何煒琨 郭雙雙 王曉亮 吳仁彪

?

基于Level-II數(shù)據(jù)和模糊邏輯推理的氣象雷達風電場雜波檢測與識別方法

何煒琨*郭雙雙 王曉亮 吳仁彪

(中國民航大學天津市智能信號與圖像處理重點實驗室 天津 300300)

風電場雜波具有強散射性和由于其葉片旋轉導致的頻譜展寬特性，其雷達回波很難用傳統(tǒng)的雜波濾波器濾除，進而導致氣象目標探測過程中的誤檢測與誤識別，這是影響新一代氣象雷達探測性能的一個重要因素。該文通過分析風電場雜波區(qū)別于氣象目標的回波特性，基于氣象雷達二次產(chǎn)品(Level-II)實測數(shù)據(jù)選取某些特征參量，通過構造特征量的概率分布直方圖和1維值域分布確定用于識別風電場雜波的各個特征量的隸屬度函數(shù)，并設置相應的邏輯規(guī)則，利用模糊邏輯推理系統(tǒng)(FIS)實現(xiàn)風電場雜波的自適應檢測與識別。通過采集幾組典型的Level-II數(shù)據(jù)對所提方法進行測試與驗證，均較為準確地識別出存在于氣象雷達視野內(nèi)的風電場雜波，實驗結果證明了該文算法的可靠性。

氣象雷達；風電場；雜波檢測；特征提取；模糊邏輯

1 引言

作為一種有效、清潔性的新能源，風能近年來日趨受到世界各國的高度重視。2015年11月我國制定的《十三五規(guī)劃綱要》就明確指出要“推動能源結構優(yōu)化升級”，“繼續(xù)推進風電發(fā)電發(fā)展”[1]。未來5年，無論是風電場的規(guī)模還是數(shù)量仍將呈現(xiàn)遞增的趨勢。研究表明，風電場會對航管雷達、氣象雷達等射頻設備產(chǎn)生干擾。此外，風輪機葉片的不停旋轉，致使其回波與靜止地雜波不同，因而，利用傳統(tǒng)地雜波濾波器無法將風電場雜波完全濾除[5]，需要研究風電場雜波檢測與識別方法，并設計專門的濾波器將其濾除，從而削弱風電場雜波對氣象雷達的影響，提高氣象觀測和氣象預報的準確性。

在風電場雜波檢測與識別方面，西班牙馬德里科技大學的Gallardo-Hernando等人[6]主要利用風輪機的典型特征(大的雷達散射截面積和大的多普勒頻移)，提出一種頻域的風輪機雜波檢測算法，通過設置譜寬閾值來確定風輪機雜波，但該算法中閾值的選取很難把控，進而將直接影響到風輪機雜波的檢測性能。美國Oklahoma大學的Hood等人[7]則針對雷達回波時域數(shù)據(jù)中風電場回波的特征，通過構造雜波相位對齊，頻譜平坦度，4次中心譜距和轉軸-氣象比4個特征量，并結合模糊邏輯方法來實現(xiàn)風電場雜波的檢測。但該算法僅針對某個雷達分辨單元內(nèi)單個風輪機進行仿真，對于實際在某個雷達分辨單元中的多個風輪機的檢測受限；同時，利用雷達回波數(shù)據(jù)評估該算法時，特征量計算的復雜度較大。Cheong等人[8]基于level-II數(shù)據(jù)利用反射率，多普勒速度和譜寬特征，結合FIS實現(xiàn)普通氣象條件下的風電場雜波的識別，但當出現(xiàn)類似風電場雜波的氣象目標(如雷雨、風暴、龍卷風漩渦和中氣旋等)和晴空模式下雷達回波出現(xiàn)多普勒速度模糊等特殊氣象條件下，該算法均不能實現(xiàn)風電場雜波的自適應檢測與識別。本文在Cheong等人[8]提出的風電場識別方法的基礎上，通過構造特征量的概率分布直方圖和1維值域分布確定用于識別風電場雜波的各個特征量的隸屬度函數(shù)，并設置相應的邏輯規(guī)則，實現(xiàn)風電場雜波的自適應檢測與識別，使得即使在特殊氣象條件下也能夠成功識別風電場雜波。

