CN116825227A - 一种基于深度生成模型的钙钛矿组分比例分析方法及装置 - Google Patents

一种基于深度生成模型的钙钛矿组分比例分析方法及装置 Download PDF

Info

Publication number
CN116825227A
CN116825227A CN202311107647.XA CN202311107647A CN116825227A CN 116825227 A CN116825227 A CN 116825227A CN 202311107647 A CN202311107647 A CN 202311107647A CN 116825227 A CN116825227 A CN 116825227A
Authority
CN
China
Prior art keywords
perovskite
conversion
efficiency
analysis model
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311107647.XA
Other languages
English (en)
Other versions
CN116825227B (zh
Inventor
刘家凯
林熹
杨安泰
张靖梓
钟承权
刘昊天
胡凯龙
姚克欣
杨琛
王迎松
姚育曙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sunrise Xiamen Photovoltaic Industry Co ltd
Original Assignee
Sunrise Xiamen Photovoltaic Industry Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sunrise Xiamen Photovoltaic Industry Co ltd filed Critical Sunrise Xiamen Photovoltaic Industry Co ltd
Priority to CN202311107647.XA priority Critical patent/CN116825227B/zh
Publication of CN116825227A publication Critical patent/CN116825227A/zh
Application granted granted Critical
Publication of CN116825227B publication Critical patent/CN116825227B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明涉及新材料性能分析技术领域，揭示了一种基于深度生成模型的钙钛矿组分比例分析方法及装置，包括：构建待训练的钙钛矿转化分析模型，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器，利用钙钛矿标准数据集训练钙钛矿转化分析模型，得到已训练的钙钛矿转化分析模型，将目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例。本发明主要目的在于解决当前钙钛矿组分设计仅依靠已有经验，存在开发高光电转化效率的钙钛矿需要耗费较高实验试错成本的问题。

Description

一种基于深度生成模型的钙钛矿组分比例分析方法及装置
技术领域
本发明涉及一种基于深度生成模型的钙钛矿组分比例分析方法及装置，属于新材料性能分析技术领域。
背景技术
在当今科学技术的发展环境下，不断提高能源效率和节能减排已成为实现可持续发展的核心途径。太阳能作为最为丰富的可再生清洁能源，近年来一直备受关注。为探索高效率、低成本的新型光伏材料，研究人员长期致力于寻找具有优异光电性质的钙钛矿材料。钙钛矿材料因其高吸收系数、高载流子迁移率以及较高缺陷容忍度等特点备受关注。通过调整钙钛矿材料的配比，在改变其能隙的同时可以改变其对阳光的吸收波长范围。据理论计算，单结钙钛矿太阳电池的光电转化效率（PCE）极限可达33%，高于晶硅电池的29%。在过去十余年中，通过对钙钛矿化学成分进行多次优化，以3D有机-无机杂化卤化物钙钛矿作为吸收层的钙钛矿太阳电池的PCE已由最初的3.8%迅速提升至当前的25.7%。当前，精准调控钙钛矿材料的成分已成为提高PCE的有效途径之一，然而由于钙钛矿原料的组合方法多样性，目前仍难以通过“试错法”形成高度有效且具有说服力的结论。因此，如何通过科学有效的方法对钙钛矿材料进行有针对性的成分调控，成为当前研究中亟待解决的难题。
随着计算机科学的快速发展，人工智能（AI）在图像处理、模式识别和自然语言处理等领域取得了重大突破。深度学习技术作为机器学习的一种重要方法，已经被逐步应用于新材料的发现、性质分析以及材料相互作用等方面。在科学第四范式下利用深度学习等技术可以根据材料属性快速分析和筛选新材料，从而极大缩小候选材料的搜索范围，更好的为实验验证提供指导，加速钙钛矿新材料的研发进程。因此，目前通过结合深度学习模型分析钙钛矿材料的成分从而提高钙钛矿对太阳能电池的光电转化效率具有广阔的前景。
由于钙钛矿原料的组合方法具有多样性，目前仍难以通过“试错法”形成高度有效且具有说服力的结论。因此，当前钙钛矿组分设计仅依靠已有经验，存在开发高光电转化效率的钙钛矿需要耗费较高实验试错成本的问题。
发明内容
本发明提供一种基于深度生成模型的钙钛矿组分比例分析方法、装置及计算机可读存储介质，其主要目的在于解决当前钙钛矿组分设计仅依靠已有经验，存在开发高光电转化效率的钙钛矿需要耗费较高实验试错成本的问题。
为实现上述目的，本发明提供的一种基于深度生成模型的钙钛矿组分比例分析方法，包括：
获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器；
利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型；
接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例；
根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率，完成基于深度生成模型的钙钛矿组分比例分析。
可选地，所述对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，包括：
从所述钙钛矿原始数据集中依次提取每份钙钛矿原始数据，并对每份钙钛矿原始数据均执行如下操作：
判断钙钛矿原始数据的完整性，若钙钛矿原始数据存在缺少组分名称及比例，则直接剔除钙钛矿原始数据；
若钙钛矿原始数据为完整数据，判断基于所述钙钛矿原始数据构建的太阳能电池是否为3D有机-无机杂化卤化物钙钛矿太阳能电池；
若基于所述钙钛矿原始数据构建的太阳能电池不为3D有机-无机杂化卤化物钙钛矿太阳能电池，则直接剔除该钙钛矿原始数据；
