Convolutional neural networks for wind turbine clutter detection

Abstract

Wind turbine clutter (WTC) presents a significant challenge in weather radar measurements, as the large rotating structures generate strong backscattering that compromises measurement reliability. This study explores the use of convolutional neural networks (CNNs) for the detection of WTC in weather radar in-phase (I) and quadrature (Q) signal data. The research aims to develop a computationally lightweight, efficient model suitable for real-time radar applications. A diverse dataset was created using manually labelled WTC samples and automatically extracted weather and ground clutter samples. A CNN-based classification model was designed and optimized, incorporating modern techniques such as global average pooling and dropout regularization to enhance generalization and robustness. The model achieved an accuracy of 98.24% on test data and demonstrated strong performance in detecting WTC across various radar sites, including one location not included in the training set. Post-processing techniques were implemented to refine detection results and minimize false positives. The findings indicate that CNN-based methods can effectively identify WTC and provide a foundation for further advancements in real-time radar data processing.

Tuulivoimaloiden aiheuttamat häiriöt ovat merkittävä haaste säätutkamittauksille, sillä suuret pyörivät rakenteet tuottavat voimakkaita häiriökaikuja, jotka heikentävät tutkahavaintojen luottettavuuta. Tässä työssä tutkitaan konvoluutioneuroverkkojen soveltuvuutta häiriöalueiden tunnistamiseen säätutkan signaalidatan vaihe (I) ja kvadratuuri (Q) komponenteista. Tavoitteena on kehittää pohja laskennallisesti kevyelle ja tehokkaalle mallille, joka soveltuisi reaaliaikaiseen käyttöön tutkaprosessoinnissa. Mallin kehitystä varten koostettiin laaja ja monipuolinen aineisto yhdistämällä manuaalisesti valikoituja häiriönäytteitä sekä automaattisesti kerättyjä sade- ja maakaikunäytteitä. Konvoluutioneuroverkkopohjainen luokittelumalli kehitettiin ja optimoitiin hyödyntäen moderneja koneoppimismenetelmiä kuten "global average pooling"-operaattoria ja katoregulaatiota, jotka paransivat mallin yleistettävyyttä ja vakautta. Mallilla saavutettiin 98.24%:n tarkkuus testiaineistolle ja se kykeni tunnistamaan tuulivoimahäiriöitä myös tutkalta, jonka dataa ei oltu käytetty koulutusaineistolle. Jälkikäsittelymenetelmillä hienosäädettiin mallia ja vähennettiin virheellisiä tunnistuksia. Tulokset osoittavat, että konvoluutioneuroverkot tarjoavat tehokkaan ratkaisun häiriöalueiden tunnistamiseen ja muodostavat vankan pohjan jatkokehitykselle reaaliaikaisessa tutkadatan käsittelyssä.