2 風電場回波的特征提取

風電場作為一種高大建筑物，其雷達回波具有較強的功率散射性和多普勒頻譜展寬的特性，即具有強反射率、葉片旋轉所導致的變化迅速的徑向速度以及較大的譜寬特性。同時利用風電場雜波具有位置不變性，而氣象目標具有空間移動性的特點，對雷達連續(xù)幾次掃描生成的Level-II數(shù)據(jù)進行處理，根據(jù)風電場雜波和氣象目標回波特征設置6個特征參量：(1)平均反射率、(2)平均徑向速度、(3)平均譜寬、(4)相干反射率、(5)差分徑向速度、(6)相干譜寬。以下將簡要介紹這6個特征參量。

(1)平均反射率：對連續(xù)掃描的雷達回波Level- II數(shù)據(jù)的反射率因子進行處理，即

(2)平均徑向速度：對連續(xù)掃描的雷達回波Level-II數(shù)據(jù)的徑向速度進行統(tǒng)計平均，即

(3)平均譜寬：對幾組譜寬因子基數(shù)據(jù)產(chǎn)品進行統(tǒng)計平均，其表達式為

(4)相干反射率：通常風電場固定目標的相干反射率要高于移動的氣象目標。但當出現(xiàn)氣象沉淀物目標時也會產(chǎn)生較高的相干值。該特征可表示為

(5)差分徑向速度：由于葉片的旋轉，在不同時刻風輪機的徑向速度變化很大，因而相比氣象目標，風電場雜波區(qū)域的差分徑向速度的值較高。其特征可表示為

(6)相干譜寬：與相干反射率類似，氣象目標則處于移動的狀態(tài)，而風輪機雜波在固定的位置保持較大的多普勒展寬，因此不同時刻風電場雜波的譜寬相關性較大。其特征表達式為

綜上所述，以上6個特征量中的任何一個均可用于實現(xiàn)風電場雜波的識別，但單獨一個特征將會產(chǎn)生較高的誤判率，因而需要根據(jù)實際數(shù)據(jù)適當選取上述6個特征來識別風電場雜波。

3 風電場雜波的FIS檢測方法

基于模糊推理系統(tǒng)(FIS)的風電場雜波檢測就是根據(jù)提取到的風電場回波特征，利用模糊邏輯理論[12,13]，判別風電場雜波是否存在。首先將用于檢測風電場雜波的幾個特征量的值域作為模糊邏輯推理系統(tǒng)輸入端的感興趣區(qū)間，應用隸屬度函數(shù)將其在歸一化區(qū)間上進行模糊化處理，然后利用模糊邏輯推理規(guī)則對模糊化的特征量進行聚模糊，最后通過設定決策閾值進行退模糊輸出，實現(xiàn)風電場雜波的準確檢測與識別。

3.1 數(shù)據(jù)獲取

本文首先分析來自美國紐約Buffalo地區(qū)的WSR-88D雷達(KBUF)7次不同時刻掃描得到的Level-II數(shù)據(jù)，并基于該數(shù)據(jù)實現(xiàn)風電場雜波檢測算法的測試。

來自美國紐約Buffalo的KBUF雷達于2010年5月1日，17:00~17:59(GMT)時間段內(nèi)某個時刻在降雨模式下捕獲的一塊區(qū)域內(nèi)雷達回波的基本產(chǎn)品因子(反射率、徑向速度和譜寬)的PPI顯示如圖1所示。該區(qū)域的地理坐標為西經(jīng)77°64~79°61，南緯41°98~43°68，下一代雷達KBUF東南方向40~50 km附近存在風電場，然而由于存在大量的氣象目標回波，很難直接確定出風電場雜波的存在，若不將其檢測與識別出來，對雷達探測氣象目標將會產(chǎn)生嚴重干擾。

3.2 特征量的統(tǒng)計特性

為實現(xiàn)風電場雜波不同特征量的模糊化處理，通過直方圖畫出各個特征參量的概率密度曲線[14]，可將特征量的分布規(guī)律直觀表示出來，為模糊隸屬度函數(shù)的選取提供一種先驗信息。對美國紐約Buffalo的KBUF雷達掃描得到的Level-II數(shù)據(jù)進行特征提取后得到6個特征參量的直方圖和1維值域分布如圖2所示。

由圖2可以看出，特征量的直方圖可用于分析各個特征量的概率密度分布，同時結合特征量的1維值域分布可詳細確定用于風電場雜波檢測的各個特征量的取值范圍，為風電場雜波檢測和識別模糊邏輯系統(tǒng)中隸屬度函數(shù)類型的選取和閾值的確定提供可靠的先驗信息。如圖2(a)所示，平均反射率特征量主要分布在0~40 dBz的范圍內(nèi)，因而平均反射率的隸屬度函數(shù)的上升沿的跨度應選取在其范圍內(nèi)，同時通過圖2(b)所示的特征量的1維值域分布情況同時觀察6個特征量均能表示風電場雜波特征(除平均徑向速度外其他特征量的值均較大，而平均徑向速度趨于0)的同一坐標范圍，可大概確定1維坐標中風電場存在的位置，進而由圖2(b)中各個特征量的值域分布，可確定模糊隸屬度函數(shù)的閾值，提高風電場雜波檢測方法中各個特征量提取的準確性。

