一种太阳能电池结构性能的预测方法与流程

1.本发明涉及太阳能电池技术领域，特别涉及一种运用机器学习算法模型对太阳能电池结构性能进行预测的方法。


背景技术：

2.太阳能电池，是一种利用太阳光直接发电的光电半导体薄片，又称为“太阳能芯片”或“光电池”，它只要被满足一定照度条件的光照度，瞬间就可输出电压及在有回路的情况下产生电流。在物理学上称为太阳能光伏(photovoltaic，缩写为pv)，简称光伏。太阳能电池主要是以半导体材料为基础，其工作原理是利用光电材料吸收光能后发生光伏反应。也可以说太阳能电池是通过光电效应或者光化学效应直接把光能转化成电能的装置。太阳能电池可以将太阳能直接转换为电能，是一种最有效的清洁能源形式。
3.现市场上销售的光伏电池主要是单晶硅为原料生产的单晶硅光伏电池。随着太阳能电池行业的不断发展，其他各种光伏电池技术也在不断涌现。光伏电池的大规模应用须进行不断的技术改进以提高光伏电池的转换效率(也可称为光电转换效率或发电效率)和降低生产成本。目前，在新类型太阳能电池的技术研究开发中，多结太阳能电池技术以其高转换效率、优良的抗辐射性能、稳定的温度特性以及易于规模化生产等一系列优势，已经逐步成为太阳能电池研究的热点。
4.然而，多结太阳能电池结构设计依旧存在一定的盲目性，主要依赖经验对照来提升性能。具有低效、模拟中人为选定参数难以得到最优情况、实验验证成本高等较为明显的缺点。与此同时，机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。在当前互联网技术飞速发展的时代，若将人工智能中的机器学习方法应用于多结太阳能电池结构设计中，所能实现的效率提升可能是呈几何级倍增的。
5.在新类型太阳能电池的结构设计中，如何借助机器学习方法对所设计的太阳能电池结构性能进行预测，并借助该预测结果及时调整该新类型太阳能电池结构的设计方案以获得效率更佳的太阳能电池或光电池及相应的电子器件，已成为本领域技术人员欲积极解决得问题之一。


技术实现要素：

6.为解决上述现有技术中新类型太阳能电池结构设计中其结构性能预测的不足，本发明提供一种太阳能电池结构性能的预测方法，该方法可以通过运用机器学习中的不同算法模型实现对太阳能电池结构性能的预测，并根据该预测结果的指引及时调整太阳能电池结构设计的方案，以使太阳能电池的结构设计整体上具有更加优异的性能，如更佳的光电转换效率，产品寿命延长。
7.在一实施例中，一种太阳能电池结构性能的预测方法，可以包括下列步骤：(s1)收集、提取太阳能电池结构的输入特征参数及对应的输出特征参数的数据，将所述数据分为
原始数据集和预测数据集；(s2)对所述原始数据集和所述预测数据集进行预处理，获得预处理的原始数据集和预处理的预测数据集；(s3)运用机器学习算法构建初始模型；(s4)对所述初始模型进行结构参数设定，并对所述结构参数进行初始化训练，获得初始化的模型；(s5)优化所述初始化的模型，运用所述预处理的原始数据集对所述初始化的模型进行训练，以获得相应的网络权重和偏置,进而得到预测模型；(s6)预测，将待预测的太阳能电池结构的输入特征参数中的所述预处理的测试数据集输入所述预测模型，进而获得所述待预测的太阳能电池结构的输出特征参数的预测值。
8.在一实施例中，所述机器学习算法可以包括但不限于为深度学习算法、多层感知器、决策树、线性回归、梯度提升回归、k近邻算法中的一种。其中，所述深度学习算法可以包括但不限于为卷积神经网络、自编码、深度置信网络中的一种。
9.在一实施例中，所述太阳能电池为多结太阳能电池结构，包括至少一个底电池和若干个子电池，所述若干个子电池位于所述底电池的上方。
10.在一实施例中，所述底电池沿堆叠方向可以包括衬底、发射层、窗口层及隧穿结，所述若干个子电池堆叠于所述底电池的隧穿结上方。每个子电池沿堆叠方向包括背场层、基区、发射层、窗口层和隧穿结。其中，位于最顶层或最上方的所述子电池的最上层为接触层。
11.在一实施例中，所述太阳能电池结构的输入特征参数可包括但不限于所述太阳能电池结构中每一层的厚度、层与层之间的堆叠方式、每一层的形状以及组成材料与材料组分配比。所述对应的输出特征参数包括但不限于所述太阳能电池结构的短路电流密度、开路电压和填充因子。所述太阳能电池结构的输入特征参数及对应的输出特征参数的数据可根据所述太阳能电池结构的类型进行筛选、调整。换句话说，所选择的太阳能电池结构的输入特征参数及输出特征参数可根据需求进行删减或者扩增。
