使用机器学习预测矿太阳能电池的光伏参数
Zhan Hui1, Min Wang2,3, Jialu Chen1
1College of Information Engineering, Yangzhou University, Yangzhou 225127, People's Republic of China.
概括
机器学习模型准确预测矿太阳能电池 (PSC) 的性能. 人工神经网络 (ANN) 在预测功率转换效率 (PCE) 和短路电流密度 (Jsc) 中表现出色,而随机森林 (RF) 则最适合开路电压 (Voc) 和填充因子 (FF).
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 计算化学的计算化学
背景情况:
- 矿太阳能电池 (PSC) 是高效和成本效益的可再生能源.
- 寻找最佳PSC的传统实验查是耗时且资源密集的.
- 机器学习 (ML) 提供了一个更快,人工智能驱动的方法来利用现有数据预测PSC性能.
研究的目的:
- 预测PSC的关键光伏参数,包括功率转换效率 (PCE),短路电流密度 (Jsc),开路电压 (Voc) 和填充因子 (FF).
- 开发和评估先进的ML模型,包括一个新的人工神经网络 (ANN) 架构,用于PSC性能预测.
- 为ML模型提供可解释的分析,阐明特征对PCE的影响,以提高理解.
主要方法:
- 利用七个监督的ML算法来预测PSC的关键光伏参数.
- 设计了一个专门的ANN架构,包含剩余连接和层规范化,以提高性能.
- 进行了可解释性分析,以了解特征对PCE预测的影响.
主要成果:
- 该ANN模型在预测PCE (RMSE为2.632%) 和Jsc (RMSE为2.244 mA cm−2) 方面取得了很高的准确性.
- 随机森林 (RF) 模型证明了 Voc 和 FF 的优异预测准确性.
- 功能重要性分析提供了对影响PSC PCE的因素的见解.
结论:
- ML技术,特别是ANN和RF,显著加快了PSC光伏参数的预测.
- 开发的ANN架构为PSC研究提供了更大的范围和适应性.
- 这项研究提出了一种新,准确和可解释的ML方法,以促进PSC的发展.