若基于所述钙钛矿原始数据构建的太阳能电池为3D有机-无机杂化卤化物钙钛矿太阳能电池，获取基于所述钙钛矿原始数据构建的3D有机-无机杂化卤化物钙钛矿太阳能电池对应的光电转化效率，以及获取光电转化效率的测试环境；
剔除光电转化效率为0的钙钛矿原始数据后，判断测试环境是否为大气质量AM1.5、标定辐照度1000 W/m2及标定温度25℃的标准测试环境；
若测试环境不为AM1.5、1000 W/m2及25℃的标准测试环境，则直接剔除该钙钛矿原始数据；若测试环境为AM1.5、1000 W/m2及25℃的标准测试环境，对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据；
汇聚每组钙钛矿标准数据及对应的光电转化效率，得到钙钛矿标准数据集。
可选地，所述对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据，包括：
对钙钛矿原始数据执行组分分离操作，得到八种组分及比例值，其中，八种组分分别为MA、FA、Cs、Rb、Pb、Sn、Br及I；
将MA、FA、Pb及I作为钙钛矿主体组分，将Cs、Rb、Sn及Br作为钙钛矿掺杂组分；以及，
根据预设的等级区间，将光电转化效率映射为转化效率等级；
汇总钙钛矿主体组分、钙钛矿掺杂组分的比例值及转化效率等级，得到所述钙钛矿标准数据。
可选地，所述转化效率等级包括高效转化效率、中效转化效率及低效转化效率，且高效转化效率为大于或等于20%、中效转化效率大于等于16%且小于20%、低效转化效率小于16%。
可选地，所述构建待训练的钙钛矿转化分析模型，包括：
确定第一激活函数及第二激活函数，其中，第一激活函数为LeakyReLU，第二激活函数为ReLU；
以一维卷积层、批标准化函数及第一激活函数的顺序构建得到编码器；
基于三个一维转置卷积及第二激活函数构建得到生成器；
按照编码器在前，生成器在后，并结合预构建的标签鉴别器和特征鉴别器，构建得到所述钙钛矿转化分析模型。
可选地，所述标签鉴别器和特征鉴别器分别包括两个全连接层，且共享三个一维卷积层，且层与层之间使用LeakyReLU激活函数链接。
可选地，所述利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，包括：
设定钙钛矿转化分析模型的损失函数及优化算法，其中，损失函数包括三种损失函数，分别为重建损失函数、KL散度函数及对抗损失函数；
构建输入特征，其中，输入特征由第一通道特征及第二通道特征组成，且第一通道特征包括钙钛矿主体组分，第二通道特征包括钙钛矿掺杂组分；
将输入特征导入至钙钛矿转化分析模型，并基于编码器降低输入特征的维度，得到低维特征；
利用所述生成器将低维特征重建为重建特征，其中，重建特征的维度与输入特征的维度相同；
利用特征鉴别器计算重建特征与输入特征的特征差异值的同时，预测重建特征的转化效率等级，得到预测效率等级；
基于标签鉴别器计算预测效率等级与转化效率等级的差异值，得到标签差异值；
在优化算法的前提下，基于所述三种损失函数，计算得到特征差异值及标签差异值的损失值，并通过损失值迭代钙钛矿转化分析模型的模型参数；
直至迭代次数大于预先设定的迭代阈值，退出训练得到已训练的钙钛矿转化分析模型。
可选地，所述KL散度函数为：
；
其中，表示高斯分布函数，/>表示生成器生成重建特征的第/>个维度的概率分布函数，/>表示生成重建特征的第/>个维度的概率分布函数相对于高斯分布函数的KL散度值，/>和/>表示生成器生成的重建特征的第/>个维度相对于二维输入特征的均值和标准差，/>表示重建特征的维度。
可选地，所述重建损失函数和对抗损失函数均采用交叉熵损失函数。
为了解决上述问题，本发明还提供一种基于深度生成模型的钙钛矿组分比例分析装置，所述装置包括：
钙钛矿数据集获取模块，用于获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
数据集清洗模块，用于对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
转化分析模型构建模块，用于构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器；
模型训练及应用模块，用于利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例；
实验验证模块，用于根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现上述所述的基于深度生成模型的钙钛矿组分比例分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于深度生成模型的钙钛矿组分比例分析方法。
相比于背景技术所述问题，本发明先获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集，需解释的是，由于本发明所构建的钙钛矿原始数据集均来源于权威论文及数据库所揭露的钙钛矿组成成分及对光电转化效率的影响，因此数据集的准确性更高，其次，对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I，由于该八种组分是组成钙钛矿的核心组分，因此本发明从钙钛矿原始数据集中提取出该八种组分的组成比例，从而可有效构成用于训练模型的数据集，其次，构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器，为了克服八种组分所构成的训练集的数量量级不满足深度学习模型的训练要求，本发明基于已有训练集通过编码器与生成器生成更多的训练数据，从而解决转化高效光电转化钙钛矿的组分比例设计方法存在耗时耗力的问题，因此利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，从而训练达到可用于实际光电转化效率分析的钙钛矿转化分析模型，故接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例，因此本发明提出的基于深度生成模型的钙钛矿组分比例分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决当前钙钛矿组分设计仅依靠已有经验，存在开发高光电转化效率的钙钛矿需要耗费较高实验试错成本的问题。
附图说明
图1为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法的流程示意图；
图2为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法中关于钙钛矿转化分析模型的结构图；
图3为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法中关于高效光电转化等级的钙钛矿MA0.09FA0.9Pb(I0.9Br0.1)3的JV曲线；
