本发明涉及钙钛矿电池光电仿真，尤其是涉及采用基于神经网络的光电模型的太阳能电池性能分析方法。
背景技术：
1、在光伏开发与运用的场景中，我们通常会用到电流-电压（i-v）曲线表征技术来测定电池的性能，其中包括短路电流（isc）、开路电压（voc）、填充因子（ff）及光电转换效率（pce）等。这些电池性能与电池各层薄膜材料的载流子传输性质息息相关，并且可以通过光电模型仿真的方式进行解析。
2、在光学方面，可用于计算钙钛矿电池短路电流的包括朗伯比尔定律（beer-lambert law）、各类矩阵算法、一维及以上的数值法等等，这些都属于是麦克斯韦尔方程组解的延伸。当应用于表面平整的薄膜结构时，所使用的一维模型速度快，所需计算时间少。
3、然而，在电学的仿真方面，可用于计算太阳能电池电流-电压曲线的方法通常是双二极管模型和载流子漂移扩散模型。两者均需要参数校准，且用时通常为数小时、数天、在大计算量或高精确度的情况下甚至以周、月为时间单位，无法迅速完成计算并预测、优化设备性能。完整载流子漂移扩散模型包含多类输入参数且高度非线性，需要实用有限元求解，导致计算量上涨，单电压的计算所需时间以秒为单元，仿真效率低。
技术实现思路
1、本发明主要是解决钙钛矿电池性能分析过程中，现有模型参数校准时间长，仿真效率低，无法快速满足性能分析需求的问题，提供了一种采用基于神经网络的光电模型的太阳能电池性能分析方法。
2、本发明的上述技术问题主要是通过下述技术方案得以解决的：一种采用基于神经网络的光电模型的太阳能电池性能分析方法，包括以下步骤：
3、s1.以矩阵解析模型建立薄膜波动光学模型；
4、s2.构建并训练获得人工神经网络模型，人工神经网络模型为器件性能人工神经网络，最大功率点复合损失人工神经网络，开压复合损失人工神经网络合并的最终人工神经网络；
5、s3.合并薄膜波动光学模型和人工神经网络模型构成光电模型；
6、s4.待测数据输入光电模型获得多个电池性能参数，根据电池性能参数进行相应的电池性能分析。
7、本发明用于太阳能电池性能分析的参数根据基于神经网络的光电模型计算得出，光电模型为薄膜波动光学模型与针对于载流子漂移扩散的人工神经网络模型的合并模型，光电模型抛弃了计算难度高、耗时较长的有限元求解器，用机器学习的方法取而代之，参数校准时间短，提高了光电模型仿真效率，快速满足对于太阳能性能分析的需求。
8、合并薄膜波动光学模型和人工神经网络模型获得的光电模型本质属于解析模型，运算速度相比一维/二维模型更快，且同时维持了可靠的准确度，在应用于大量或高准确度计算及优化时，耗时时间大幅减少，对计算机硬件要求也大幅降低。光电模型避免了有限元求解器等软件的使用，可以以解析解的形式存储在各服务器上，实用方便快捷。
9、作为一种优选方案，所述的构建并训练获得人工神经网络模型，具体包括以下过程：
10、s21.获取输入参数数据，对输入参数数据进行采样和预处理，构建模型样本数据；
11、s22.样本数据输入载流子漂移扩散模型计算获得输出参数，根据输出参数类型将样本数据进行数据分类；
12、s23.建立人工神经网络模型，样本数据对人工神经网络模型进行训练，获得由器件性能人工神经网络，最大功率点复合损失人工神经网络，开压复合损失人工神经网络合并的最终人工神经网络模型。
13、人工神经网络模型包含三个分支，以不同的输出参数来区分：电池性能参数，电池在最大功率时的复合损失，电池在开路电压时的复合损失，这三个分支可以单独或同时使用。人工神经网络模型的三个分支人工神经网络均经过对钙钛矿太阳能电池器件各参数的针对性优化，减少了人工网络的误差，提高了最终人工神经网络模型的准确度。
14、作为一种优选方案，步骤s21具体包括：
15、从实验表征数据库和材料参数数据库获取参数并确认参数范围；
16、采用拉丁超立方取样法从参数中采样获得输入参数；
17、对输入参数预处理包括：
18、对输入参数的最大值和最小值进行比较，若最大值和最小值相差超过设定差异阈值，采用十进制对数方法对该输入参数进行取样；
19、对输入参数进行归一化处理；
20、根据预处理后输入参数分别构建样本数据，包括训练数据，验证数据和测试数据。
21、本方案从钙钛矿太阳能电池的实验表征数据库和材料参数数据库来获取各参数以及确定参数的范围，且尽可能保证这些范围覆盖到现有各材料以及后续可能的新材料。从参数中采样获得输入参数，采样方法采用拉丁超立方取样法，所有输入参数同时变化，使得输入参数都能成均匀分布，且减少理论所需样本数量，节约数据获取及人工神经网络训练时间。对输入参数预处理包括对每项输入参数最大值与最小值差异判断，当最大值和最小值存在巨大差异时，该输入参数采用十进制对数方法进行取样，以保证数据的均匀分布。预处理还包括对输入参数进行归一化处理，将数据均匀散布到-1和1的区间内。预处理后的输入参数来构建样本数据，一共建立四份数据，分别为一份为人工神经网络训练用训练数据，取样数量例如十万，一份验证用的验证数据，取样数为一万，两份测试用的测试数据，取样数各为一万。
