【技術實現步驟摘要】
本公開涉及電池領域，尤其設計一種鈣鈦礦電池性能的預測方法、模型訓練方法及系統。
技術介紹
1、在當今的能源挑戰下，鈣鈦礦太陽能電池(perovskite?photovoltaic?solarcells，pscs)作為一種新興的光伏技術備受研究者青睞，其高效的光電轉換效率(powerconversion?efficiency，pce)和相對較低的制備成本已成為替代傳統能源的重要候選之一。
2、然而，目前的研究主要集中在單個工藝對電池性能和穩定性的影響。傳統的實驗方法通常需要大量時間和成本，而電池工藝涉及許多復雜的步驟和參數，需要準確控制和調整，這增加了出錯的可能性，進而限制了電池效率的提升。
技術實現思路
1、本公開針對現有技術中的傳統的實驗方法限制了電池效率的提升的問題，提出一種鈣鈦礦電池性能的預測方法、模型訓練方法及系統。
2、第一方面，本公開實施例提供一種鈣鈦礦電池性能預測模型的訓練方法，訓練方法包括：
3、獲取多組鈣鈦礦電池的訓練樣本，其中，訓練樣本包括預設工藝參數、預設性能參數以及特征估計參數，預設工藝參數包括至少一個特征，特征估計參數根據對預設工藝參數中的特征進行屬性估計得到；
4、根據多組訓練樣本至少一個基礎模型中進行訓練，其中，以預設工藝參數及對應的特征估計參數作為基礎模型的輸入，以預設性能參數作為基礎模型的輸出；
5、確定至少一個基礎模型的訓練結果；
6、從至少一個基礎模型中選取至少兩個訓練結果
7、在一個實施例中，預設工藝參數包括：a位陽離子、x位陰離子、鈣鈦礦厚度、鈣鈦礦沉積溶劑、溶劑混合比例、熱退火溫度、熱退火時間中的一個或多個。
8、在一個實施例中，基礎模型包括：決策樹、隨機森林、catboost、lassolarscv、直方圖梯度提升、極限梯度提升、k最近鄰、嶺回歸和線性回歸中的一個或多個。
9、在一個實施例中，根據多組訓練樣本至少一個基礎模型中進行訓練之前，包括：
10、通過十折交叉驗證對至少一個基礎模型的超參數進行優化。
11、在一個實施例中，訓練方法包括：
12、從多組訓練樣本中選取預設比例的訓練樣本作為至少一個基礎模型的測試樣本；
13、確定至少一個基礎模型的訓練結果，包括：
14、根據測試樣本對至少一個基礎模型進行測試，并計算至少一個基礎模型的訓練結果。
15、在一個實施例中，訓練結果包括：決定系數、均方根誤差、平均絕對誤差、平均絕對百分比誤差中的一個或多個。
16、在一個實施例中，堆疊模型包括相互連接的基礎學習層和元學習層；
17、從至少一個基礎模型中選取至少兩個訓練結果滿足預設條件的基礎模型構建堆疊模型，得到鈣鈦礦電池性能預測模型，包括：
18、從至少一個基礎模型中選取至少兩個訓練結果滿足預設條件的基礎模型，按照預設權重構建堆疊模型的基礎學習層；
19、從選取的至少兩個基礎模型中選取至少一個基礎模型，構建堆疊模型的元學習層。
20、第二方面，本公開實施例提供一種鈣鈦礦電池性能的預測方法，預測方法包括：
21、獲取鈣鈦礦電池性能預測模型，鈣鈦礦電池性能預測模型根據如第一方面中任一項的鈣鈦礦電池性能預測模型的訓練方法訓練得到；
22、對鈣鈦礦電池性能預測模型的工藝參數和性能參數進行分析，并基于分析結果確定工藝參數中的每個特征對于性能參數的重要性；
23、根據重要性確定工藝參數中每個特征的取值范圍。
24、第三方面，本公開實施例提供一種鈣鈦礦電池性能預測模型的訓練系統，訓練系統包括：
25、第一獲取模塊，用于獲取多組鈣鈦礦電池的訓練樣本，其中，訓練樣本包括預設工藝參數、預設性能參數以及特征估計參數，預設工藝參數包括至少一個特征，特征估計參數根據對預設工藝參數中的特征進行屬性估計得到；