12.在一实施例中，对所述原始数据集和所述预测数据集进行预处理的方法可包括以下步骤：(1)挑选特征，依据已知的物理知识及数据之间的关系对所述太阳能电池结构的输入特征参数进行挑选；(2)数据处理，对挑选出的所述特征数据进行归一化处理；(3)数据重组，对处理后的所述特征数据的大小进行重组。
13.在一实施例中，在对挑选出的所述特征数据进行归一化处理后，所述特征参数的数据均值为0、标准差为1。
14.在一实施例中，在优化所述初始化的模型的步骤中，采用均方误差判定所述初始化的模型的训练结果，所述均方误差公式为：
15.其中，predicti、actuali分别为第i个样本的预测值、真实值。
16.基于上述，与现有的apsys等模拟软件相比，本发明提供的太阳能电池结构性能的预测方法具有以下效果：
17.1、利用机器学习中不同的算法模型对太阳能电池结构的性能进行预测的方法能够实现在不考虑该模型中网络结构拟合是否收敛的情况下快速对不同结构器件性能的预测，并据此预测结果更好地指引太阳能电池结构设计方案的优化。
18.2、本发明中机器学习算法中所采用的神经网络模型通过使用dropout等策略，可
有效防止或降低所搭建的神经网络模型的过拟合，进而提高所搭建的神经网络模型对太阳能电池结构性能预测的准确率。
19.3、本发明中通过对大数据进行机器学习后搭建相应的神经网络模型，而后藉由该神经网络模型对具有不同成分配比、结构的太阳能电池整体结构材料器件性能进行预测。由此，可以从数据层面上探索太阳能电池整体结构中较为复杂的物理层面的规律，操作简便。
20.本发明的其它特征和有益效果将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他有益效果可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
21.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；在下面描述中附图所述的位置关系，若无特别指明，皆是图示中组件绘示的方向为基准。
22.图1为本发明中太阳能电池一实施例的结构示意图；
23.图2为本发明中经典的神经网络模型示意图；
24.图3为本发明中用于太阳能电池结构性能预测的卷积神经网络结构示意图；以及
25.图4为本发明中太阳能电池结构性能的预测方法一实施例的流程图。
26.附图标记：
27.1-多结太阳能电池
ꢀꢀꢀꢀꢀ
10-底电池
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
11-衬底
28.12-发射层
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
13-窗口层
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
14-隧穿结
29.a-子电池集
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
20-子电池
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
21-背场层
30.22-基区
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
23-发射层
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
24-窗口层
31.25-隧穿结
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
26-接触层
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例；下面所描述的本发明不同实施方式中所设计的技术特征只要彼此之间未构成冲突就可以相互结合；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