图4为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法中关于中效光电转化等级的钙钛矿MA0.52FA0.46PbI3的JV曲线；
图5为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法中关于钙钛矿转化分析模型的训练图
图6为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析装置的功能模块图；
图7为本发明一实施例提供的实现所述基于深度生成模型的钙钛矿组分比例分析方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于深度生成模型的钙钛矿组分比例分析方法。所述基于深度生成模型的钙钛矿组分比例分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度生成模型的钙钛矿组分比例分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：参照图1所示，为本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析方法的流程示意图。在本实施例中，所述基于深度生成模型的钙钛矿组分比例分析方法包括：
S1、获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集。
可解释的是，所述钙钛矿原始数据集来源包括但不限于公开数据库及论文集。其中，公开数据库包括CS、Elsevier、Wiley、RSC等，论文集包括2013年至2020年间880篇钙钛矿太阳能电池相关研究文章所使用的样本数据。示例性的，某2020年一篇公开论文中阐述，若组成钙钛矿的组分及各组分的比例分别为：{'Cs'（铯）: 0.05, 'MA'（甲胺）: 0.095, 'FA'（甲脒）: 0.855, 'Rb'（铷）: 0, 'Pb'（铅）: 1, 'Sn'（锡）: 0, 'I'（碘）: 0.9, 'Br'（溴）: 0.1, 'Cl'（氯）: 0.0}，且利用这种比例构成的钙钛矿太阳电池的光电转化效率可达到22.7%，因此可从2020年的这篇公开论文中提取出这组比例数据及光电转化效率，从而构建得到钙钛矿原始数据。
即可确定的是，钙钛矿原始数据由组成组分、组成组分的占比及光电转化效率组成，且本发明其中一个实施例中，通过公开数据库及论文集共获取2991组钙钛矿原始数据。
S2、对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由['MA', 'FA', 'Cs', 'Rb', 'Pb', 'Sn', 'Br', 'I']共八种组分的比例值和转化效率等级组成。
需理解的是，由于不同论文对组成钙钛矿的成分研究重点不同，可能存在钙钛矿原始数据集中不同钙钛矿原始数据的组分成分不同的现象。示例性的，如钙钛矿原始数据A共有10种组分，钙钛矿原始数据B共有11种组分，相较于钙钛矿原始数据A而言，钙钛矿原始数据B中还包括铷组分，因此，为了保证钙钛矿原始数据集中每组钙钛矿原始数据的组分成分是相同的，本发明实施例还需要对钙钛矿原始数据集执行数据清洗操作。
详细地，所述对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，包括：
从所述钙钛矿原始数据集中依次提取每份钙钛矿原始数据，并对每份钙钛矿原始数据均执行如下操作：
判断钙钛矿原始数据的完整性，若钙钛矿原始数据存在缺少组分名称及比例，则直接剔除钙钛矿原始数据；
若钙钛矿原始数据为完整数据，判断基于所述钙钛矿原始数据构建的太阳能电池是否为3D有机-无机杂化卤化物钙钛矿太阳能电池；
若基于所述钙钛矿原始数据构建的太阳能电池不为3D有机-无机杂化卤化物钙钛矿太阳能电池，则直接剔除该钙钛矿原始数据；
若基于所述钙钛矿原始数据构建的太阳能电池为3D有机-无机杂化卤化物钙钛矿太阳能电池，获取基于所述钙钛矿原始数据构建的3D有机-无机杂化卤化物钙钛矿太阳能电池对应的光电转化效率，以及获取光电转化效率的测试环境；
剔除光电转化效率为0的钙钛矿原始数据后，判断测试环境是否为大气质量AM1.5、标定辐照度1000 W/m2及标定温度25℃的标准测试环境；
若测试环境不为AM1.5、1000 W/m2及25℃的标准测试环境，则直接剔除该钙钛矿原始数据；若测试环境为AM1.5、1000 W/m2及25℃的标准测试环境，对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据；
汇聚每组钙钛矿标准数据及对应的光电转化效率，得到钙钛矿标准数据集。
可理解的是，即使钙钛矿的组成组分及比例相同，但不同结构或类型的太阳能电池，其对应的光电转化效率也会有所不同，而本发明实施例的主要目的是探究组成钙钛矿的不同比例组分对光电转化效率的影响，因此为了达到控制变量的目的，本发明实施例会剔除非3D有机-无机杂化卤化物钙钛矿太阳能电池的钙钛矿原始数据。示例性的，钙钛矿原始数据集中存在钙钛矿原始数据A、钙钛矿原始数据B和钙钛矿原始数据C，但发现钙钛矿原始数据C是用于构建2D钙钛矿太阳能电池，并非3D钙钛矿太阳能电池，故可直接将钙钛矿原始数据C剔除。
进一步地，不同测试环境也会影响所得到光电转化效率，因此为了统一测试环境，本发明实施例设定每组钙钛矿原始数据所测试得到的光电转化效率，其测试环境均为AM1.5、1000 W/m2及25℃。需解释的是，标准太阳光谱：指太阳辐射在地球大气层外发出时通过大气层后到达地面的光谱。一般使用AM1.5标准，表示大气质量为1.5时的光谱，其是太阳能电池测试的基准。标定辐照度1000 W/m2是指在AM1.5太阳光谱下，太阳辐射在垂直于地面的面积为1平方米的表面上的平均辐照强度为1000瓦特每平方米。标定温度25℃：是指在测试太阳能电池时，环境温度应保持在25℃，以便与不同环境条件下测试结果进行比较。即执行太阳能电池的光电转化效率测试时，需使用标准太阳光谱下的1000 W/m2的辐照度，并保持环境温度在25℃，以保证测试结果的可比性。
此外，所述对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据，包括：
对钙钛矿原始数据执行组分分离操作，得到八种组分及比例值，其中，八种组分分别为MA、FA、Cs、Rb、Pb、Sn、Br及I；
将MA、FA、Pb及I作为钙钛矿主体组分，将Cs、Rb、Sn及Br作为钙钛矿掺杂组分；以及，
根据预设的等级区间，将光电转化效率映射为转化效率等级；
汇总钙钛矿主体组分、钙钛矿掺杂组分的比例值及转化效率等级，得到所述钙钛矿标准数据。