26、訓練模塊，用于根據多組訓練樣本至少一個基礎模型中進行訓練，其中，以預設工藝參數及對應的特征估計參數作為基礎模型的輸入，以預設性能參數作為基礎模型的輸出；
27、第一確定模塊，用于確定至少一個基礎模型的訓練結果；
28、堆疊模塊，用于從至少一個基礎模型中選取至少兩個訓練結果滿足預設條件的基礎模型構建堆疊模型，得到鈣鈦礦電池性能預測模型。
29、第四方面，本公開實施例提供一種鈣鈦礦電池性能的預測系統，預測系統包括：
30、第二獲取模塊，用于獲取鈣鈦礦電池性能預測模型，鈣鈦礦電池性能預測模型根據如第三方面中任一項的鈣鈦礦電池性能預測模型的訓練系統訓練得到；
31、第二確定模塊，用于對所述鈣鈦礦電池性能預測模型的工藝參數和性能參數進行分析，并基于分析結果確定工藝參數中的每個特征對于性能參數的重要性；
32、取值模塊，用于根據重要性確定工藝參數中每個特征的取值范圍。
33、本公開提供的一種鈣鈦礦電池性能的預測方法、模型訓練方法及系統，具有如下技術效果：首先，通過引入特征參數提高模型泛化能力，并提升模型的精度；其次，通過多個基礎模型進行訓練，并基于訓練結果選取基礎模型進行堆疊得到堆疊模型，以提升模型的準確性結合多個基礎模型的優勢，使得模型在一定程度上形成互補，本實施例中的鈣鈦礦電池性能預測模型能夠根據鈣鈦礦電池的工藝參數準確的到性能參數，基于鈦礦電池性能預測模型確定的工藝參數能夠有效提升鈦礦電池的性能。
34、應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本公開。
本文檔來自技高網...【技術保護點】
1.一種鈣鈦礦電池性能預測模型的訓練方法，其特征在于，所述訓練方法包括：
2.如權利要求1所述的訓練方法，其特征在于，所述預設工藝參數包括：A位陽離子、X位陰離子、鈣鈦礦厚度、鈣鈦礦沉積溶劑、溶劑混合比例、熱退火溫度、熱退火時間中的一個或多個。
3.如權利要求1所述的訓練方法，其特征在于，所述基礎模型包括：決策樹、隨機森林、CatBoost、LassoLarsCV、直方圖梯度提升、極限梯度提升、K最近鄰、嶺回歸和線性回歸中的一個或多個。
4.如權利要求1所述的訓練方法，其特征在于，根據多組所述訓練樣本至少一個基礎模型中進行訓練之前，包括：
5.如權利要求1所述的訓練方法，其特征在于，所述訓練方法包括：
6.如權利要求5所述的訓練方法，其特征在于，所述訓練結果包括：決定系數、均方根誤差、平均絕對誤差、平均絕對百分比誤差中的一個或多個。
7.如權利要求1所述的訓練方法，其特征在于，所述堆疊模型包括相互連接的基礎學習層和元學習層；
8.一種鈣鈦礦電池性能的預測方法，其特征在于，所述預測方法包括：
...【技術特征摘要】
1.一種鈣鈦礦電池性能預測模型的訓練方法，其特征在于，所述訓練方法包括：
2.如權利要求1所述的訓練方法，其特征在于，所述預設工藝參數包括：a位陽離子、x位陰離子、鈣鈦礦厚度、鈣鈦礦沉積溶劑、溶劑混合比例、熱退火溫度、熱退火時間中的一個或多個。
3.如權利要求1所述的訓練方法，其特征在于，所述基礎模型包括：決策樹、隨機森林、catboost、lassolarscv、直方圖梯度提升、極限梯度提升、k最近鄰、嶺回歸和線性回歸中的一個或多個。
4.如權利要求1所述的訓練方法，其特征在于，根據多組所述訓練樣本至少一個基礎模型中進行訓練之前，包...
【專利技術屬性】
技術研發人員：李丹，楊夢勤，唐健，劉小春，劉紅兵，
申請(專利權)人：湖南鐵道職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。