33.在本发明的描述中，需要说明的是，本发明所使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域的普通技术人员通常所理解的含义相同的含义，不能理解为对本发明的限制；应进一步理解，本发明所使用的术语应被理解为具有与这些术语在本说明书的上下文和相关领域中的含义一致的含义，并且不应以理想化或过于正式的意义来理解，除本发明中明确如此定义之外。
34.在新类型太阳能电池的技术研究开发中，多结太阳电池是一种高效率的太阳能电池。每个电池有多个采用分子束外延或有机金属化学气相沉积法生成的薄膜。这些薄膜所构成的不同的半导体有不同的特征能隙，而这些能隙可以吸收光谱中特定频率的电磁波能量。生成的半导体被特别的设计能吸收太阳光中的大部分频率的光，以此来生成更多的能量。多结太阳能电池经过近十几年的发展，其在太空领域已经被广泛应用，效率纪录也不断被刷新。为了方便说明、理解，在本发明的实施例描述中，以多结太阳能电池的结构为例，运用机器学习中不同的算法模型对多结太阳能电池结构性能的预测方法进行阐释说明。
35.请参阅图1,图1为本发明中太阳能电池一实施例的结构示意图。如图所示，所述太阳能电池为一种多结太阳能电池，该种多结太阳能电池结构中包含有多个pn结(或pn结)。多结太阳能电池1的整体结构主要包括至少一个底电池10和若干个子电池20，该些子电池20位于该底电池10的上方且依序堆叠于底电池10的上方。底电池10沿堆叠方向(图1中为自下而上)可包括衬底11、发射层12、窗口层13及隧穿结14。该些子电池20可形成为一个子电池集a，子电池集a堆叠于底电池10的隧穿结14上方。每个子电池20沿堆叠方向(图1中为自下而上)可包括背场层21、基区22、发射层23、窗口层24和隧穿结25。其中，位于最顶层或最上方的子电池20中的隧穿结25由接触层26替代。
36.进一步地，如图1所示，与底电池10相邻的子电池20中的背场层21与底电池10中的隧穿结14相接触地堆叠于该底电池10的隧穿结14上方。该些子电池20中，后一个子电池20的背场层21与其相邻的前一个子电池20的隧穿结25相接触。为了便于多结太阳能电池1与其他器件的接触，子电池集a中位于最顶层或最上方的子电池20中隧穿结25被接触层26所取代。该子电池20中的接触层26可作为电流引导层，可以是该多结太阳能电池1与电极连接的材料层，可以用作欧姆接触。接触层26能够与特定的电极金属材料形成良好的欧姆接触，从而降低其串联电阻引起的电能损失。
37.随着研究开发的进展、演化，研究发表的机器学习的方法种类很多，根据强调侧面的不同可以有多种分类方法。基于学习策略的分类，机器学习可以分为模拟人脑的机器学习和直接采用数学方法的机器学习。模拟人脑的机器学习可进一步分为符号学习和神经网络学习(或连接学习)。直接采用数学方法的机器学习主要有统计机器学习。基于学习方法的分类，机器学习可以分为归纳学习、演绎学习、类比学习和分析学习。归纳学习进一步可分为符号归纳学习(如示例学习、决策树学习)和函数归纳学习(或称发现学习，如神经网络学习、示例学习、发现学习、统计学习)。基于学习方式的分类，机器学习可以分为监督学习(有导师学习)、无监督学习(无导师学习)和强化学习(增强学习)。基于数据形式的分类，机器学习可以分为结构化学习和非结构化学习。基于学习目标的分类，机器学习可以分为概念学习、规则学习、函数学习、类别学习和贝叶斯网络学习。
38.机器学习中较为常用的算法包括但不限于决策树算法、朴素贝叶斯算法、支持向量机算法、随机森林算法、人工神经网络算法、boosting与bagging算法、关联规则算法、em(期望最大化)算法和深度学习。其中，深度学习(deep learning，简称：dl)作为机器学习(machine learning，简称：ml)领域中的一个新的研究方向，它可以学习样本数据的内在规律和表示层次。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
39.不同的深度学习模型主要基于神经网络来构建的。神经网络是一种模仿生物神经
