞度一般較固定地物小。從數(shù)值上看，當(dāng)UdBT＞20.0 dBZ時，風(fēng)輪機(jī)雜波的分布比例為77.06%，固定地物雜波的分布比例為99.65%，氣象降水回波的分布比例為9.36%。進(jìn)一步提高UdBT，當(dāng)UdBT＞35.0 dBZ時，則風(fēng)輪機(jī)雜波的分布比例為27.49%，固定地物雜波的分布比例為75.94%，氣象降水回波的分布比例為0.15%。因此，使用UdBT可從氣象回波中把風(fēng)輪機(jī)雜波和固定地物雜波檢測出來，但風(fēng)輪機(jī)雜波和固定地物雜波的UdBT特征較接近，特征值區(qū)間重疊，二者不易分辨。結(jié)合二八區(qū)間，風(fēng)輪機(jī)雜波的UdBT取值區(qū)間選為[20.0，42.8） dBZ。

2.2 速度奇異率統(tǒng)計特征

圖2所示為統(tǒng)計的風(fēng)輪機(jī)雜波、固定地物雜波和氣象降水回波的速度奇異率（SV）在各取值區(qū)間的距離庫頻數(shù)分布圖。3種目標(biāo)類型SV取值的二八區(qū)間分別為[0.15，2.59] m·s-1、[0.22，2.42] m·s-1和[0.10，0.68] m·s-1?？梢?，降水回波的SV比其他的小，主要集中在0 m·s-1附近，因此，使用SV可以從降水中將風(fēng)輪機(jī)雜波和固定地物雜波檢測出來。而雖然風(fēng)輪機(jī)雜波和固定地物雜波的SV頻數(shù)分布規(guī)律相似，但考慮SV＞5.00 m·s-1的情況，則風(fēng)輪機(jī)雜波的分布比例為2.50%，固定地物雜波的分布比例為0.13%，氣象降水回波的分布比例為0.18%?？紤]到風(fēng)輪機(jī)雜波中可能含有固定地物雜波和氣象降水回波，因此，SV＞5.00 m·s-1可作為風(fēng)輪機(jī)雜波的特征，取值區(qū)間選為[2.59，5.00） m·s-1。

2.3 水平通道信噪比隆起度統(tǒng)計特征

圖3所示為統(tǒng)計的風(fēng)輪機(jī)雜波、固定地物雜波和降水回波的水平通道信噪比隆起度（USNRH）在各取值區(qū)間的距離庫頻數(shù)分布圖。3種目標(biāo)類型USNRH取值的二八區(qū)間分別為[7.3，29.4] dB、[12.5，27.3] dB和[9.2，24.9] dB。可以看出，三者分布特征較接近。仍然考慮到風(fēng)輪機(jī)雜波中可能含有固定地物雜波和氣象降水回波的情況，當(dāng)USNRH＞30.0 dB時，風(fēng)輪機(jī)雜波的分布比例為9.3%，固定地物雜波的分布比例為5.8%，氣象降水回波的分布比例為3.0%。進(jìn)一步提高USNRH，當(dāng)USNRH＞40.0 dB時，則風(fēng)輪機(jī)雜波的分布比例為2.1%，固定地物雜波的分布比例為0.6%，氣象降水回波的分布比例為0.2%。因此，USNRH＞40.0 dB可作為風(fēng)輪機(jī)雜波的特征，其取值區(qū)間選為[29.4，40.0） dB。

2.4 譜寬統(tǒng)計特征

圖4所示為統(tǒng)計的風(fēng)輪機(jī)雜波、固定地物雜波和降水回波的譜寬（W）在各取值區(qū)間的距離庫頻數(shù)分布圖。3種目標(biāo)類型W取值的二八區(qū)間分別為[0，5.0] m·s-1、[1.0，4.5] m·s-1和[0.5，4.5] m·s-1，區(qū)別不大。但是，W是單距離庫特征量，如前所述，風(fēng)輪機(jī)雜波的譜寬可能趨向于0 m·s-1，也可能很大。當(dāng)W＜0.5 m·s-1時，則風(fēng)輪機(jī)雜波的分布比例為26.33%，固定地物雜波的分布比例為5.30%，氣象降水回波的分布比例為7.18%；當(dāng)W＞7.0 m·s-1時，則風(fēng)輪機(jī)雜波的分布比例為2.51%，固定地物雜波的分布比例為0.16%，氣象降水回波的分布比例為0.52%。因此，W趨于0 m·s-1或大于7.0 m·s-1可作為風(fēng)輪機(jī)雜波的特征，取值區(qū)間為[0，0.5]∪[7.0，+∞） m·s-1。

