基于改進MAP方法的氣象雷達風電場雜波抑制

何煒琨, 高 麗, 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)

0 引 言

風力發電作為一種清潔可再生能源,已得到世界各國廣泛關注。近十多年來,我國風電累計裝機容量飛速增長[1-2]。研究表明,風電場對其附近的氣象觀測設備可能會產生較為嚴重的影響。氣象雷達風電場雜波抑制技術的研究,對于提高氣象目標參數估計的準確性,減少氣象目標的誤檢測和誤跟蹤,保證民航飛行安全具有重要意義。氣象雷達風電場雜波抑制技術主要從風輪機設計、雷達設備和雷達信號處理技術3方面展開。風輪機設計及雷達設備相關的干擾抑制技術在一定程度上會降低風能的利用率,受限于周圍的地理環境,甚至可能導致成本的增加,其應用局限性較大。與雷達信號處理技術相關的抑制技術主要圍繞凝視和掃描兩種工作模式展開,凝視模式下雜波抑制方法主要包括Radon變換法[3]、中值濾波法[4]、匹配追蹤算法[5]以及利用風輪機雜波時域周期特性來實現風電場雜波的抑制[6]。上述抑制方法要求雷達駐留時間較長。掃描模式下的雜波抑制方法主要包括Kong等提出的自適應譜處理算法[7],Feng提出的距離多普勒回歸(range-Doppler regression,RDR)算法[8],奧克拉荷馬大學氣象研究中心利用散射儀遙測系統基于自適應算法抑制風電場雜波[9],Yan等提出的基于自適應濾波器(如維納濾波器等)的風電場雜波抑制方法[10]以及Frank等提出的信號分離法[11]等。上述算法均是基于一次回波數據(Level I數據)進行的,且算法復雜度較高。Kong在2014年提出利用二次(Level II)數據基于最大后驗概率(maximum a posterior,MAP)的風電場雜波抑制技術[12]。該方法利用高仰角未受風電場污染區域數據的統計特性作為先驗信息來抑制風電場雜波。對于氣象雷達而言,除最低仰角外,不同體掃模式包含多個高仰角掃描數據,高仰角掃描數據的選取對于算法性能的提升至關重要,然而文中沒有給出選取雷達高仰角數據的方法,且沒有給出在只利用二次數據的前提下能夠有效評價算法性能的定量性能評價指標。

本文在傳統MAP算法的基礎上,利用雷達與風電場的地形信息,對傳統MAP算法中的高掃數據進行篩選,改善風電場雜波抑制效果。除此之外,針對氣象雷達的不同體掃模式,給出相應的定量評價指標,對文中風電場雜波抑制算法的性能進行細致的分析和定量評價,驗證本文算法的有效性。

1 傳統MAP算法

MAP是Kong提出的一種雜波抑制算法。傳統MAP算法認為氣象雷達在低掃時能夠照射到風電場,而在高掃時風電場雜波不在雷達掃描區域內。圖1給出了美國堪薩斯州Dodge市的KDDC氣象雷達在同一時刻不同仰角掃描時得到的同一區域的氣象雷達反射率因子。從圖1中顯然可以看出,低仰角掃描(簡稱低掃)時可以明顯看到Gray County風電場雜波(如紅色圓圈的區域),而高仰角掃描(簡稱高掃)時該風電場雜波不再明顯。

MAP算法利用高掃的數據(未被風電場污染)作為觀測數據,低掃的數據(受風電場污染)作為待估計區域。根據氣象目標的反射率因子、徑向速度以及譜寬等參量隨距離連續分布特性,利用未污染區高、低仰角掃描時相應氣象目標參量的統計特性(后驗概率分布),根據受污染區內每一個高掃單元的被估參量的觀測值來估計受污染區內相應低掃單元的參量,如式(1)所示：

(1)