网络行为特征的算法数学模型，它可在接收多个输入后产生一个输出。随着神经网络的不断发展，深度学习算法的迭代更新，网络模型的结构也在不断地调整与优化，尤其是在特征提取和特征选择方面的方法会有更大的改进空间。它可以映射任意复杂的非线性关系，具有很强的鲁棒性、记忆能力、自学习等能力，在分类、预测、模式识别等方面有着广泛的应用。
40.据前述内容，本发明之示例中，所采用的机器学习算法可以是深度学习算法、神经网络模型(neural networks,简称：nn)多层感知器、决策树、线性回归、梯度提升回归(gradient boosting regression，简称：gbr)、k近邻算法(k-nearst neighbors,简称：knn)。其中，深度学习算法可以是卷积神经网络、循环神经网络、自编码、深度置信网络。以下将通过采用不同的机器学习算法模型对多结太阳能电池结构性能预测的过程来解释说明如何运用机器学习模型对新类型太阳能电池结构性能进行预测。
41.实施例一：利用深度学习中卷积神经网络算法对多结太阳能电池结构的性能进行预测。
42.请参阅图2，图2为本发明中经典的神经网络模型示意图。神经网络(neural networks,简称：nn)是一种模拟人类实际神经网络对信息进行处理的算法数学模型，是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，是一个高度复杂的非线性动力学习系统。神经元是一个多输入单输出的信息处理单元，它对信息的处理是非线性的。神经网络是机器学习中的一种模型。
43.类比于人类实际神经网络，可以理解为，神经网络由神经元、节点与节点之间的连接(突触)所构成，每个神经网络单元又称感知器，它接收多个输入后产生一个输出。实际的神经网络决策模型往往是由多个感知器组成的多层网络。如图2所示，经典的神经网络模型主要由输入层、隐含层、输出层构成。图示例中，layerl1代表输入层，layerl2代表隐含层或隐藏层，layerl3代表输出层。基于神经网络模型在机器学习上的优势，在多结太阳能电池结构设计的过程中可借助神经网络模型对多结太阳能电池结构影响电子器件光电效率的特征因素进行较为高效、精准的预测，并根据该预测结果及时调整多结太阳能电池结构的设计方案以符合预期的整体功能效果。
44.如图2，在前馈神经网络中，信息只沿一个方向向前移动，从输入节点，通过隐藏节点(如果有的话)到达输出节点。网络中没有循环或环路。在机器学习领域中，典型的深度学习模型主要可包括三种类型：(1)基于卷积运算的神经网络系统，即卷积神经网络(convolutional neural network，简称：cnn)；(2)基于多层神经元的自编码神经网络，包括自编码(auto encoder)和稀疏编码(sparse coding)；(3)以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络(dbn)。
45.除了上述三种典型的深度学习模型外，深度学习模型还可以是循环神经网络(recurrent neural networks)、递归神经网络(recursive neural networks)等。
46.卷积神经网络(cnn)是一种具有局部连接，权重共享等特性的深层前馈神经网络。卷积神经网络由三部分构成：第一部分是输入层；第二部分由n个卷积层和池化层的组合组成(也称隐藏层、隐含层)；第三部分由一个全连结的多层感知机分类器(也称全连接层)构成。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。在cnn的一个卷积层中，通常包含若干个
特征平面(featuremap)，每个特征平面由一些矩形排列的的神经元组成，同一特征平面的神经元共享权值，所说的共享权值就是卷积核。卷积核一般以随机小数矩阵的形式初始化，在网络的训练过程中卷积核将学习得到合理的权值。共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。子采样也叫做池化(pooling)，通常有均值子采样(mean pooling)和最大值子采样(max pooling)两种形式。子采样层(subsampling layer)也叫池化层(pooling layer)，其作用是进行特征选择，降低特征数量，从而减少参数数量。子采样可以看作一种特殊的卷积过程。卷积和子采样大大简化了模型复杂度，减少了模型的参数。
