一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法技术

本发明专利技术公开了一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，该方法通过限制玻尔兹曼机RBM构建深度神经网络DNN，以不同加速应力条件(Ti、Hi、Rai)及对应伪失效寿命分布分位数函Qi(p)为输入向量，利用CD快速学习算法训练RBM、DNN，寻求模型最优参数集θ*，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命。

【技术实现步骤摘要】

本专利技术涉及光伏组件的寿命预测，具体来说一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法。
技术介绍
传统加速模型多利用经验数据统计、物理分析构建，如Arrhenius模型(温度应力)、Eyring模型(温度应力)、逆幂律模型(电应力)等，而光伏组件性能退化应力因素较多(温度T、湿度H、光辐射Ra等)，应用时间较短，且结构较为复杂(融合半导体电子、高分子材料、电气设计等)，各种应力作用失效机理不一致，直接建立加速应力与产品寿命之间某种明确函数关系将极为困难。针对光伏组件涉及应力参数多，各种应力同时作用且相互影响，直接建立加速应力与产品寿命之间明确函数关系将极为困难。
技术实现思路
本专利技术的目的在于提供一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，该方法通过限制玻尔兹曼机RBM构建深度神经网络DNN，以不同加速应力条件(Ti、Hi、Rai)及对应伪失效寿命分布分位数函Qi(p)为输入向量，利用CD快速学习算法训练RBM，寻求模型最优参数集θ*，再利用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命及伪失效寿命分布。本专利技术的上述目的可通过以下的技术措施来实现：一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，包括以下步骤：(一)初始数据的获取：选取光伏组件，设定建立加速退化模型不同加速应力水平组合Si，Si包括温度Ti、湿度Hi和光辐射Rai，进行加速退化试验，获取加速退化条件下的光伏组件输出功率Pdi，根据输出功率Pdi获得伪失效寿命TDi，根据伪失效寿命TDi获得伪失效寿命分布分位数函数Qi(p)，将不同加速应力条件Si、伪失效寿命分布分位数函数Qi(p)作为初始数据；(二)利用限制玻尔兹曼机RBM构建深度神经网络DNN，输入初始数据，采用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命。在上述基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法中：步骤(二)中利用限制玻尔兹曼机RBM构建深度神经网络DNN的具体过程为：深度神经网络DNN是由限制玻尔兹曼机RBM叠加，其包含输入层、多个隐含层和输出层的概率模型，下层RBM的输出作为上层RBM的输入，通过层间权值系数连接上下层RBM，实现底层数据概率特征向顶层输出的抽取和传递，具体过程为：设DNN输入层为v、隐含层为h，隐含层数为k，则该DNN模型联合概率分布P表示为：P(v，h1，…，hk)＝P(v|h1)P(h1|h2)…P(hk-1|hk)式中P(hk-1|hk)是k层RBM单元层相对于k-1层的条件分布，可表示为：其中m是RBM单元层中隐含层h的神经节点数。作为本专利技术的一种优选的实施方式：步骤(二)中DNN神经网络设计共为6层，包括输入层、隐含层及输出层，其中隐含层共为4层，每层包括100个神经节点。进一步的，本专利技术步骤(二)中采用逐层贪心法对DNN进行训练的具体包括以下步骤：2.1分层训练：自底层输入层开始，对RBM模型逐层进行训练，即首先输入初始数据：学习训练向量不同加速应力水平组合Si、伪失效寿命分布分位数函数Qi(p)，利用对比散度CD快速学习算法训练得到第一层RBM隐含层的模型权值系数W1；将第一层RBM隐含层h1作为第二层RBM隐含层输入层，训练得到第二层模型权值系数W2，依次递归，直至得到DNN模型输出层权值系数Wk；2.2整体调优：当所有层训练完后，将初始数据Si，Qi(p)作为监督数据，根据最大似然函数，利用监督学习训练进一步微调整个DNN模型参数值，达到参数最优化，得到光伏组件加速退化模型，从而外推正常应力条件下的伪失效寿命分布分位数函数Q0(p)，进而得到光伏组件预期工作寿命。其中：分层训练中：输入学习训练向量应力水平组合Si、伪失效寿命分布分位数函数Qi(p)前，优选将Qi(p)值进行归一化处理，所使用的归一化映射函数为：f:Qi(p)→Q'＝(Q-Qmin)/(Qmax-Qmin)。整体调优中：利用监督学习训练进一步微调整个DNN模型参数值时优选采用传统BP算法来实现。步骤(一)中进行加速退化实验时优选采用ATLASSEC2100试验箱以及halm-cetisPV光伏组件模拟器测试系统。步骤(一)中进行加速退化实验时，温度Ti的范围优选是41～85℃、湿度Hi的范围是62～85％、光辐射Rai的范围是840～1200W/m2。步骤(一)中进行加速退化实验时采用的光伏组件优选为18W小功率Mono-Si单晶硅光伏组件，每个组件由4片电池片连接封装而成，分为5块/组进行加速退化试验，每组样品试验时间为1000h，每隔100h取出放入halm-cetisPV光伏组件模拟器测试系统依据IEC61215-2005进行STC下输出功率测试。本专利技术对比现有技术，有如下优点：本专利技术通过限制玻尔兹曼机RBM构建深度神经网络DNN，以不同加速应力条件(Ti、Hi、Rai)及对应伪失效寿命分布分位数函Qi(p)为输入向量，利用CD快速学习算法训练RBM，寻求模型最优参数集θ*，再利用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命及伪失效寿命分布。附图说明图1为实施例1-2中基于深度学习预测的光伏组件加速退化建模研究思路；图2为实施例1-2中深度学习预测理论建模原理示意图；图3为实施例2中RBM模型结构示意图；图4为实施例2中CD快速学习算法原理示意图；图5为实施例2中重构误差算法过程图；图6为实施例2中DNN构建过程及模型示意图；图7为实施例2中DNN学习训练过程示意图；图8为实施例2中光伏组件加速退化试验硬件平台；图9为实施例2中光伏组件加速退化试验流程图；图10为实施例2中部分待测样品EL测试结果图；图11为实施例2中ADM模块预测程序流程图；图12为实施例2中各层RBM网络重构误差曲线图；图13为实施例2中正常应力下DNN预测结果图。具体实施方式实施例1本实施例提供的基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，包括以下步骤：(一)初始数据的获取：选取光伏组件，设定建立加速退化模型不同加速应力水平组合Si(i＝1,2,3….n，代表不同的加速应力组合)，Si包括温度Ti、湿度Hi和光辐射Rai，进行加速退化实验，获取加速退化条件下的光伏组件的输出功率Pdi，根据输出功率Pdi获得伪失效寿命，根据伪失效寿命获得伪失效寿命分布分位数函数Qi(p)，将不同加速应力条件Si、伪失效寿命分布分位数函数Qi(p)作为初始数据；其中根据输出功率Pdi获得伪失效寿命，根据伪失效寿命获得伪失效寿命分布分位数函数Qi(p)可以采用本领域常规方法，也可以参考博士论文《高可靠长寿命产品可靠性技术研究》，邓爱民，2006。(二)利用限制玻尔兹曼机RBM构建深度神经网络DNN，输入初始数据，采用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命，如图1-2所示。步骤(二)中利用限制玻尔兹曼机RBM构建深度神经网络DNN的具体过程为：深度神经网络DNN是由限制玻尔兹曼机RBM叠本文档来自技高网...