3.3 模糊邏輯推理系統(tǒng)(FIS)

一個完整的風電場雜波檢測與識別模糊邏輯推理系統(tǒng)如圖3所示，主要由數(shù)據(jù)的輸入、特征量的構造、模糊邏輯推理和退模糊決策輸出4個部分組成。其中，模糊邏輯推理的輸入是用于風電場回波特征提取的6個特征量，通過特征量的統(tǒng)計特性確定合適的隸屬度函數(shù)使各個特征量在歸一化區(qū)間上進行模糊化處理，并運用模糊邏輯規(guī)則對模糊化的特征量進行聚模糊推理判斷，最后，通過設置決策閾值進行退模糊與檢測結果輸出。

圖1 來自下一代雷達KBUF采集的降雨模式下回波基本數(shù)據(jù)的PPI顯示

3.3.1 隸屬度函數(shù)的選取 建立合理的目標隸屬函數(shù)是提高目標識別正確率的關鍵性一步。依據(jù)圖2(a)特征量的直方圖可以選取合適的隸屬度函數(shù)，直方圖中各個特征量的概率密度分布可為隸屬度函數(shù)類型的選取提供參考，若風電場雜波區(qū)域的取值范圍較窄，則隸屬度函數(shù)的變化沿(上升沿或下降沿)的跨度也應設置得較窄。同時結合圖2(b)特征量的1維值域分布情況可為各個特征量的隸屬度函數(shù)選擇合理的閾值。實驗中檢測美國紐約Buffalo地區(qū)的WSR-88D雷達附近風電場雜波所選取的各個特征量的隸屬度函數(shù)如圖4所示。

圖2 6個特征量(平均反射率，相干反射率，平均徑向速度，差分徑向速度，平均譜寬和相干譜寬)的直方圖和1維值域分布

圖3 風電場雜波檢測與識別FIS示意圖

3.3.2 模糊邏輯規(guī)則的判斷 用于提取風電場雜波特征的6個特征量的輸入經(jīng)隸屬度函數(shù)模糊化處理后，可通過設定合理的模糊邏輯規(guī)則進行聚模糊。由于6個特征量在提取風電場回波特征上起到相同的識別作用，即單獨每個特征量均是為了識別風電場雜波而構造，但可能由于特殊氣象條件的存在而致使某個或某些特征量對雜波目標的識別出現(xiàn)虛假警報，為了避免這種情況的發(fā)生，提高雜波目標檢測與識別的準確率，將6個特征量在聚模糊過程中運用相與的邏輯規(guī)則進行推理判斷。這里，使用不同特征量相與的邏輯規(guī)則，當6個特征參量同時檢測到某一區(qū)域存在風電場雜波時，將該區(qū)域作為目標檢測的聚模糊輸出，這樣可以避免由于特殊氣象目標，如雷暴、中氣旋和龍卷風等具有類似風電場雜波特征的目標的誤檢測的發(fā)生。

4 風電場雜波的識別結果

將來自美國紐約Buffalo的KBUF雷達于2010年5月1日，17:00~17:59(GMT)時間段內(nèi)7次掃描捕獲的某塊區(qū)域的雷達回波Level-II數(shù)據(jù)為數(shù)據(jù)源驗證風電場雜波FIS檢測與識別方法。將雷達回波的基本產(chǎn)品因子(反射率、徑向速度和譜寬)通過構造特征量提取風電場回波的特征，特征提取結果如圖5所示。

圖5(a)，圖5(d)和圖5(g)分別表示KBUF雷達捕獲的原始基本產(chǎn)品因子：反射率、徑向速度和譜寬的PPI顯示；圖5(b)，圖5(e)和圖5(h)分別表示對原始基本產(chǎn)品因子進行特征量的構造后提取的不同掃描時刻的平均反射率、平均徑向速度和平均譜寬參量的 PPI顯示；圖5(c)，圖5(f)和圖5(i)分別表示不同掃描時刻的相干反射率、差分徑向速度和相干譜寬參量的PPI顯示。

將上述提取到的6個特征量輸入到用于風電場雜波檢測與識別的FIS中，進行模糊化和聚模糊處理，然后再將輸出結果通過決策閾值退模糊輸出，進而完成風電場雜波的檢測與識別，如圖6所示，可以看出在位于KBUF雷達東南方向40~50 km附近的風電場被完整檢測與識別出來，與實際情況吻合。

圖4 特征量的隸屬度函數(shù)

圖5 KBUF雷達附近風電場回波特征提取結果

圖6 KBUF雷達附近風電場雜波的識別結果

5 特殊氣象條件下風電場雜波的識別

本文基于FIS的風電場雜波檢測與識別方法對特殊氣象條件下風電場雜波的檢測與識別同樣具有很好的適用性。本文主要考慮兩種特殊的氣象條件，一種是當出現(xiàn)如雷雨、風暴、龍卷風漩渦和中氣旋等具有類似風電場雜波特征的特殊氣象目標時的氣象條件[15]；另一種是雷達處于晴空掃描模式下，雷達發(fā)射波的脈沖重復頻率(PRF)較低所導致的雷達回波出現(xiàn)多普勒速度模糊情況[16]。以上兩種氣象條件均可導致用于風電場回波特征提取的某些特征量對雜波出現(xiàn)誤檢測與誤識別，然而，由于本文風電場雜波檢測與識別的FIS在對各個特征量進行聚模糊時能夠克服單個特征量對雜波的誤檢測與誤識別，因此本文提出的風電場雜波的模糊邏輯檢測方法能夠很好地實現(xiàn)特殊氣象條件下風電場雜波的檢測與識別。

5.1 類似風電場回波特征的氣象目標出現(xiàn)時風電場雜波的識別

以美國紐約Buffalo的KBUF雷達于2009年6月25日，23:00-23:59(GMT)時間段內(nèi)7次掃描捕獲的Level-II數(shù)據(jù)為數(shù)據(jù)源進行特殊氣象條件下風電場雜波的模糊邏輯檢測方法的驗證。該組數(shù)據(jù)采集的時間段內(nèi)出現(xiàn)一次強烈暴風雨穿過雷達視野范圍內(nèi)，這種強烈暴風雨回波具有類似風電場回波的一些特征。強烈暴風雨氣象目標存在時6個特征量對KBUF雷達視野內(nèi)風電場雜波特征提取的結果如圖7所示。

由圖7可以看出，由于一陣強度較大的暴風雨穿過KBUF雷達視野范圍內(nèi)，造成圖7(b)，圖7(c)，圖7(e)和圖7(f)分別表示的平均反射率、相干反射率、平均徑向速度和差分徑向速度4個特征量對風電場雜波均產(chǎn)生較嚴重的誤檢測與誤識別。圖7(h)和圖7(i)分別表示的平均譜寬和相干譜寬兩個特征量對風電場回波的特征提取未受到暴風雨的影響，較為準確地實現(xiàn)風電場雜波的檢測與識別。

盡管在風電場雜波的檢測與識別過程中，某些特征量會對風電場雜波產(chǎn)生誤檢測和誤識別，但本文的模糊邏輯檢測方法中運用6個特征量相與的模糊邏輯規(guī)則，使得當6個特征量中至少存在1個特征量對風電場雜波能夠實現(xiàn)正確檢測時，風電場雜波檢測與識別FIS的輸出將會實現(xiàn)風電場雜波的準確檢測與識別。

圖8(a)為文獻[8]所提方法對KBUF雷達附近風電場的識別結果，可以看出，由于一陣強烈的暴風雨穿過KBUF雷達視野范圍，利用初步的FIS對風電場的識別產(chǎn)生大量誤判。面對這種情況，文獻[8]采取事前獲取當前氣象條件下是否有類似風電場雜波的特殊的氣象目標存在的先驗信息，然后再通過提高不受這種特殊氣象目標影響的特征量(這里指平均譜寬和相干譜寬)在聚模糊過程中的權重，才可以成功識別出風輪機雜波，結果如圖8(b)所示。而本文提出的風電場雜波檢測與識別FIS在未知是否有干擾風電場雜波識別的氣象目標存在時，通過利用相應特征量的統(tǒng)計特性等先驗信息，確定FIS系統(tǒng)中的隸屬度函數(shù)類型及閾值，并為各個特征量選取相與的邏輯判別準則，對強烈暴風雨氣象目標存在情況下風電場雜波的識別結果如圖8(c)所示，結果表明KBUF雷達附近風電場同樣被準確完整地識別出。因而，本文方法在特殊氣象目標存在條件下具有一定的自適應性和較好的魯棒性。

圖7 強烈暴風雨氣象目標存在情況下KBUF雷達附近風電場回波特征提取結果

圖8 強烈暴風雨氣象目標存在情況下KBUF雷達附近風電場雜波的識別結果

5.2 雷達回波出現(xiàn)多普勒速度模糊時風電場雜波的識別

由于來自美國紐約Buffalo 的KBUF雷達于2010年5月1日，20:00-21:20(GMT)時間段內(nèi)處于晴空掃描模式(VCP31)下，雷達發(fā)射波的PRF較低，即雷達發(fā)射波的相干脈沖個數(shù)較少，從而使得雷達視野內(nèi)回波信號產(chǎn)生速度模糊。同樣以雷達7次連續(xù)掃描捕獲的Level-II數(shù)據(jù)為數(shù)據(jù)源進行試驗，驗證在特殊氣象條件下風電場雜波的識別效果。雷達回波出現(xiàn)速度模糊情況下各個特征量對風電場回波特征提取的結果如圖9所示。

由圖9可以看出，由于雷達工作在VCP31模式下，其回波信號中出現(xiàn)大量的速度模糊，導致徑向速度因子和譜寬因子出現(xiàn)嚴重損壞，如圖9(e)，圖9(f)，圖9(h)和和圖9(i)分別表示的平均徑向速度、差分徑向速度、平均譜寬和相干譜寬4個特征量中對風電場回波的特征提取出現(xiàn)很大誤差。而圖9(b)和圖9(c)分別表示的平均反射率和相干反射率因子則較為準確地實現(xiàn)了風電場回波的特征提取。

在基于Level-II數(shù)據(jù)進行風電場雜波識別時，由于較低的PRF所導致6個特征量中的4個特征量出現(xiàn)不實，利用傳統(tǒng)的FIS對風電場雜波進行識別時同樣會產(chǎn)生大量誤檢測，識別結果如圖10(a)所示。應用本文風電場雜波檢測與識別方法得到的結果如圖10(b)所示，可以看出，本文改進的FIS系統(tǒng)可以較為準確地識別出風電場雜波。

6 結論

本文首先通過分析風電場雜波的回波特性，利用模糊邏輯理論，通過選取合適的隸屬度函數(shù)以及選擇合理的模糊邏輯規(guī)則來對提取到的特征量進行模糊化和聚模糊處理，并通過退模糊輸出來實現(xiàn)風電場雜波的聯(lián)合識別。本文結合幾組雷達回波的Level-II實測數(shù)據(jù)對KBUF雷達附近風電場雜波進行檢測與識別，實驗結果表明本文提出的風電場雜波模糊邏輯檢測方法無論在普通氣象條件下還是在特殊氣象條件下均具有較好的適用性，較為準確完整地實現(xiàn)了風電場雜波的檢測與識別。

圖9 雷達回波存在多普勒模糊情況下KBUF雷達附近風電場回波特征提取結果

圖10 雷達回波出現(xiàn)多普勒模糊時KBUF雷達附近風電場雜波的識別結果

參考文獻

[1] 人民網(wǎng)-能源頻道. 十三五規(guī)劃綱要全文發(fā)布: 提出建設現(xiàn)代能源體系[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, 謝承華. 基于模糊邏輯技術在時域自動識別雷達雜波[C]. 全國信號處理與應用學術會議, 南寧, 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] 陳艷, 李柏, 何建新, 等. 在天氣雷達信號處理器中用IQ信號消減地物雜波[J]. 氣象科技, 2015, 43(4): 569-575.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] 陳國斌, 彭黎麗, 唐佳. UWB雷達抗多普勒模糊技術研究[J]. 現(xiàn)代電子技術, 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.

何煒琨： 女，1977年生，副教授，博士，主要研究方向為雷達信號處理、風電場雜波抑制.

郭雙雙： 女，1990年生，碩士，主要研究方向為風電場雜波信號特征提取與檢測.

王曉亮： 男，1982年生，講師，博士，主要研究方向為雷達信號處理、圖像處理與識別.

吳仁彪： 男，1966年生，教授，博士，主要研究方向為自適應信號處理和陣列信號處理在雷達、通信和導航中的應用.

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

何煒琨 hwkcauc@126.com

國家自然科學基金委員會與中國民航局聯(lián)合資助項目(U1533110, 61571422)，中國民用航空局空中交通管理局科技計劃項目，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)