47.请结合图1和图2，参阅图3和图4，图3为本发明中用于太阳能电池结构性能预测的卷积神经网络结构示意图，图4为本发明中太阳能电池结构性能的预测方法一实施例的流程图。图3之示例中，以卷积神经网络算法为例做进一步的解释、说明。运用卷积神经网络之深度学习算法对蓝光多结太阳能电池多量子阱结构的性能进行预测的流程步骤如下。
48.步骤s1：收集、提取多结太阳能电池结构的输入特征参数及对应的输出特征参数的数据，并对收集的该些数据建立相应的数据集。
49.对多结太阳能电池结构的输入特征参数进行收集、提取的过程中，需对多结太阳能电池结构中的特征参数进行挑选。在此挑选中，主要是选取多结太阳能电池结构中对输出特征参数的预测值占主要影响的输入特征参数进行数据采集及提取或选取。所选取的多结太阳能电池结构的输入特征参数包括但不限于：所述太阳能电池结构中每一层的厚度、层与层之间的堆叠方式、每一层的形状以及组成材料与材料组分配比等。所选取的多结太阳能电池结构的输出特征参数包括但不限于：短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
50.然后，对这些选取的输入特征参数建立相应的数据集，并设计相应的数据集参数。该数据集可分为原始数据集和测试数据集，并对数据集进行预处理。该数据集参数可表示多结太阳能电池内部的复杂结构，从而可对多结太阳能电池结构的数据进行大量收集、记录。由此，可将每一个多结太阳能电池结构的数据作为一个样本，复数个多结太阳能电池结构的数据可作为一个样本集合。每个样本或每个样本集合可作为神经网络中的输入层。
51.步骤s2:对步骤s1中所建立的数据集中的数据进行预处理，获得预处理的原始数据集和预处理的测试数据集。所述预处理的方法包括以下步骤：
52.(1)在所建立的数据集中，依据已知的物理知识以及各数据间的相关系数对多结太阳能电池结构的输入特征参数进行挑选。
53.(2)对所挑选出的特征数据进行归一化的数据处理，具体计算公式为：其中μ是样本的均值，σ是样本的标准差。对数据进行归一化处理可使得输入数据在每一个维度上均值为0、标准差为1，服从标准正态分布。
54.(3)数据重组，对处理后该些数据的大小进行重组，并进行多批次划分。
55.需要进一步说明的是，因二维卷积神经网络中需要的输入维度为4d(samples,rows,cols,channels)，本示例中原始数据是由txt读入的数组。因此，需要对原始数据的排列方式进行调整，使其与二维卷积神经网络的输入尺寸相匹配。
56.步骤s3：基于机器学习算法，采用卷积神经网络搭建神经网络模型。
57.参见图3，本示例中采用卷积神经网络搭建的卷积神经网络模型结构依序主要包括输入层、复数个卷积层、复数个全连接层和输出层，各层之间依序相连接。输入层可用于输入前述多结太阳能电池结构的样本或样本集合的输入特征参数的数据或数据集，如预处理的原始数据集、预处理的测试数据集。
58.此图示例中，卷积神经网络模型结构中在输入层之后连接有二个卷积层，各个卷积层中皆包含有激活函数。
59.卷积层通过卷积核与特征图进行对应的卷积计算提取特征图，第一卷积层卷积的具体过程可表示为：x
(l)
＝∑x
(l-1)
*ω
(l)
b
(l)
,其中*代表矩阵的卷积计算，ω
(l)
表示第l层的神经元权重，b
(l)
代表第l层的偏置。一般而言，设输入矩阵大小为ω,卷积核大小为k,步幅为k,补零层数为p,则卷积后产生的特征图大小计算公式为：本例中对输入特征图进行补零操作，使卷积后特征图的大小不变。
60.卷积层中的激活函数为线性整流函数(relu)。线性整流函数的数学公式为：f(x)＝max(0，x)，可以完成对特征图的非线性变换。
61.第二卷积层对经过激活函数后的图像进行进一步的特征提取，第二卷积层中输出的图像通过激活层中线性整流函数(relu)激活后传递到下一部分，如全连接层。
