(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111203503.5 (22)申请日 2021.10.15 (71)申请人 厦门大学 地址 361005 福建省厦门市思明区思明南 路422号 申请人 嘉庚创新实验室 (72)发明人 黄凯　江莹　姜卓颖　李琳　李澄　 李金钗　张荣　康俊勇　 (74)专利代理 机构 厦门加减专利代理事务所 (普通合伙) 35234 代理人 李强　杨泽奇 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01)G06F 30/27(2020.01) H02J 7/35(2006.01) (54)发明名称 一种太阳能电池结构性能的预测方法 (57)摘要 本发明涉及太阳能电池技术领域， 提供一种 太阳能结构性能的预测方法， 主要是通过对太阳 能电池结构的输入特征参数及对应的输出特征 参数进行收集、 提取， 并建立相应的数据集及依 据已知的准则对 数据集中的数据进行预处理； 利 用机器学习算法搭建模型， 并对 此模型进行结构 参数设定及初始化训练； 运用经预处理后的前述 数据集对经结构参数初始化训练后的模型进行 训练优化， 进而得到预测模型； 将待预测的太阳 能电池结构的输入特征参数的测试数据输入该 预测模型， 进而获得该待预测的太阳能电池结构 的输出特征参数的预测值。 藉此， 可以对太阳能 电池结构 的性能进行快速预测， 操作简便， 准确 性高。 权利要求书2页 说明书11页 附图4页 CN 113919576 A 2022.01.11 CN 113919576 A 1.一种太阳能电池结构性能的预测方法， 其特 征在于： 包括下列步骤： 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； 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； 运用机器学习算法构建初始模型； 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； 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； 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。 2.根据权利要求1所述的太阳能电池结构性 能的预测方法， 其特征在于： 所述机器学习 算法至少为深度学习算法、 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。 3.根据权利要求2所述的太阳能电池结构性 能的预测方法， 其特征在于： 所述深度 学习 算法至少为卷积神经网络、 自编码、 深度置信网络中的一种。 4.根据权利要求1所述的太阳能电池结构性 能的预测方法， 其特征在于： 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。 5.根据权利要求4所述的太阳能电池结构性 能的预测方法， 其特征在于： 所述底电池沿 堆叠方向包括衬底、 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； 每个所述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。 6.根据权利要求1所述的太阳能电池结构性 能的预测方法， 其特征在于： 所述太阳能电 池结构的输入特征参数包括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 。 7.根据权利要求1所述的太阳能电池结构性 能的预测方法， 其特征在于： 对所述原始数 据集和所述预测数据集进行 预处理的方法包括以下步骤： 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； 数据处理， 对挑选出的所述特 征数据进行归一 化处理； 数据重组， 对处 理后的所述特 征数据的大小 进行重组。 8.根据权利要求7所述的太阳能电池结构性 能的预测方法， 其特征在于： 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。 9.根据权利要求1所述的太阳能电池结构性 能的预测方法， 其特征在于： 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， 所述均方误差公权　利　要　求　书 1/2 页 2 CN 113919576 A 2式为： 其中， Predicti、 Actuali分别为第i个样本的预测值、 真实 值。 10.根据权利要求1所述的太阳能电池结构性能的预测方法， 其特征在于： 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。权　利　要　求　书 2/2 页 3 CN 113919576 A 3