2.5 信號質(zhì)量指數(shù)統(tǒng)計特征

圖5所示為統(tǒng)計的風(fēng)輪機(jī)雜波、固定地物雜波和降水回波的信號質(zhì)量指數(shù)（ISQ）在各取值區(qū)間的距離庫頻數(shù)分布圖。3種目標(biāo)類型ISQ取值的二八區(qū)間分別為[0.28，1.00]、[0.28，0.89]和[0.33，0.95]。由圖可見，風(fēng)輪機(jī)雜波的ISQ主要集中于1附近。當(dāng)ISQ＞0.98時，則風(fēng)輪機(jī)雜波的分布比例為25.0%，固定地物雜波的分布比例為4.8%，氣象降水回波的分布比例為5.4%。因此，ISQ＞0.98可作為風(fēng)輪機(jī)雜波的特征，對應(yīng)的取值區(qū)間為[0.98，1.00）。

3基數(shù)據(jù)風(fēng)輪機(jī)雜波識別

利用雷達(dá)基數(shù)據(jù)風(fēng)輪機(jī)雜波的統(tǒng)計特征，使用模糊邏輯算法對基數(shù)據(jù)的風(fēng)輪機(jī)雜波進(jìn)行識別。

3.1 風(fēng)輪機(jī)雜波隸屬度函數(shù)

隸屬度主要體現(xiàn)風(fēng)輪機(jī)雜波的屬性特征，以特征量的取值判斷目標(biāo)距離庫回波為風(fēng)輪機(jī)雜波的可能性大小，隸屬度0表示肯定不屬于，隸屬度1表示肯定屬于，隸屬度的取值區(qū)間為[0，1]，即為隸屬度函數(shù)的值域區(qū)間。圖6為依據(jù)各特征量的統(tǒng)計特征設(shè)計的基數(shù)據(jù)風(fēng)輪機(jī)雜波5個特征量的隸屬度函數(shù)，隸屬度函數(shù)自變量區(qū)間直接由各特征量的統(tǒng)計特征決定。

3.2 風(fēng)輪機(jī)雜波識別的模糊邏輯實現(xiàn)

輸入雷達(dá)基數(shù)據(jù)，提取dBT、V、SNRH、W和SQI等5類數(shù)據(jù)，分別生成UdBT、SV、USNRH、W和ISQ等5種特征量，作為各自隸屬度函數(shù)的自變量輸入。目標(biāo)距離庫各個特征量經(jīng)過隸屬度函數(shù)的計算，分別輸出5個隸屬度值。給這5個隸屬度值分配合適的權(quán)重，經(jīng)過隸屬度加權(quán)計算后輸出的數(shù)值即為風(fēng)輪機(jī)雜波的識別指數(shù)。結(jié)合已知風(fēng)電場的位置，選擇合適的識別指數(shù)值作為風(fēng)輪機(jī)雜波的判斷指標(biāo)，實現(xiàn)輸出結(jié)果的解模糊。

在模糊邏輯計算中，權(quán)重的分配影響重大，合適的權(quán)重有利于特征的顯現(xiàn)。這里從風(fēng)輪機(jī)雜波特征量與其他目標(biāo)的特征量的差異程度來考慮權(quán)重分配，表2列出由特征量統(tǒng)計特征決定的隸屬度函數(shù)區(qū)間分布。選擇隸屬度函數(shù)區(qū)間的原則是能把風(fēng)輪機(jī)雜波與其他類型目標(biāo)回波區(qū)分開來。