重点地，所述组分分离操作需要根据每份钙钛矿原始数据的结构做适应性操作，如钙钛矿原始数据A中，记录将735.3 mg的PbI2、224.4 mg的FAI、16.2 mg的MABr及19.8 mg的CsI配置成钙钛矿溶液，因此本发明实施例将其分别除以摩尔质量（PbI2：461g/mol，FAI：171.97g/mol，MABr：111.96g/mol，CsI：259.8g/mol）可得摩尔百分比为PbI2：FAI：MABr：CsI为1.595 mmol：1.305 mmol：0.145 mmol：0.076 mmol，进而可得钙钛矿的组成组分及比例分别为Cs0.05、FA0.85、MA0.10、Pb1.00、I0.97及Br0.03。
此外还需强调的是，如果钙钛矿原始数据中含有MACl或PbCl2，根据公开技术可知，在构建太阳能电池时需要执行退火操作，由于退货过程中Cl大量挥发，在钙钛矿中并不会出现Cl的残留，因此在钙钛矿组成通常不会含有Cl。
需解释的是，本发明实施例预设的等级区间共为3个等级，即转化效率等级包括高效、中效及低效。其中，高效等级的光电转化效率为大于或等于20%、中效转化效率大于等于16%且小于20%、低效的光电转化效率小于16%。
本发明实施例在构建钙钛矿标准数据集时，还包括去除钙钛矿原始数据中空格、特殊符、光电转化效率修正等操作，在此不再赘述。
S3、构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器。
详细地，所述构建待训练的钙钛矿转化分析模型，包括：
确定第一激活函数及第二激活函数，其中，第一激活函数为LeakyReLU，第二激活函数为ReLU；
以一维卷积层、批标准化函数及第一激活函数的顺序构建得到编码器；
基于三个一维转置卷积及第二激活函数构建得到生成器；
按照编码器在前，生成器在后，并结合预构建的标签鉴别器和特征鉴别器，构建得到所述钙钛矿转化分析模型。
参阅图2所示，为本发明实施例其中一种钙钛矿转化分析模型，该模型由四个模块组成，分别为编码器、生成器、标签鉴别器和特征鉴别器。且可理解的是，钙钛矿转化分析模型是基于深度学习模型构建所得，因此在使用钙钛矿转化分析模型之前，需要训练钙钛矿转化分析模型，直至满足训练条件以后，得到已训练的钙钛矿转化分析模型，才可利用已训练的钙钛矿转化分析模型预测未知转化效率等级的钙钛矿数据。
需解释的是，标签鉴别器和特征鉴别器分别包括两个全连接层，且共享三个一维卷积层，且层与层之间使用LeakyReLU激活函数链接。故当完成钙钛矿转化分析模型的构建后，下一步需要执行钙钛矿转化分析模型的训练。
S4、利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型。
详细地，所述利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，包括：
设定钙钛矿转化分析模型的损失函数及优化算法，其中，损失函数包括三种损失函数，分别为重建损失函数、KL散度函数及对抗损失函数；
构建输入特征，其中，输入特征由第一通道特征及第二通道特征组成，且第一通道特征包括钙钛矿主体组分，第二通道特征包括钙钛矿掺杂组分；
将输入特征导入至钙钛矿转化分析模型，并基于编码器降低输入特征的维度，得到低维特征；
利用所述生成器将低维特征重建为重建特征，其中，重建特征的维度与输入特征的维度相同；
利用特征鉴别器计算重建特征与输入特征的特征差异值的同时，预测重建特征的转化效率等级，得到预测效率等级；
基于标签鉴别器计算预测效率等级与转化效率等级的差异值，得到标签差异值；
在优化算法的前提下，基于所述三种损失函数，计算得到特征差异值及标签差异值的损失值，并通过损失值迭代钙钛矿转化分析模型的模型参数；
直至迭代次数大于预先设定的迭代阈值，退出训练得到已训练的钙钛矿转化分析模型。
依次解释的是，本发明实施例采用交叉熵函数作为重建损失函数，其主要目的在于衡量输入特征，及编码器生成器根据输入特征所得到的重建特征之间的误差。
而KL散度函数的主要目的在于约束输入特征转化为重建特征的误差，使其误差分布符合正态分布。在钙钛矿转化分析模型中，本发明实施例希望重建特征可以更好地与输入特征具有对应关系，即为了实现这个目标，通KL散度函数作为正则项（regularizationterm）来约束重建特征与输入特征的方差和标准差符合高斯分布，加入KL散度函数的目的可使生成器所生成的重建特征具有可控的生成变化。本发明实施例中，所述KL散度函数可以为：
；
其中，表示高斯分布函数，/>表示生成器生成重建特征的第/>个维度的概率分布函数，/>表示生成重建特征的第/>个维度的概率分布函数相对于高斯分布函数的KL散度值，/>和/>表示生成器生成的重建特征的第/>个维度相对于二维输入特征的均值和标准差，/>表示重建特征的维度。
此外，对抗损失函数是为了训练特征鉴别器而构建的损失函数。其基本思想是将特征鉴别器的判断结果转化为一个0-1的标签，将输入特征的标签设为1，重建特征的标签设为0。然后，使用交叉熵损失（cross-entropy loss）来衡量特征鉴别器的预测误差。对抗损失函数能够促使特征鉴别器更好地分辨输入特征和重建特征，从而帮助生成器产生更加真实的重建特征。
换言之，训练的主要目的是提高钙钛矿转化分析模型的分析能力，在每次训练迭代中，首先训练标签鉴别器和特征鉴别器，使得特征鉴别器可以准确地区分输入数据和重建数据，目标鉴别器则根据给定的转化效率等级对数据进行分类，然后，根据生成器生成重建数据以及给定的转化效率等级，训练编码器和生成器，使其可以生成满足条件的钙钛矿数据（即重建数据），可见通过不断地迭代优化，最终得到能够生成满足给定转化效率等级的钙钛矿样本的分析模型。
此外需解释的是，本发明实施例根据主体成分和掺杂成分构建得到输入特征，使用主体成分和掺杂成分的输入特征可实现双通道输入，在不改变数据本身的同时，可以提高模型训练效果，其中可改善的方面包括：减小单通道输入的方差，即传统方法直接使用单通道方式输入特征时，特征只能沿着一个维度进行变化，这容易导致模型出现过拟合或欠拟合等问题。而将数据拆分后可以在两个通道中分别输入不同类型的特征，这样有助于减小特征在单通道上的方差，提高模型的鲁棒性；此外，也可增加对噪声的容忍度，因为一些特征存在轻微噪声，那么将其拆分成主体成分和掺杂成分之后，可以让模型通过多个通道学习到更丰富的特征表示，从而有助于提高模型对噪声的容忍度。最后，减少特殊特征的影响：将数据拆分为主体和掺杂成分，增加了特征空间的维度，从而提高了模型学习特征的能力，同时减小了数据集中某些特殊特征对模型性能的影响，进而减小模型误判的概率，使模型更加稳定。
本发明实施例中，优化算法选用Adam，并同时设定Adam优化器的学习率为0.001，此外，同时设定迭代次数为160次执行训练，参阅图5所示，为本发明关于钙钛矿转化分析模型的训练图，其中，横轴表示迭代次数，纵轴表示损失值。