62.卷积层中的激活函数为线性整流函数(relu)。第一卷积层对输入的形状为(5，6，1)的图像进行特征提取，输出大小为(5，6，16)的图像。第一卷积层中卷积核的大小为3*3，卷积核数量为16，填充模式padding选择same。第二卷积层对经过激活函数后的图像进行特征提取，输出大小为(5，6，32)的图像。第二卷积层中卷积核的大小为3*3，卷积核数量为32，填充模式padding选择same。第二卷积层中输出的图像通过激活层中线性整流函数(relu)激活后传递到下一部分，如全连接层。
63.在图3示例中，卷积神经网络模型结构中具有二个全连接层。前述由激活层激活后的图像经过扁平化操作(flatten)后变为(512)连接到设置了128个神经元的第一全连接层。考虑到此示例中所使用的训练样本比较少，为了抑制或降低过拟合采用丢弃(dropout)策略，每轮训练随机失活20％的神经元。对于经过激活函数的图像，借助第二全连接层完成最后的预测。
64.步骤s4:对搭建的卷积神经网络模型进行网络结构参数设定，并对所设定的网络结构参数进行初始化训练，获得初始化的卷积神经网络模型。
65.对卷积神经网络模型中所设定的网络结构参数进行初始化训练的方法为：第一卷积层的步长设置为1，输出通道数为16，填充模式padding设置为same。第二卷积层的步长设置为1，输出通道数为32，填充模式padding设置为same。第一卷积层和第二卷积层中权重初始化为均值是0、标准差是0.1的截断正态分布噪声，网络中的所有偏置初始化为一常量，该常量为1。根据训练样本的特征在一数值区间内设置学习率，确定训练样本的批量大小(batchsize)；依据训练样本的设置对该卷积神经网络模型进行重复训练，并确定重复训练的总轮次数，从而完成对卷积神经网络模型的初始化训练。其中，学习率设置的数值区间为0.00001-0.1，重复训练的总轮次数为100-500轮。
66.进一步说明，图示例中，训练样本的学习率设置为0.0001。训练样本的批量大小(batchsize)设置为16，即每次训练时把16张图片送入卷积神经网络中，然后计算整个批量
所有样本的平均损失。训练总轮次数为300轮，选用随机梯度下降(sgd)算法对搭建的卷积神经网络模型进行初步优化。
67.步骤s5:借助步骤s2中经预处理后的多结太阳能电池结构的输入特征参数的数据集对前述初始化的卷积神经网络模型进行训练、优化，获得并保存该卷积神经网络模型的网络权重和偏置，进而得到一个卷积神经网络预测模型。其中，该数据集为预处理的原始数据集。
68.在机器学习中，损失函数用于衡量模型输出值与目标值之间的损失(差距)。基于此，在步骤s5中，卷积神经网络模型训练时的损失函数采用均方误差来表达，以明确该卷积神经网络模型训练结果的好坏程度。该均方误差公式为：其中，predicti、actuali分别为第i个样本的预测值、真实值。计算所得mse的数值越接近于0，表明该卷积神经网络模型的训练、优化结果越好，其输出的结果准确度越高。由此，利用训练、优化后所得到的卷积神经网络预测模型进行多结太阳能电池结构的性能预测时，所获得的预测值的精准度越高。
69.步骤s6：将待预测的多结太阳能电池结构的输入特征参数中预处理的测试数据集作为输入层输入该卷积神经网络预测模型中，从而输出该待预测的多结太阳能电池结构的输出特征参数的预测值。待预测的多结太阳能电池结构的输出特征参数的预测值包括但不限于多结太阳能电池结构的短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
70.实施例二：利用支持向量回归(svr)对多结太阳能电池结构的性能进行预测。
71.步骤s1：收集、提取多结太阳能电池结构的输入特征参数及对应的输出特征参数的数据，并对收集的该些数据建立相应的数据集。
72.对多结太阳能电池结构的输入特征参数进行收集、提取的过程中，需对多结太阳能电池结构中的特征参数进行挑选。在此挑选中，主要是选取多结太阳能电池结构中对输出特征参数的预测值占主要影响的输入特征参数进行数据采集及提取或选取。所选取的多结太阳能电池结构的输入特征参数包括但不限于：所述太阳能电池结构中每一层的厚度、层与层之间的堆叠方式、每一层的形状以及组成材料与材料组分配比。所选取的多结太阳能电池结构的输出特征参数包括但不限于：短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
73.然后，对这些选取的输入特征参数建立相应的数据集，并设计相应的数据集参数。该数据集可分为原始数据集和测试数据集，并对数据集进行预处理。该数据集参数可表示多结太阳能电池内部的复杂结构，从而可对多结太阳能电池结构的数据进行大量收集、记录。由此，可将每一个多结太阳能电池结构的数据作为一个样本，复数个多结太阳能电池结构的数据可作为一个样本集合。每个样本或每个样本集合可作为神经网络中的输入层。
74.步骤s2:对步骤s1中所建立的数据集中的数据进行预处理，获得预处理的原始数据集和预处理的测试数据集。所述预处理的方法包括以下步骤：
75.(1)在所建立的数据集中，依据已知的物理知识以及各数据间的相关系数对多结太阳能电池结构的输入特征参数进行挑选。
76.(2)对所挑选出的特征数据进行归一化的数据处理，具体计算公式为：
其中μ是样本的均值，σ是样本的标准差。对数据进行归一化处理可使得输入数据在每一个维度上均值为0、标准差为1，服从标准正态分布。
77.(3)数据重组，对处理后该些数据的大小进行重组，并进行多批次划分。
78.需要进一步说明的是，因二维卷积神经网络中需要的输入维度为4d(samples,rows,cols,channels)，本示例中原始数据是由txt读入的数组。因此，需要对原始数据的排列方式进行调整，使其与二维卷积神经网络的输入尺寸相匹配。
79.步骤s3：基于机器学习算法，采用支持向量机算法搭建支持向量回归模型。
80.步骤s4:对搭建的支持向量回归模型进行网络结构参数设定，获得初始化的支持向量回归模型。
81.对支持向量回归模型中的超参数进行设定的方法为：算法使用"linear"内核，多项式核函数的次数为3，容忍因子0.001，惩罚系数为0.8。
82.步骤s5:借助步骤s2中经预处理后的多结太阳能电池结构的输入特征参数的数据集对前述初始化的支持向量回归模型进行训练、优化，获得并保存该支持向量回归模型的网络权重和偏置，进而得到一个支持向量回归预测模型。其中，该数据集为预处理的原始数据集。
83.在本例中，均方根误差用于衡量模型输出值与目标值之间的损失(差距)。基于此，在步骤s5中，支持向量回归模型训练时的损失函数采用均方误差来表达，以明确该支持向量回归模型训练结果的好坏程度。该均方误差公式为：其中，predicti、actuali分别为第i个样本的预测值、真实值。计算所得mse的数值越接近于0，表明该支持向量回归模型的训练、优化结果越好，其输出的结果准确度越高。由此，利用训练、优化后所得到的支持向量回归预测模型进行多结太阳能电池结构的性能预测时，所获得的预测值的精准度越高。
84.步骤s6：将待预测的多结太阳能电池结构的输入特征参数中预处理的测试数据集作为输入层输入该支持向量回归预测模型中，从而输出该待预测的多结太阳能电池结构的输出特征参数的预测值。待预测的多结太阳能电池结构的输出特征参数的预测值包括但不限于多结太阳能电池结构的短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
85.案例三：利用k近邻算法(knn)对多结太阳能电池结构的性能进行预测。
86.步骤s1：收集、提取多结太阳能电池结构的输入特征参数及对应的输出特征参数的数据，并对收集的该些数据建立相应的数据集。
87.对多结太阳能电池结构的输入特征参数进行收集、提取的过程中，需对多结太阳能电池结构中的特征参数进行挑选。在此挑选中，主要是选取多结太阳能电池结构中对输出特征参数的预测值占主要影响的输入特征参数进行数据采集及提取或选取。所选取的多结太阳能电池结构的输入特征参数包括但不限于：所述太阳能电池结构中每一层的厚度、层与层之间的堆叠方式、每一层的形状以及组成材料与材料组分配比等。所选取的多结太阳能电池结构的输出特征参数包括但不限于：短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