綜合考慮風(fēng)輪機(jī)雜波各特征量落入所選的隸屬度函數(shù)區(qū)間內(nèi)的距離庫的絕對比例，以及與其他類型目標(biāo)同一特征量落入對應(yīng)隸屬度函數(shù)區(qū)間內(nèi)的距離庫的相對比例，以此決定風(fēng)輪機(jī)雜波的各特征量的權(quán)重分配。由表2可見，風(fēng)輪機(jī)雜波W和ISQ的特征與其他目標(biāo)對比最突出，因為絕對比例較高且相對比例較大；SV和USNRH次之，其相對比例較大但絕對比例較??；UdBT最差，其絕對比例和相對比例與固定地物雜波接近。因此，給W和ISQ分配最多的權(quán)重，均為25%；給SV和USNRH分別分配20%的權(quán)重，最后給UdBT分配10%。

另外，增加了一些距離庫的限制措施，以便減少計算量。一是反射率因子值小于-5 dBZ的距離庫，不參與隸屬度判斷。二是在加權(quán)時，同一距離庫的5種特征量，隸屬度為0的特征量數(shù)多于1個時，加權(quán)結(jié)果乘以一個衰減因子，即要求風(fēng)輪機(jī)雜波的各項特征表現(xiàn)均衡。

3.3 識別結(jié)果

為了檢驗對不同天氣條件下采集的基數(shù)據(jù)風(fēng)輪機(jī)雜波識別算法的有效性，分別選取2020年2月14日晴間小陣雨、2019年10月10日弱降水、2019年7月31日強(qiáng)對流和2019年8月11日大范圍降水等4種不同天氣條件下煙臺雷達(dá)采集的基數(shù)據(jù)。

圖7—10顯示了所選取的4種不同天氣條件下采集的基數(shù)據(jù)，對其風(fēng)輪機(jī)雜波的識別結(jié)果。圖7a、8a、9a、10a均為未進(jìn)行地物雜波濾除的反射率因子圖，圖7b、8b、9b、10b均為風(fēng)輪機(jī)雜波識別指數(shù)圖，指數(shù)取值范圍[0，1]，指數(shù)越大，風(fēng)輪機(jī)雜波的可能性越大。

為了定量化描述風(fēng)輪機(jī)雜波識別的準(zhǔn)確性，取風(fēng)輪機(jī)雜波識別指數(shù)不小于0.5作為標(biāo)準(zhǔn)，在識別指數(shù)符合標(biāo)準(zhǔn)的所有距離庫中，定義落入風(fēng)電場區(qū)域的比例為風(fēng)輪機(jī)雜波識別命中率，落入3處高山區(qū)域和選取的降水區(qū)域的比例分別為固定地物誤識別率和降水誤識別率。選取的降水區(qū)域分別包含了速度模糊邊界、風(fēng)切變邊界等徑向速度突變邊界，并且區(qū)域面積均大于風(fēng)電場區(qū)域總面積，如圖11所示。

黃色框—各風(fēng)電場區(qū)域邊界；紅色框—3處高山區(qū)域邊界；天藍(lán)色框—選取的降水區(qū)域邊界。

由圖7—10和表3可見，4種天氣條件下，風(fēng)電場區(qū)域的風(fēng)輪機(jī)雜波識別指數(shù)均高于其他區(qū)域，被識別為風(fēng)輪機(jī)雜波的距離庫有50%左右落入了事先確認(rèn)過的風(fēng)電場區(qū)域。降水回波區(qū)域?qū)?yīng)的風(fēng)輪機(jī)雜波識別指數(shù)很低，包括強(qiáng)對流降水回波，選取的包含徑向速度突變邊界區(qū)域的降水誤識別率低于2%。3處標(biāo)注的高山強(qiáng)回波，其風(fēng)輪機(jī)雜波識別指數(shù)也很低，高山區(qū)域固定地物誤識別率也低于2%。因此，設(shè)置合適的風(fēng)輪機(jī)雜波識別指數(shù)閾值，可以把識別指數(shù)超過閾值的距離庫回波識別為風(fēng)輪機(jī)雜波，從而實現(xiàn)解模糊輸出識別結(jié)果。對于風(fēng)電場區(qū)域外存在較多風(fēng)輪機(jī)雜波識別指數(shù)超過標(biāo)準(zhǔn)的情況，主要原因是雷達(dá)附近新建設(shè)了未被標(biāo)注的風(fēng)電場，另外，高山上樹木隨風(fēng)擺動產(chǎn)生了類似風(fēng)輪機(jī)的雜波。而風(fēng)電場區(qū)域內(nèi)，有的距離庫雖然反射率因子很大，但未被識別為風(fēng)輪機(jī)雜波，原因是風(fēng)電場區(qū)域內(nèi)多為高山，而風(fēng)輪機(jī)不可能布滿所有區(qū)域，并且遇到環(huán)境風(fēng)速超過風(fēng)輪機(jī)工作的額定風(fēng)速時，風(fēng)輪機(jī)會停止工作，這時，反射率因子很大的距離庫均為固定地物雜波，這從另一個側(cè)面也證明了算法的固定地物誤識別率很低。