22、作为一种优选方案，在步骤s21后还包括对各输入参数进行太阳能电池各材料/传输层的能级需求匹配，若匹配成功，保留输入参数，若匹配不成功，放弃该输入参数。
23、由于钙钛矿太阳能电池各材料/传输层的能级需要匹配才能正常发电运作，因此需要进行能级需求匹配，当一个输入参数数据中的能级不匹配时，该输入参数会被放摒弃，剩余的匹配的数据被保留。
24、作为一种优选方案，所述步骤s22具体包括：
25、将样本数据输入到载流子漂移扩散模型，通过有限元求解器求解，输出电流-电压曲线；
26、从电流-电压曲线中分析获取性能参数的电池开路电压，填充因子，转换效率，以及在最大功率点和开路电压的辐射复合损失，非平衡载流子复合损失，俄歇复合损失和各界面复合损失；
27、根据输出参数的性能参数，最大功率点复合损失，开路电压复合损失三部分对输入参数进行分类。
28、本方案人工神经网络模型训练数据来源为使用有限元求解器的载流子漂移扩散模型，使得最终光电模型相较双二极管模型，其考虑到的钙钛矿太阳能器件和薄膜参数的更广泛、数据来源准确率更高，且数据可调范围和自由度更大。
29、作为一种优选方案，建立人工神经网络模型，结构包括输入层，三个中间隐藏层，一个输出层前的固定隐藏层，输出层，训练采用贝叶斯正则化，最大迭代数为一千，所允许的最大验证误差增加的迭代数为十，超参数由贝叶斯优化程序决定。
30、建立的人工神经网络模型结构为，一个输入层，三个中间隐藏层，一个输出层前的固定隐藏层，输出层，其中训练逻辑为贝叶斯正则化，最大迭代数为一千，所允许的最大验证误差增加的迭代数为十，模型设定了高于一般需求值的最大迭代数及较低的所允许的最大验证误差增加迭代数，并且由于使用了庞大样本量、不同种子生成的固定训练、验证及测试数据，而不是根据通常的k折交叉验证来分割数据，由此在保证所得神经网络的训练一致性和准确度上，防止了过拟合的发生。
31、超参数的贝叶斯优化程序：通过贝叶斯优化法确认人工神经网络的最佳超参数，所能优化的超参数包括但不限于初始学习率、最小梯度、动量、每个中间隐藏层的激活函数及神经元个数等。所使用的代价函数为人工神经网络训练的最终均方误差。通过限定优化的最长耗时、代价函数的目标最小值和最小梯度、以及最大迭代数以中止优化。
32、最终获得的人工神经网络模型用于达成快速电池器件表征，其计算结果同步到数据库中，同时每当有新一批实验数据进入，可直接进行模型的复训。由于人工神经网络模型可复训的性质，在进行一定数量的实验表征与校准后，可以定期进行模型复训，方便保证光电模型跟进材料和科技发展。通常，复训所用时间比初次训练少，且可直接使用优化后的超参数。
33、作为一种优选方案，在构成光电模型后，还对光电模型进行校准，包括以下步骤：
34、从实验电压-电流曲线中获得短路电流，开路电压，填充因子及转换效率，并根据所用材料及制备方法确认材料参数或参数范围；
35、根据短路电流，结合薄膜波动光学模型对光学方面进行参数校准，包括材料在各吸收波长下的折射率实部和虚部，以及各层薄膜厚度；
36、根据开路电压，填充因子，转换效率，结合人工神经网络模型对未定参数进行校准。
37、本方案能够实现对光学参数及薄膜厚度快速校准和对材料及复合参数进行快速校准。校准根据需要进行，在需要校准时，人工神经网络模型的输入来源为电池材料大致参数及电流-电压曲线，因此只需在实验室进行电流-电压表征即可，无需其他仪器辅助校准，校准过程方便快捷。本发明解决了现有钙钛矿太阳能电池模型参数校准耗时长，仿真效率低无法快速满足实际需求的问题。
38、作为一种优选方案，薄膜波动光学模型为：
39、x=a\b
40、其中x为要求解的光电场强度构成的列矩阵，a为由波数和薄膜厚度构成的对角矩阵，b为由在各薄膜之间作为激发的光源构成的列矩阵。
41、本方案薄膜波动关系模型采用矩阵解析模型，其中矩阵a由波数和薄膜厚度构成，考虑到了光在各薄膜中与各薄膜层之间的折射性质，矩阵b表示着在各薄膜层之间作为激发的光源。光电场强度为由矩阵a每一层数据与矩阵b对应层数据的左除计算。
42、作为一种优选方案，所述的待测数据输入光电模型获得多个电池性能参数，具体包括以下过程：
43、待测数据输入薄膜波动光学模型，待测数据同获得样本数据的方式相同，计算光学生成的载流子产生率g：
44、g=f(ez)=foptics(l,m,κ,i0,ra)