总结来说，钙钛矿转化分析模型的训练过程可通过一个示例展示，现假设钙钛矿标准数据集中有一组钙钛矿标准数据M，根据前述可知，钙钛矿标准数据M由钙钛矿主体组分、钙钛矿掺杂组分的比例值及转化效率等级组成，因此先将钙钛矿主体组分、钙钛矿掺杂组分的比例值输入至编码器，从而利用编码器将钙钛矿主体组分、钙钛矿掺杂组分的比例值的维度降低后，利用生成器再提高维度，即可得到重建特征。为了防止重建特征与输入特征差异性过高，因此利用特征鉴别器约束编码器与生成器，并同时预测出重建特征对应的转化效率等级，假设钙钛矿标准数据M的转化效率等级为高效，且预测出的转化效率等级也为高效，则表明真实效率等级与预测效率等级不具有误差，但随着钙钛矿标准数据的不断输入，钙钛矿转化分析模型对于转化效率等级的预测总会出现误差，因此本发明实施例构建了损失函数包括三种损失函数，分别约束重建特征与输入特征、真实效率等级与预测效率等级直接的误差值，从而保证钙钛矿转化分析模型具有更强的应用价值。
S5、接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例。
可理解的是，所述目标效率转化等级指需要获取的特定光电转化效率等级，例如：高效。根据S4描述，当完成训练条件退出训练后，即可得到满足后续要求的钙钛矿转化分析模型，因此，当接收需求的目标效率转化等级后，本发明实施例可直接使用该钙钛矿转化分析模型，逆向预测出钙钛矿中各组分比例，即利用所述钙钛矿转化分析模型的逆向预测技术，通过在钙钛矿转化分析模型的标签鉴别器中输入目标效率转化等级，得到第一通道特征及第二通道特征，其中第一通道特征包括钙钛矿主体组分组成比例，第二通道特征包括钙钛矿掺杂组分组成比例。
进一步地，当目标效率转化等级为高效时，设置生成数量，采用钙钛矿转化分析模型进行潜在材料的生成，通过检查生成产生的8个特征['MA', 'FA', 'Cs', 'Rb', 'Pb','Sn', 'Br', 'I']数据，实现查看不同位置的组分比例的目的，当获取钙钛矿中各组分比例时，需要判断个组分比例之和是否为1，若不为1则需要根据生成结果重新计算比例。最后，将所得特征放入正向模型ML中进行光电转化效率的预测，得到了生成的钙钛矿材料的预测光电转化效率，通过进一步地筛选，得到所需要的钙钛矿材料中组分的比例。在生成所需钙钛矿材料中组分的比例之后，我们将钙钛矿与ETL层、HTL层、溶剂和反溶剂等器件组成和工艺处理方法进行了不同的组合，通过筛选法结合正向模型，更高效有力地筛选出高光电转化效率的钙钛矿电池器件。
进一步的，可参阅图3及图4，为了证明钙钛矿转化分析模型的有效性，在生成的材料中选取了两组代表中等效率和高等效率的数据点，其中钙钛矿组成分别为MA0.52FA0.46PbI3和MA0.09FA0.9Pb（I0.9Br0.1）3，每组验证实验重复两次。在验证过程中使用了两步沉积方法制备了钙钛矿层，使用DMSO（二甲基亚砜）+DMF（二甲基甲酰胺）和IPA（异丙醇）分别作为溶解PbI2和有机溶液的有机溶剂，并在150摄氏度的条件下退火30min。为了测量PCE（光电转化效率），可以制造ITO（铟锡氧化物半导体透明导电膜）/SnO2（二氧化锡）/钙钛矿层/Spiro-OMeTAD(2，2'，7，7'-四[N，N-二(4-甲氧基苯基）氨基]-9，9'-螺二芴)/Au(金)电池器件结构。最终在标准太阳光下测得的最高反扫效率为19.13和21.8，分别满足了中效等级16-20，高效等级>20的条件，证明了模型是可靠的。因此当筛选高PCE材料时，将PCE的生成条件设置为高效，则可以找到PCE>20的钙钛矿材料的组分比例，进而通过实验验证发掘出潜在的高PCE的钙钛矿组成。
S6、根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率，完成基于深度生成模型的钙钛矿组分比例分析。
进一步的，在得到所述目标钙钛矿组分比例后，可以根据所述目标钙钛矿组分比例制备相应目标效率转化等级的目标钙钛矿样品，通过测试所述目标钙钛矿样品的实际光电转化率，再将所述实际光电转化率与所述目标效率转化等级进行对比，当所述实际光电转化率属于所述目标效率转化等级时，表示所述目标钙钛矿组分比例的目标钙钛矿样品是可以达到所述目标效率转化等级的。实现对基于深度生成模型的钙钛矿组分比例分析的效果验证。
相比于背景技术所述问题，本发明先获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集，需解释的是，由于本发明所构建的钙钛矿原始数据集均来源于权威论文及数据库所揭露的钙钛矿组成成分及对光电转化效率的影响，因此数据集的准确性更高，其次，对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I，由于该八种组分是组成钙钛矿的核心组分，因此本发明从钙钛矿原始数据集中提取出该八种组分的组成比例，从而可有效构成用于训练模型的数据集，其次，构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器，为了克服八种组分所构成的训练集的数量量级不满足深度学习模型的训练要求，本发明基于已有训练集通过编码器与生成器生成更多的训练数据，从而解决转化高效光电转化钙钛矿的组分比例设计方法存在耗时耗力的问题，因此利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，从而训练达到可用于实际光电转化效率分析的钙钛矿转化分析模型，故接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例，因此本发明提出的基于深度生成模型的钙钛矿组分比例分析方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决当前钙钛矿组分设计仅依靠已有经验，存在开发高光电转化效率的钙钛矿需要耗费较高实验试错成本的问题。
实施例2：如图6所示，是本发明一实施例提供的基于深度生成模型的钙钛矿组分比例分析装置的功能模块图。
本发明所述基于深度生成模型的钙钛矿组分比例分析装置100可以安装于电子设备中。根据实现的功能，所述基于深度生成模型的钙钛矿组分比例分析装置100可以包括钙钛矿数据集获取模块101、数据集清洗模块102、转化分析模型构建模块103、模型训练及应用模块104及实验验证模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述钙钛矿数据集获取模块101，用于获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
所述数据集清洗模块102，用于对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
所述转化分析模型构建模块103，用于构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器；
所述模型训练及应用模块104，用于利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例；
所述实验验证模块105，用于根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率。