【技术保护点】
一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，其特征在于包括以下步骤：(一)初始数据的获取：选取光伏组件，设定建立加速退化模型不同加速应力水平组合Si，Si包括温度Ti、湿度Hi和光辐射Rai，进行加速退化试验，获取加速退化条件下的光伏组件输出功率Pdi，根据输出功率Pdi获得伪失效寿命TDi，根据伪失效寿命TDi获得伪失效寿命分布分位数函数Qi(p)，将不同加速应力条件Si、伪失效寿命分布分位数函数Qi(p)作为初始数据；(二)利用限制玻尔兹曼机RBM构建深度神经网络DNN，输入初始数据，采用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命。

【技术特征摘要】
1.一种基于深度学习法构建的光伏组件加速退化模型及光伏组件寿命预测方法，其特征在于包括以下步骤：(一)初始数据的获取：选取光伏组件，设定建立加速退化模型不同加速应力水平组合Si，Si包括温度Ti、湿度Hi和光辐射Rai，进行加速退化试验，获取加速退化条件下的光伏组件输出功率Pdi，根据输出功率Pdi获得伪失效寿命TDi，根据伪失效寿命TDi获得伪失效寿命分布分位数函数Qi(p)，将不同加速应力条件Si、伪失效寿命分布分位数函数Qi(p)作为初始数据；(二)利用限制玻尔兹曼机RBM构建深度神经网络DNN，输入初始数据，采用逐层贪心法对DNN进行训练，构建光伏组件加速退化模型，进而预测正常应力条件下光伏组件预期工作寿命。2.根据权利要求1所述的方法，其特征在于：步骤(二)中利用限制玻尔兹曼机RBM构建深度神经网络DNN的具体过程为：深度神经网络DNN是由限制玻尔兹曼机RBM叠加，其包含输入层、多个隐含层和输出层的概率模型，下层RBM的输出作为上层RBM的输入，通过层间权值系数连接上下层RBM，实现底层数据概率特征向顶层输出的抽取和传递，具体过程为：设DNN输入层为v、隐含层为h，隐含层数为k，则该DNN模型联合概率分布P表示为：P(v，h1，…，hk)＝P(v|h1)P(h1|h2)…P(hk-1|hk)式中P(hk-1|hk)是k层RBM单元层相对于k-1层的条件分布，可表示为：P(hk-1|hk)=Πj=1mP(hjk-1|hk)]]>其中m是RBM单元层中隐含层h的神经节点数。3.根据权利要求2所述的方法，其特征在于：步骤(二)中深度神经网络DNN共设计为6层，其包括输入层、隐含层及输出层，其中隐含层共为4层，每层包括100个神经节点。4.根据权利要求2或3所述的方法，其特征在于：步骤...

【专利技术属性】
技术研发人员：余荣斌，刘桂雄，徐欢，
申请(专利权)人：广东产品质量监督检验研究院，
类型：发明
国别省市：广东;44