風(fēng)輪機(jī)雜波識別算法構(gòu)建特征量、雜波識別是在單個雷達(dá)基數(shù)據(jù)文件的基礎(chǔ)上進(jìn)行的，與文獻(xiàn)[11]的風(fēng)電場雜波檢測與識別方法相比，特征量更少，構(gòu)建復(fù)雜度更低，有更高的時間效率。

4 基數(shù)據(jù)風(fēng)輪機(jī)雜波剔除

相對于風(fēng)輪機(jī)雜波，氣象降水回波是一定范圍內(nèi)回波強(qiáng)度比較均勻的回波，而晴空回波也比風(fēng)輪機(jī)雜波平滑。在生成基數(shù)據(jù)前，天氣雷達(dá)一般已對固定地物雜波進(jìn)行濾波，很少有固定地物雜波再保存在基數(shù)據(jù)中[33-34]。因此，剔除夾雜在氣象降水回波或晴空回波基數(shù)據(jù)中的風(fēng)輪機(jī)雜波，可以使用平均值插值的方法來處理。以風(fēng)輪機(jī)雜波距離庫為中心，取其周圍一定數(shù)量的非風(fēng)輪機(jī)雜波距離庫回波數(shù)據(jù)，去掉突變量再取平均值，用這個平均值替換風(fēng)輪機(jī)雜波距離庫的回波數(shù)據(jù)值，以此達(dá)到風(fēng)輪機(jī)雜波剔除的目的。

選擇煙臺雷達(dá)在弱降水、強(qiáng)對流降水、大范圍降水和晴空4種不同天氣條件下采集并經(jīng)過固定地物雜波濾除后的基數(shù)據(jù)，在雷達(dá)全覆蓋范圍內(nèi)計算出各距離庫的風(fēng)電雜波識別指數(shù)，然后進(jìn)行以下步驟的操作：

（1）在風(fēng)電場區(qū)域內(nèi)，設(shè)定一個風(fēng)輪機(jī)雜波識別指數(shù)判斷閾值Th。

（2）風(fēng)電場區(qū)域內(nèi)各距離庫的風(fēng)輪機(jī)雜波識別指數(shù)分別與Th進(jìn)行比對，大于或等于Th的距離庫的回波被判斷為風(fēng)輪機(jī)雜波。該距離庫的反射率因子數(shù)據(jù)記為，A代表方位，R代表距離，而小于Th的距離庫回波被判斷為非風(fēng)輪機(jī)雜波。

（3）用表示以對應(yīng)的目標(biāo)距離庫為中心，周圍3個方位×17個距離庫共51個距離庫的反射率因子中，風(fēng)輪機(jī)雜波識別指數(shù)小于Th的距離庫的反射率因子，并取出這些反射率因子數(shù)據(jù)。

（4）取中對應(yīng)風(fēng)輪機(jī)雜波識別指數(shù)小于Th的距離庫的反射率因子的平均值，然后用這個平均值給重新賦值，即為反射率因子的區(qū)域平均值插值，以此達(dá)到剔除風(fēng)輪機(jī)雜波的目的。圖12—15給出了4種天氣條件的反射率因子剔除風(fēng)輪機(jī)雜波前后的對比圖。