详细地，本发明实施例中所述基于深度生成模型的钙钛矿组分比例分析装置100中的所述各模块在使用时采用与上述的图1中所述的基于深度生成模型的钙钛矿组分比例分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：如图7所示，是本发明一实施例提供的实现基于深度生成模型的钙钛矿组分比例分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于深度生成模型的钙钛矿组分比例分析程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（SmartMediaCard，SMC）、安全数字（SecureDigital，SD）卡、闪存卡（FlashCard）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于深度生成模型的钙钛矿组分比例分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（CentralProcessingunit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如基于深度生成模型的钙钛矿组分比例分析程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheralcomponentinterconnect，简称PCI）总线或扩展工业标准结构（extendedindustrystandardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图7示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转化器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（OrganicLight-EmittingDiode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于深度生成模型的钙钛矿组分比例分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器；
利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型；
接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例；
根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率，完成基于深度生成模型的钙钛矿组分比例分析。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图6对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器；
利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型；
接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到预测的目标钙钛矿组分比例；
根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率，完成基于深度生成模型的钙钛矿组分比例分析。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述方法包括：
获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器组成；
利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型；
接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到分析的目标钙钛矿组分比例；
根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率，完成基于深度生成模型的钙钛矿组分比例分析。
2.如权利要求1所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，包括：
从所述钙钛矿原始数据集中依次提取每份钙钛矿原始数据，并对每份钙钛矿原始数据均执行如下操作：
判断钙钛矿原始数据的完整性，若钙钛矿原始数据存在缺少组分名称及比例，则直接剔除钙钛矿原始数据；
若钙钛矿原始数据为完整数据，判断基于所述钙钛矿原始数据构建的太阳能电池是否为3D有机-无机杂化卤化物钙钛矿太阳能电池；
若基于所述钙钛矿原始数据构建的太阳能电池不为3D有机-无机杂化卤化物钙钛矿太阳能电池，则直接剔除该钙钛矿原始数据；
若基于所述钙钛矿原始数据构建的太阳能电池为3D有机-无机杂化卤化物钙钛矿太阳能电池，获取基于所述钙钛矿原始数据构建的3D有机-无机杂化卤化物钙钛矿太阳能电池对应的光电转化效率，以及获取光电转化效率的测试环境；
剔除光电转化效率为0的钙钛矿原始数据后，判断测试环境是否为大气质量AM1.5、标定辐照度1000 W/m2及标定温度25℃的标准测试环境；
若测试环境不为AM1.5、1000 W/m2及25℃的标准测试环境，则直接剔除该钙钛矿原始数据；若测试环境为AM1.5、1000 W/m2及25℃的标准测试环境，对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据；
汇聚每组钙钛矿标准数据及对应的光电转化效率，得到钙钛矿标准数据集。
3.如权利要求2所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述对钙钛矿原始数据执行结构转化，得到钙钛矿标准数据，包括：
对钙钛矿原始数据执行组分分离操作，得到八种组分及比例值，其中，八种组分分别为MA、FA、Cs、Rb、Pb、Sn、Br及I；
将MA、FA、Pb及I作为钙钛矿主体组分，将Cs、Rb、Sn及Br作为钙钛矿掺杂组分；以及，
根据预设的等级区间，将光电转化效率映射为转化效率等级；
汇总钙钛矿主体组分、钙钛矿掺杂组分的比例值及转化效率等级，得到所述钙钛矿标准数据。
4.如权利要求3所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述转化效率等级包括高效转化效率、中效转化效率及低效转化效率，且高效转化效率为大于或等于20%、中效转化效率大于等于16%且小于20%、低效转化效率小于16%。
5.如权利要求4所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述构建待训练的钙钛矿转化分析模型，包括：
确定第一激活函数及第二激活函数，其中，第一激活函数为LeakyReLU，第二激活函数为ReLU；
以一维卷积层、批标准化函数及第一激活函数的顺序构建得到编码器；
基于三个一维转置卷积及第二激活函数构建得到生成器；