45、其中，ez为光电场强度，l为薄膜厚度，m为折射率实部，κ为折射率虚部，i0为入射光谱，ra为表面反射率；
46、待测数据结合载流子产生率输入人工神经网络模型，计算输出参数output，
47、output=fnn(g,w,χ,μ,n, ε,aaug,brag,τ,v,va,t)
48、其中，w为金属功函数，χ为材料能级，μ为载流子迁移率，n为材料能级密度，ε为材料介电函数，aaug为俄歇复合常数，brag为辐射复合常数，τ为载流子生命周期，v为界面复合常数，va为施加电压，t为温度。
49、作为一种优选方案，待测数据输入光电模型获得电池性能参数包括器件性能，最大功率点复合损失，开压复合损失数据，根据性能参数进行相应的性能分析。
50、光电模型输出参数包括三个部分，分别为器件性能、最大功率点复合损失、开压复合损失数据，输出参数可以进行参数敏感度分析、复合损失分析、以及电池性能优化的应用。其中参数敏感度分析，可以采用器件性能、最大功率点复合损失、开压复合损失三部分数据，使用蒙特卡罗等模拟法，计算各输出参数在局部或全域对最终输出参数的敏感度，用于找出钙钛矿电池中最可能影响其性能的薄膜层或表面。复合损失分析，可以采用最大功率点复合损失、开压复合损失数据，使用输出参数计算钙钛矿电池器件在最大功率点和开压下各复合损失的占比，以此决定如何有效提升填充因子及开路电压。电池性能优化，可以采用器件性能数据，将输出参数直接应用到各种大型优化算法中。
51、因此，本发明的优点是：
52、本发明中用于仿真获取电池性能参数的光电模型采用薄膜波动光学模型与针对于载流子漂移扩散的人工神经网络模型的合并模型，抛弃了计算难度高、耗时较长的有限元求解器，用机器学习的方法取而代之，参数校准时间短，提高了光电模型仿真效率，快速满足对于太阳能性能分析的需求。
53、人工神经网络模型采用拉丁超立方取样阀，输入参数成均匀分布，减少理论所需样本，节约数据获取及神经网络训练时间。使用庞大样本量、不同种子生成的固定训练、验证及测试数据，而不是根据通常的k折交叉验证来分割数据，由此在保证所得神经网络的训练一致性和准确度上，防止了过拟合的发生。
54、实现对光学参数及薄膜厚度快速校准和对材料及复合参数进行快速校准。在需要校准时，人工神经网络模型的输入来源为电池材料大致参数及电流-电压曲线，只需在实验室进行电流-电压表征即可，无需其他仪器辅助校准，校准过程方便快捷，解决了电池性能分析过程中对钙钛矿太阳能电池模型参数校准耗时长，仿真效率低无法满足快速性能分析需求的问题。
1.一种采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是所述的构建并训练获得人工神经网络模型，具体包括以下过程：
3.根据权利要求2所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是步骤s21具体包括：
4.根据权利要求2或3所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是在步骤s21后还包括对各输入参数进行太阳能电池各材料/传输层的能级需求匹配，若匹配成功，保留输入参数，若匹配不成功，放弃该输入参数。
5.根据权利要求2所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是所述步骤s22具体包括：
6.根据权利要求2所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是建立人工神经网络模型，结构包括输入层，三个中间隐藏层，一个输出层前的固定隐藏层，输出层，训练采用贝叶斯正则化，最大迭代数为一千，所允许的最大验证误差增加的迭代数为十，超参数由贝叶斯优化程序决定。
7.根据权利要求1或2或3所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是在构成光电模型后，还对光电模型进行校准，包括以下步骤：
8.根据权利要求1或2或3所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是薄膜波动光学模型为：
9.根据权利要求1或2或3所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是所述的待测数据输入光电模型获得多个电池性能参数，具体包括以下过程：
10.根据权利要求1或2或3所述的采用基于神经网络的光电模型的太阳能电池性能分析方法，其特征是待测数据输入光电模型获得电池性能参数包括器件性能，最大功率点复合损失，开压复合损失数据，根据性能参数进行相应的性能分析。