圖12a、13a、14a、15 a為雷達(dá)業(yè)務(wù)運行中保存的不同強(qiáng)度和范圍的氣象降水回波反射率因子圖，它們均預(yù)先經(jīng)過了固定地物雜波濾除，其中紅色框內(nèi)為風(fēng)電場區(qū)域，其回波強(qiáng)度較大的距離庫存在風(fēng)輪機(jī)雜波污染。圖12b、13b、14b、15b為使用區(qū)域平均值插值方法剔除風(fēng)輪機(jī)雜波后的反射率因子?？梢?，風(fēng)電場區(qū)域內(nèi)的風(fēng)輪機(jī)雜波被較有效地剔除，并且氣象降水回波基本未受影響。氣象降水反射率因子的風(fēng)輪機(jī)雜波剔除效果較好。圖15a為晴空回波經(jīng)過固定地物雜波濾除后的反射率因子，風(fēng)電場區(qū)域內(nèi)回波強(qiáng)度較大的距離庫存在風(fēng)輪機(jī)雜波污染。圖15b為使用區(qū)域平均值插值方法剔除風(fēng)輪機(jī)雜波后的反射率因子。可見，風(fēng)電場區(qū)域內(nèi)的風(fēng)輪機(jī)雜波強(qiáng)度被削弱，但其剔除效果沒有氣象降水的好。根據(jù)調(diào)查，有氣象降水時，風(fēng)電場將關(guān)閉部分風(fēng)輪機(jī)，而天氣晴好時可用的風(fēng)輪機(jī)將全部開啟。因此，有氣象降水時的風(fēng)輪機(jī)雜波面積一般比晴空時的小，導(dǎo)致用區(qū)域平均值插值剔除風(fēng)輪機(jī)雜波時，晴空時的效果不如有氣象降水時的效果。

5 結(jié)論與討論

（1）以CINRAD/SA型多普勒天氣雷達(dá)基數(shù)據(jù)風(fēng)輪機(jī)雜波的統(tǒng)計特征為基礎(chǔ)，利用模糊邏輯算法對基數(shù)據(jù)風(fēng)輪機(jī)雜波進(jìn)行識別，并在風(fēng)電場區(qū)域使用區(qū)域平均插值法實現(xiàn)基數(shù)據(jù)風(fēng)輪機(jī)雜波的剔除。剔除效果顯示，有氣象降水時的風(fēng)輪機(jī)雜波面積較小，雜波剔除效果較好，晴空時處理效果不如有氣象降水時。該雜波剔除算法只需要單個基數(shù)據(jù)的輸入，數(shù)據(jù)處理算法較簡單，雜波識別和剔除時間效率更高。

（2）關(guān)于反射率因子的使用，在風(fēng)輪機(jī)雜波特征量統(tǒng)計和雜波識別過程中，使用的是濾波前反射率因子（dBT）數(shù)據(jù)，但是在雜波剔除應(yīng)用時，是在濾波后反射率因子（dBZ）上進(jìn)行的，主要原因是風(fēng)輪機(jī)雜波的濾波后反射率因子隆起度（UdBT）與其他兩種目標(biāo)物UdBZ的區(qū)別比之UdBT更不明顯?？紤]到風(fēng)輪機(jī)雜波具有位置固定的特征，而基數(shù)據(jù)的后端應(yīng)用使用的是濾波后反射率因子，因此使用UdBT進(jìn)行風(fēng)輪機(jī)雜波識別，然后在濾波后反射率因子上進(jìn)行雜波剔除。

（3）由于風(fēng)電場區(qū)域外存在較多風(fēng)輪機(jī)雜波識別指數(shù)超過了設(shè)定的標(biāo)準(zhǔn)，雖然其中可能存在部分未被確認(rèn)的新建風(fēng)電場，但是，為了盡量減少風(fēng)輪機(jī)雜波剔除處理可能對氣象降水回波產(chǎn)生不利影響，只在風(fēng)電場區(qū)域進(jìn)行風(fēng)輪機(jī)雜波剔除。

目前，新一代天氣雷達(dá)正在進(jìn)行大規(guī)模的雙偏振升級[35]，風(fēng)輪機(jī)雜波的雙偏振參量特征是值得研究的方向。后續(xù)需要開發(fā)能適用于所有數(shù)據(jù)類型的基數(shù)據(jù)風(fēng)輪機(jī)雜波剔除機(jī)制，為多普勒天氣雷達(dá)數(shù)據(jù)質(zhì)量的持續(xù)提高提供支撐。

參考文獻(xiàn)：

[1] Global Wind Energy Council. Global wind report 2022 [R/OL]. [2022-10-11].https：//gwec.net/global-wind-report-2022/.

[2] ISOM B M，PALMER R D， SECREST G S， et al. Detailed observations of wind turbine clutter with scanning weather radars[J].J Atmos Oceanic Technol，2009，26（5）：894-910.

[3] NORIN L. A quantitative analysis of the impact of wind turbines on operational Doppler weather radar data[J]. Atmos Meas Tech，2015，8（2）：593-609.

[4] KARABAYIR O， COSKUN A F， YUCEDAG O M， et al. Investigation of wind farm effects on radar multiple target tracking[J].J Electromagnet Wave，2016， 30（2）：232-250.

[5] 何煒琨，吳仁彪，王曉亮，等.風(fēng)電場對雷達(dá)設(shè)備的影響評估與干擾抑制技術(shù)研究現(xiàn)狀與展望[J].電子與信息學(xué)報，2017，39（7）：1748-1758.

[6] HOOD K，TORRES S，PALMER R.Automatic detection of wind turbine clutter for weather radars[J]. J Atmos Oceanic Technol，2010，27（11）：1868-1880.

[7] NAI F， TORRES S， PALMER R. On the mitigation of wind turbine clutter for weather radars using range-Doppler spectral processing[J]. IET Radar Sonar Navig，2013，7（2）：178–190.

[8] UYSAL F， SELESNICK I，ISOM B M. Mitigation of Wind Turbine Clutter for Weather Radar by Signal Separation[J].IEEE Trans Geosci Remote Sens，2016，54（5）：2925-2934.

[9] BEAUCHAMP R M，CHANDRASEKAR V.Suppressing wind turbine signatures in weather radar observations[J].IEEE Trans Geosci Remote Sens，2017，55（5）：2546-2562.

[10] DUTTA A，CHANDRASEKAR V，RUZANSKI E. A signal sub-space based approach for mitigating wind turbine clutter in fast scanning weather radar[C]//2021 United States National Committee of URSI National Radio Science Meeting （USNC-URSI NRSM）. Boulder： Institute of Electrical and Electronics Engineers，2021：202-203.

[11] 何煒琨，郭雙雙，王曉亮，等.基于Level-II數(shù)據(jù)和模糊邏輯推理的氣象雷達(dá)風(fēng)電場雜波檢測與識別方法[J].電子與信息學(xué)報，2016，38（12）：3252-3260.

[12] 何煒琨，高麗，王曉亮，等.基于改進(jìn)MAP方法的氣象雷達(dá)風(fēng)電場雜波抑制[J].系統(tǒng)工程與電子技術(shù)，2018，40（5）：1018-1025.

[13] 何煒琨，高麗，王曉亮.基于一次回波數(shù)據(jù)的氣象雷達(dá)風(fēng)輪機(jī)雜波抑制[J].中國民航大學(xué)學(xué)報，2019，37（2）：17-22.

[14] 吳仁彪，丁紅，何煒琨，等.氣象雷達(dá)風(fēng)電場雜波抑制的匹配追蹤算法[J].信號處理，2018，34（12）：1405-1414.

[15] 孫召平，張持岸，張建云．一種基于高斯模型的自適應(yīng)地物雜波濾波算法[J].太赫茲科學(xué)與電子信息學(xué)報，2013，11（2）：250-259.