88.然后，对这些选取的输入特征参数建立相应的数据集，并设计相应的数据集参数。该数据集可分为原始数据集和测试数据集，并对数据集进行预处理。该数据集参数可表示
多结太阳能电池内部的复杂结构，从而可对多结太阳能电池结构的数据进行大量收集、记录。由此，可将每一个多结太阳能电池结构的数据作为一个样本，复数个多结太阳能电池结构的数据可作为一个样本集合。每个样本或每个样本集合可作为神经网络中的输入层。
89.步骤s2:对步骤s1中所建立的数据集中的数据进行预处理，获得预处理的原始数据集和预处理的测试数据集。所述预处理的方法包括以下步骤：
90.(1)在所建立的数据集中，依据已知的物理知识以及各数据间的相关系数对多结太阳能电池结构的输入特征参数进行挑选。
91.(2)对所挑选出的特征数据进行归一化的数据处理，具体计算公式为：其中μ是样本的均值，σ是样本的标准差。对数据进行归一化处理可使得输入数据在每一个维度上均值为0、标准差为1，服从标准正态分布。
92.(3)数据重组，对处理后该些数据的大小进行重组，并进行多批次划分。
93.需要进一步说明的是，因二维卷积神经网络中需要的输入维度为4d(samples,rows,cols,channels)，本示例中原始数据是由txt读入的数组。因此，需要对原始数据的排列方式进行调整，使其与二维卷积神经网络的输入尺寸相匹配。
94.步骤s3：基于机器学习算法，采用k临近算法搭建knn模型。
95.步骤s4:对搭建的knn模型进行网络结构参数设定，获得初始化的knn模型。
96.对knn模型中的超参数进行设定的方法为：用于查询的邻居数为3，每个邻域中所有点的权重均相同。
97.步骤s5:借助步骤s2中经预处理后的多结太阳能电池结构的输入特征参数的数据集对前述初始化后的knn模型模型进行训练、优化，获得并保存该knn模型模型的网络权重和偏置，进而得到一个knn预测模型。其中，该数据集为预处理的原始数据集。
98.在本例中，均方根误差用于衡量模型输出值与目标值之间的损失(差距)。基于此，在步骤s5中，knn模型训练时的损失函数采用均方误差来表达，以明确该knn模型模型训练结果的好坏程度。该均方误差公式为：其中，predicti、actuali分别为第i个样本的预测值、真实值。计算所得mse的数值越接近于0，表明该knn模型的训练、优化结果越好，其输出的结果准确度越高。由此，利用训练、优化后所得到的knn预测模型进行多结太阳能电池结构的性能预测时，所获得的预测值的精准度越高。
99.步骤s6：将待预测的多结太阳能电池结构的输入特征参数中预处理的测试数据集作为输入层输入该knn预测模型中，从而输出该待预测的多结太阳能电池结构的输出特征参数的预测值。待预测的多结太阳能电池结构的输出特征参数的预测值包括但不限于多结太阳能电池结构的短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等。
100.综上所述，与现有技术相比，本发明提供的卷积神经网络模型、多层感知器模型、knn模型，在多结太阳能电池结构的整体结构设计过程中，可对该多结太阳能电池结构的短路电流密度(j
sc
)、开路电压(v
oc
)和填充因子(ff)等参数进行更加精准的预测，据此预测结果更好地指引多结太阳能电池结构设计方案的优化，进而设计出发光效率符合预期的多结太阳能电池整体结构。另外，本发明提供的卷积神经网络预测模型还可对激光器、探测器等的输出参数的预测值进行预测。
101.另外，本领域技术人员应当理解，尽管现有技术中存在许多问题，但是，本发明的每个实施例或技术方案可以仅在一个或几个方面进行改进，而不必同时解决现有技术中或者背景技术中列出的全部技术问题。本领域技术人员应当理解，对于一个权利要求中没有提到的内容不应当作为对于该权利要求的限制。
102.尽管本文中较多的使用了诸如新类型太阳能电池、多结太阳能电池、机器学习、神经网络等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的；本发明实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
103.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。