按照编码器在前，生成器在后，并结合预构建的标签鉴别器和特征鉴别器，构建得到所述钙钛矿转化分析模型。
6.如权利要求5所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述标签鉴别器和特征鉴别器分别包括两个全连接层，且共享三个一维卷积层，且层与层之间使用LeakyReLU激活函数链接。
7.如权利要求6所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，包括：
设定钙钛矿转化分析模型的损失函数及优化算法，其中，损失函数包括三种损失函数，分别为重建损失函数、KL散度函数及对抗损失函数；
构建输入特征，其中，输入特征由第一通道特征及第二通道特征组成，且第一通道特征包括钙钛矿主体组分，第二通道特征包括钙钛矿掺杂组分；
将输入特征导入至钙钛矿转化分析模型，并基于编码器降低输入特征的维度，得到低维特征；
利用所述生成器将低维特征重建为重建特征，其中，重建特征的维度与输入特征的维度相同；
利用特征鉴别器计算重建特征与输入特征的特征差异值的同时，预测重建特征的转化效率等级，得到预测效率等级；
基于标签鉴别器计算预测效率等级与转化效率等级的差异值，得到标签差异值；
在优化算法的前提下，基于所述三种损失函数，计算得到特征差异值及标签差异值的损失值，并通过损失值迭代钙钛矿转化分析模型的模型参数；
直至迭代次数大于预先设定的迭代阈值，退出训练得到已训练的钙钛矿转化分析模型。
8.如权利要求7所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述KL散度函数为：
；
其中，表示高斯分布函数，/>表示生成器生成重建特征的第/>个维度的概率分布函数，/>表示生成重建特征的第/>个维度的概率分布函数相对于高斯分布函数的KL散度值，/>和/>表示生成器生成的重建特征的第/>个维度相对于二维输入特征的均值和标准差，表示重建特征的维度。
9.如权利要求8所述的基于深度生成模型的钙钛矿组分比例分析方法，其特征在于，所述重建损失函数和对抗损失函数均采用交叉熵损失函数。
10.一种基于深度生成模型的钙钛矿组分比例分析装置，其特征在于，所述装置包括：
钙钛矿数据集获取模块，用于获取钙钛矿原始数据集，其中，钙钛矿原始数据集来源于公开数据库及论文集；
数据集清洗模块，用于对钙钛矿原始数据集执行数据清洗，得到钙钛矿标准数据集，其中，钙钛矿标准数据集中每份钙钛矿标准数据，均由八种组分的比例值和转化效率等级组成，且八种组分为MA、FA、Cs、Rb、Pb、Sn、Br及I；
转化分析模型构建模块，用于构建待训练的钙钛矿转化分析模型，其中，钙钛矿转化分析模型由编码器、生成器、标签鉴别器和特征鉴别器组成；
模型训练及应用模块，用于利用所述钙钛矿标准数据集训练钙钛矿转化分析模型，直至满足训练条件退出训练，得到已训练的钙钛矿转化分析模型，接收目标效率转化等级，并将所述目标效率转化等级逆向输入至已训练的钙钛矿转化分析模型，得到分析的目标钙钛矿组分比例；
实验验证模块，用于根据所述目标钙钛矿组分比例制备目标钙钛矿样品，对所述目标钙钛矿样品进行光电转化率测试，得到目标光电转化率。
CN202311107647.XA 2023-08-31 2023-08-31 一种基于深度生成模型的钙钛矿组分比例分析方法及装置 Active CN116825227B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311107647.XA CN116825227B (zh) 2023-08-31 2023-08-31 一种基于深度生成模型的钙钛矿组分比例分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311107647.XA CN116825227B (zh) 2023-08-31 2023-08-31 一种基于深度生成模型的钙钛矿组分比例分析方法及装置

Publications (2)

Publication Number Publication Date
CN116825227A true CN116825227A (zh) 2023-09-29
CN116825227B CN116825227B (zh) 2023-11-14

Family

ID=88122520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311107647.XA Active CN116825227B (zh) 2023-08-31 2023-08-31 一种基于深度生成模型的钙钛矿组分比例分析方法及装置

Country Status (1)

Country Link
CN (1) CN116825227B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114143A (zh) * 2023-10-23 2023-11-24 桑若(厦门)光伏产业有限公司 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质
CN117275634A (zh) * 2023-11-20 2023-12-22 桑若(厦门)光伏产业有限公司 一种基于机器学习的钙钛矿太阳能电池设计方法及装置
CN117709132A (zh) * 2024-02-05 2024-03-15 安徽大学 一种太阳能电池内部损耗机制的诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113223639A (zh) * 2021-03-15 2021-08-06 电子科技大学 一种用来探索钙钛矿氧化物的结构，组分和性质的方法
US20220173365A1 (en) * 2019-06-12 2022-06-02 Ivy Mawusi Asuo Doped mixed cation perovskite materials and devices exploiting same
CN115034959A (zh) * 2022-06-20 2022-09-09 重庆大学 一种基于跨通道融合空间注意力机制的高清图像翻译方法
CN115547425A (zh) * 2022-11-25 2022-12-30 安徽大学 一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法
CN115579089A (zh) * 2022-11-09 2023-01-06 昆明理工大学 一种基于机器学习的理想带隙钙钛矿材料筛选方法
CN115984117A (zh) * 2023-02-13 2023-04-18 西安邮电大学 基于通道注意力的变分自编码图像超分辨率方法及***