[16] 陳艷，李柏，何建新，等.在天氣雷達(dá)信號處理器中用IQ信號消減地物雜波[J].氣象科技，2015，43（4）：569-575．

[17] 馬中元，朱春巧，劉熙明，等.CINRAD雷達(dá)數(shù)據(jù)質(zhì)量控制方法初探[J].氣象，2010，36（8）：134-141．

[18] 李豐，劉黎平，王紅艷，等.S波段多普勒天氣雷達(dá)非降水氣象回波識別[J].應(yīng)用氣象學(xué)報，2012，23（2）：147-158.

[19] 張林，楊洪平.S波段WSR-88D雙偏振雷達(dá)觀測非降水回波識別方法研究[J].氣象，2018，44（5）：665-675．

[20] 杜言霞，于子敏，溫繼昌，等.基于神經(jīng)網(wǎng)絡(luò)技術(shù)的天氣雷達(dá)超折射回波識別[J].氣象科技，2018，46（4）：644-650.

[21] 周雪松，孟金，姚蔚.一種基于快速傅里葉變換的多普勒天氣雷達(dá)弱雜波識別方法[J].海洋氣象學(xué)報，2019，39（4）：43-51.

[22] 蘇添記，葛俊祥，楊傳鳳.新一代天氣雷達(dá)電磁干擾特征識別和剔除[J].現(xiàn)代雷達(dá)，2020，42（10）：26-31.

[23] 姚文，張晶，余清波，等.遼河三角洲濕地鳥類活動的雙偏振天氣雷達(dá)回波特征[J].氣象，2022，48（9）：1162-1170.

[24] 龔佃利，朱君鑒，王俊，等.2020 年 6 月 1 日山東強(qiáng)雹暴過程雙偏振雷達(dá)觀測分析[J].海洋氣象學(xué)報，2021，41（3）：40-51.

[25] 刁秀廣.2020年5月17日和6月1日山東強(qiáng)冰雹風(fēng)暴雙極化特征分析[J]. 海洋氣象學(xué)報，2021，41（1）：68-81.

[26] 刁秀廣，張磊，孟憲貴，等.兩次強(qiáng)降水風(fēng)暴雙偏振參量特征分析[J]. 海洋氣象學(xué)報，2020，40（3）：27-36.

[27] 曹俊武，劉黎平，葛潤生.模糊邏輯法在雙線偏振雷達(dá)識別降水粒子相態(tài)中的研究[J].大氣科學(xué)，2005，29（5）：827-836.

[28] 張秉祥，李國翠，劉黎平，等.基于模糊邏輯的冰雹天氣雷達(dá)識別算法[J].應(yīng)用氣象學(xué)報，2014，25（4）：415-426.

[29] 文浩，張樂堅，梁海河，等.基于模糊邏輯的新一代天氣雷達(dá)徑向干擾回波識別算法[J].氣象學(xué)報，2020，78（1）：116-127.

[30] 李濱波，段向陽. 風(fēng)力發(fā)電機(jī)原理及風(fēng)力發(fā)電技術(shù)[J].湖北電力，2007，31（6）：54-55.

[31] 劉巨，姚偉，文勁宇，等.大規(guī)模風(fēng)電參與系統(tǒng)頻率調(diào)整的技術(shù)展望[J].電網(wǎng)技術(shù)，2014，38（3）：638-646.

[32] 湯雪松，殷明慧，李冬運，等. 變速與變槳協(xié)調(diào)的風(fēng)電機(jī)組平滑功率控制[J].電力系統(tǒng)自動化，2019，43（2）：112-120.

[33] 鄭麗娜，劉暢，宿秋蘭，等．2019年6月黃河口6次局地冰雹實例分析[J].海洋氣象學(xué)報，2020，40（1）：79-89.

[34] 梅嬋娟，張燦，許可，等．山東半島秋季一次脈沖風(fēng)暴下?lián)舯┝饔^測分析[J]．海洋氣象學(xué)報，2020，40（2）：131-139.

[35] 楊傳鳳，張騫，陳慶亮，等.濟(jì)南CINRAD/SA雷達(dá)雙偏振升級關(guān)鍵技術(shù)分析[J].海洋氣象學(xué)報，2019，39（4）：116-123.