圖1 VCP21模式下KDDC雷達相同掃描時刻的Level II數據Fig.1 Level II data of KDDC radar at the same scan time in VCP21 mode

由式(1)可知,在MAP算法中,首先計算未受風電場污染區域的高、低仰角氣象目標相應參數的后驗概率分布p(XL|XH),其次根據污染區高掃下的氣象目標參量值,在后驗概率分布p(XL|XH)中找到使p(XL|XH)最大時的XL并將其作為污染區相應位置的氣象目標參量估計值,算法流程圖如圖2所示。

圖2 MAP算法流程圖Fig.2 MAP algorithm flow chart

2 改進的MAP算法

在傳統MAP算法的基礎上,本文做了兩個方面的改善。首先,利用氣象雷達和風電場位置以及雷達參數等信息,計算氣象雷達在不同仰角下的雷達波束范圍,將其作為先驗信息來選取有效的高仰角掃描數據,以此來改善風電場雜波的抑制效果;其次,考慮到不同仰角掃描區域內氣象目標徑向速度的變化較快進而影響抑制效果的問題,利用同一仰角掃描區域內,徑向速度隨距離連續變化的特性,利用低仰角掃描下的未污染區數據作為先驗信息對抑制后的徑向速度進行修正,提高算法的抑制性能。

2.1 氣象雷達波束高度的計算

由于雷達仰角以及雷達波束寬度的關系,使得風輪機即使處于雷達視線距離范圍內,也可能不會對雷達產生影響,例如,風輪機高于或低于雷達波束高度,都不會對雷達產生影響。

雷達波束示意圖如圖3所示,在考慮雷達與風電場所在地形海拔高度影響的條件下,可通過相應幾何關系計算得到雷達波束的照射范圍,如式(2)～式(6)所示[13]。

圖3 雷達波束示意圖Fig.3 Radar beam diagram

根據余弦定理,可利用式(2)計算風輪機與雷達之間的夾角：

(2)

式中,R為地球半徑;d為風機距雷達的距離。

利用正弦定理得到雷達波束關系:

(3)

(4)

式中,h1和h2分別代表雷達波束上下表面的高度;hr表示雷達高度;φ0表示雷達仰角;θ0表示雷達波束寬度。將式(3)、式(4)化簡,可得在距離雷達d處的上下波束高度:

(5)

(6)

雷達用不同仰角掃描風電場及其周圍氣象目標,會出現風輪機低于最低雷達波束、風輪機處于最高雷達波束與最低雷達波束之間、風輪機高于最高雷達波束(此種情況不符合實際,很少見)3種情況。只有風輪機處于最高雷達波束與最低雷達波束之間時,風輪機才會對雷達產生影響。若將此時相應的雷達仰角數據作為高仰角掃描數據,則會影響風電場雜波抑制效果。

2.2 改進MAP算法流程

改進的MAP算法中,首先根據雷達、風電場位置信息以及雷達參數計算氣象雷達的波束范圍,并以此為依據來選擇氣象雷達的高掃數據;其次利用傳統MAP算法抑制風電場雜波;最后以低仰角未污染區域的徑向速度為先驗信息對抑制后的徑向速度進行修正,改進的MAP算法流程圖如圖4所示。

圖4 改進MAP算法流程圖Fig.4 Improved MAP algorithm flow chart

3 氣象雷達風電場雜波抑制效果評價

風電場雜波抑制效果評價從定性與定量兩方面進行。定性評價通過人眼直接觀察,然而人眼可辨范圍有限,定性評價存在一定的局限性。本文采用計算抑制前后受風電場污染區域氣象目標相應參量隨距離變化圖像的熵值和該圖像所構成矩陣的奇異值分布兩方面結合來評估風電場雜波抑制效果。由于氣象目標的反射率因子、徑向速度和譜寬等參量隨距離均勻分布,因而認為未受風電場污染區域參量隨距離變化的圖像熵值較小,污染區域相應參量所對應的圖像熵值將有所增加。矩陣的奇異值代表圖像的能量信息[14],圖像矩陣的能量信息主要由該矩陣的大奇異值決定。由此當風電場雜波抑制后所對應圖像的大奇異值變小即圖像的能量變小,恢復效果較好。一般來說,當熵值與矩陣的奇異值兩者都減小,恢復效果較好。

4 實驗結果

實驗數據來源于美國下一代WSR-88D氣象雷達采集的LEVEL II數據,即只利用經過回波數據處理后的二次矩數據來實現風電場雜波抑制。本文研究位于堪薩斯州,Dodge市的KDDC雷達(見圖5藍線圈標注)以及位于該雷達西南40 km左右處的Gray County風電場(見圖5紅線圈標注)。其中，KDDC雷達位于北緯37.760°,西經99.968°。雷達天線的海拔高度為816 m。Gray County風電場及風輪機參數如表1所示。Gray County風電場是堪薩斯州最大的風電場,也是美國最大的風電場。該站點由170臺Vestas V-47風力發電機組成,每個風輪機塔架高217 ft,葉片長77 ft,發電量為470 kW。

圖5 Gray County風電場、KDDC雷達及氣象分布關系Fig.5 Distribution relationship of Gray County wind farm, KDDC radar and meteorological target

參數數值風電場GrayCounty風輪機類型VestasV47風輪機海拔高度/m838～857葉片長度/m24桅桿高度/m65風輪機平均容量/kW470風輪機數量/個172總裝機容量/MW80.8

4.1 傳統的MAP抑制算法及抑制效果評價

美國KDDC雷達于2006年3月30日,20:39:48(GMT)時刻掃描捕獲的包含風電場在內的某區域雷達回波為數據源驗證風電場雜波抑制方法及評估其抑制性能的有效性。利用傳統MAP算法進行風電場雜波抑制,結果如圖6所示。

圖6中,從左向右的3列依次代表反射率因子、徑向速度和譜寬3個參量。從上至下分別為風電場雜波抑制前,風電場雜波抑制后以及真實氣象目標的參量信息。從圖6可以看出，風電場雜波抑制后的參量(反射率因子、徑向速度和譜寬)與真實氣象信息很接近,抑制效果較好。為定量評價其抑制效果,計算抑制前后反射率因子、徑向速度和譜寬3個參量與真實氣象(未受污染)相應參量的偏差和方差如表2所示。由表2看出,反射率因子、徑向速度、譜寬都有所改善。譜寬抑制效果最好,反射率因子及徑向速度抑制效果次之。

圖6 傳統MAP算法抑制前后風電場及氣象對比Fig.6 Comparison of wind farms and weather between before and after suppression using the traditional MAP algorithm

對比偏差/方差反射率/dBz徑向速度/(m/s)譜寬/(m/s)抑制前3.7/10.5-3.2/9.71.8/5.4抑制后2.9/8.2-2.7/7.6-0.3/1.1

4.2 不同體掃模式下風電場雜波的抑制與抑制性能分析

數據依舊來源于Gray County風電場對KDDC雷達產生的雜波。降水模式分為層狀云降水(掃描模式為VCP21)和對流云降水(掃描模式為VCP212)。對流云降水具有降水強、反射率因子大等特點;層狀云降水的回波呈現成片分布特點,面積較大、降水弱、反射率因子較小[15]。由于無法獲得風電場區域處真實的氣象信息,為此如第3節所述,引入熵值及奇異值分布特性來定量評價雜波抑制效果。

4.2.1 層狀云降水模式

層狀云降水體掃模式為VCP21,該掃描模式6 min內實現9個不同仰角的掃描:0.57°,1.53°,2.50°,3.35°,4.30°,6.00°,9.90°,14.60°,19.50°。利用氣象雷達與風電場的地理信息及相應的雷達參數計算仰角(1.53°和2.50°)所對應的最低雷達波束高度如圖7所示。

圖7 VCP21模式下不同仰角的最低雷達波束高度Fig.7 Minimum radar beam height for different elevations in VCP21 mode

由圖7可以看出,VCP21模式下,雷達1.53°仰角的最低波束可以部分照射到風電場雜波,而2.50°仰角照射不到風電場雜波。分別選擇1.53°和2.50°兩個仰角的掃描作為高掃數據進行風電場雜波抑制,抑制結果如表3及圖8所示。由表3及圖8可以看出,相比1.53°仰角作為高掃數據,2.50°仰角作為高掃數據得到的雜波抑制效果較好。這是由于層狀云降水具有水平范圍大、持續時間較長、強度比較均勻、隨時間變化緩慢的特點[16]。由于1.53°仰角仍可以照射到風電場雜波,因而在氣象目標不夠強的前提下,該仰角作為高掃數據會影響風電場雜波抑制效果。

表3 VCP21模式下的抑制性能(熵值)

圖8 VCP21模式下改進MAP算法的抑制效果及性能(雷達: KDDC,數據時間:2011年6月29日11:27:50)Fig.8 Suppression effect and performance of improved MAP in VCP21 mode (Radar: KDDC, Data Time: June 29, 2011 11:27:50)

需要說明的是,風電場雜波抑制后反射率因子和譜寬的改善效果較好,而徑向速度由于風輪機葉片不停旋轉,導致同一掃描時刻上風輪機葉片不同散射點具有或正或負不同的徑向速度,且徑向速度在不同俯仰角掃描下變化較為明顯,為此本文對徑向速度的抑制結果進行改進。由于同一低掃區域內氣象目標徑向速度具有隨距離連續分布的特性,對距雷達相同距離單元的非污染區徑向速度進行曲線擬合(見圖9 (a)),并以此作為先驗信息,對MAP處理后的徑向速度結果進行平滑校正。校正后的結果如圖9(b)所示。對比圖8(b)、圖9(b)以及表3可以看出,熵值由改進前4.6 bit/pixel降為2.7 bit/pixel,徑向速度抑制效果有較大的改善。

圖9 VCP21模式下的徑向速度改進后結果Fig.9 Improved results of radial velocity in VCP21 mode

4.2.2 對流云降水模式

對流云降水包括VCP11,12,121,211,212和221這6種體掃模式。本文主要研究VCP212模式。不同仰角下的最低雷達波束高度如圖10所示。從圖10可以看出,VCP212模式下的0.81°仰角可以照射到風電場雜波,而2.35°仰角照射不到風電場雜波。分別利用0.81°和2.35°仰角作為高掃數據進行風電場雜波抑制,其結果如表4及圖11所示,其中圖11中的徑向速度是經過改進后的結果。

圖10 VCP212模式下不同仰角的最低雷達波束高度Fig.10 Minimum radar beam height at different elevations in VCP212 mode

bit/pixel

圖11 VCP212模式下的改進MAP算法抑制效果及性能(雷達: KDDC,數據時間:2017年12月2日01:56:04) Fig.11 Suppression effect and performance of improved MAP in VCP212 mode(Radar: KDDC, Data Time: December 2, 2017 01:56:04)

由圖11及表4看出,2.35°仰角作為高掃數據得到的抑制結果對于反射率因子和徑向速度的改善不很明顯,這是由于對流云降水具有范圍小、強度大、分布不均勻等特點,相比于此時的強氣象目標,雖然0.81°仰角仍可以照射到風輪機,但由于氣象目標信息較為明顯,對雜波抑制效果影響不大。

5 結 論

本文在傳統MAP算法的基礎上,利用雷達波束范圍作為先驗信息選擇有效的高掃區域數據來實現風電場雜波抑制。同時,針對徑向速度抑制效果不夠明顯的問題,利用低掃未污染區域的徑向速度對抑制后的結果進行校正。利用不同體掃模式下KDDC雷達附近的Gray County風電場雷達回波的Level-II實測數據對算法進行驗證,并詳細分析不同VCP體掃模式下文中抑制算法的性能。從驗證結果可以看出,對于信雜比較低的層狀云降水模式,改進算法抑制效果提升較為明顯。而對于信雜比較高的對流云降水來說,改進算法的抑制效果改善有限。需要說明的是,對于晴空模式,由于大氣折射指數分布不均勻影響使其氣象參數變化較為明顯。因此,晴空模式應選取與污染數據所對應的低仰角較為接近的次低仰角數據作為高掃數據。

參考文獻：

[1] Global Wind Energy Council. Global wind statistics 2014[EB/OL].[2015-03-15]. http:∥www.gwec.net/wpcontent/uploads/2015/03/GWEC_Global_Wind_2014_Report_LR.pd.

[2] 中國可再生能源學會風能專業委員會(CWEA). 2014中國風電發展報告[J]. 風能,2015(2):36-49.

China Wind Energy Association (CWEA). 2014 Chinese wind power development report[J]. Wind Energy, 2015(2): 36-49.

[3] GALLARDO H B. Detection and mitigation of wind turbine clutter in C-band meteorological radar[J]. IET Radar, Sonar & Navigation, 2010, 4(4): 520-527.

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

[5] NAQVI A, LING H. Signal filtering technique to remove Doppler clutter caused by wind turbines[J]. Microwave and Optical Technology Letters, 2012, 54(6): 1455-1460.

[6] YANG J, PAN C, WANG C J, et al. Wind turbine clutter mitigation in coastal UHF radar[J]. The Scientific World Journal, 2014(2014):529230.

[7] KONG F, ZHANG Y, PALMER R. Wind turbine clutter mitigation for weather radar by adaptive spectrum processing[C]∥Proc.of the Radar Conference, 2012：471-474.

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

[9] KONG F, ZHANG Y, PALMER R, et al. Wind turbine clutter mitigation for weather radar by means of telemetry[C]∥Proc.of the 34th Conference on Radar Meteorology, 2009.

[10] KONG F,ZHANG Y, PALMER R, et al. Wind turbine clutter mitigation for weather radar: a feasibility study by means of scaled measurement[C]∥Proc.of the 27th Conference on Interactive Information Processing Systems, 2011.

[11] FRANK U, BRADLEY M I. Mitigation of wind turbine clutter for weather radar by signal separation[J]. IEEE Trans.on Geoscience and Remote Sensing, 2016, 54(5):2925-2934.

[12] KONG F. Wind turbine clutter in weather radar: characterization and mitigation[D]. USA:University of Oklahoma,2014.

[13] 汲超迪.氣象雷達風電場雜波電磁散射特性分析及其影響評估技術研究[D].天津:中國民航大學, 2016.

JI C D. Analysis of clutter electromagnetic scattering characteristics of weather radar wind farms and Its impact assessment technology[D].Tianjin: China Civil Aviation University, 2016.

[14] 高仕龍. 矩陣奇異值分解的圖像性質及其應用[J].樂山師范學院學報,2008,23(5)：14-15.

GAO S L. The image properties of matrix singular value decomposition and its application[J]. Journal of Leshan Teachers College,2008,23(5)：14-15.

[15] 仲凌志.層狀云和對流云雷達回波的自動識別及其在估測降水中的應用[D].南京:南京信息工程大學,2006.

ZHONG L Z. Automatic recognition of layered cloud and convective cloud radar echo and its application in estimating precipitation[D].Nanjing:Nanjing University of Information Engineering, 2006.

[16] 胡明寶.天氣雷達探測與應用[M].2版.北京:氣象出版社,2007:147-151.

HU M B.Weather radar detection and application[M].2nd ed. Beijing: Meteorological Press, 2007: 147-151.