CN116153446A (zh) * 2023-02-23 2023-05-23 南京信息工程大学 基于nlp处理的钙钛矿太阳能电池htl材料预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220173365A1 (en) * 2019-06-12 2022-06-02 Ivy Mawusi Asuo Doped mixed cation perovskite materials and devices exploiting same
CN113223639A (zh) * 2021-03-15 2021-08-06 电子科技大学 一种用来探索钙钛矿氧化物的结构，组分和性质的方法
CN115034959A (zh) * 2022-06-20 2022-09-09 重庆大学 一种基于跨通道融合空间注意力机制的高清图像翻译方法
CN115579089A (zh) * 2022-11-09 2023-01-06 昆明理工大学 一种基于机器学习的理想带隙钙钛矿材料筛选方法
CN115547425A (zh) * 2022-11-25 2022-12-30 安徽大学 一种基于原子尺度特征描述符预测钙钛矿晶格常数的方法
CN115984117A (zh) * 2023-02-13 2023-04-18 西安邮电大学 基于通道注意力的变分自编码图像超分辨率方法及***
CN116153446A (zh) * 2023-02-23 2023-05-23 南京信息工程大学 基于nlp处理的钙钛矿太阳能电池htl材料预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李想: "基于深度学习与迁移学习的钙钛矿功能材料筛选研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, no. 04, pages 1 - 79 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114143A (zh) * 2023-10-23 2023-11-24 桑若(厦门)光伏产业有限公司 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质
CN117114143B (zh) * 2023-10-23 2024-02-02 桑若(厦门)光伏产业有限公司 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质
CN117275634A (zh) * 2023-11-20 2023-12-22 桑若(厦门)光伏产业有限公司 一种基于机器学习的钙钛矿太阳能电池设计方法及装置
CN117275634B (zh) * 2023-11-20 2024-05-28 桑若(厦门)光伏产业有限公司 一种基于机器学习的钙钛矿太阳能电池设计方法及装置
CN117709132A (zh) * 2024-02-05 2024-03-15 安徽大学 一种太阳能电池内部损耗机制的诊断方法
CN117709132B (zh) * 2024-02-05 2024-04-19 安徽大学 一种太阳能电池内部损耗机制的诊断方法

Also Published As

Publication number Publication date
CN116825227B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN116825227B (zh) 一种基于深度生成模型的钙钛矿组分比例分析方法及装置
Liu et al. Fault diagnosis approach for photovoltaic array based on the stacked auto-encoder and clustering with IV curves
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN110148068A (zh) 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和***
CN116345555A (zh) 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法
CN115936177A (zh) 一种基于神经网络的光伏输出功率预测方法及***
CN116054740A (zh) 光伏发电设备的故障检测、故障检测模型处理方法和装置
Choulli et al. Hybrid optimization based on the analytical approach and the particle swarm optimization algorithm (Ana-PSO) for the extraction of single and double diode models parameters
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN115660232A (zh) 风电功率的超短期预测方法、装置及***
CN105913161A (zh) 一种基于多目标优化的光伏***最大功率点的获取方法
CN113361946B (zh) 一种基于分布式光伏并网***的电能质量评估方法及装置
Kaur et al. Solar power forecasting using ordinary least square based regression algorithms
CN113240217A (zh) 一种基于集成预测模型的光伏发电预测方法及装置
CN114281846B (zh) 一种基于机器学习的新能源发电预测方法
El Marghichi A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps
CN114861993A (zh) 基于联邦学习与深度神经网络的区域光伏发电预测方法
CN117114143B (zh) 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质
CN114092838A (zh) 一种基于深度学习目标检测的光伏缺陷检测方法
CN117275634B (zh) 一种基于机器学习的钙钛矿太阳能电池设计方法及装置
Almohri et al. Data Analysis and Prediction of Power Generated by Photovoltaic Systems
CN112215383A (zh) 一种分布式光伏发电功率预测方法和***
Zhou et al. Short‐term solar power forecasting based on convolutional neural network and analytical knowledge
CN117748500B (zh) 光伏功率预测方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant