CN106503461A - 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 - Google Patents

Abstract

本发明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(T_i、H_i、R_ai)及对应伪失效寿命分布分位数函Q_i(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。

Description

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

技术领域

本发明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。

背景技术

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。

发明内容

本发明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(T_i、H_i、Ra_i)及对应伪失效寿命分布分位数函Q_i(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。

本发明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S_i，S_i包括温度T_i、湿度H_i和光辐射Ra_i，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P_di，根据输出功率P_di获得伪失效寿命T_Di，根据伪失效寿命T_Di获得伪失效寿命分布分位数函数Q_i(p)，将不同加速应力条件S_i、伪失效寿命分布分位数函数Q_i(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，…，h^k)＝P(v|h¹)P(h¹|h²)…P(h^k-1|h^k)

式中P(h^k-1|h^k)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。

作为本发明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，本发明步骤(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S_i、伪失效寿命分布分位数函数Q_i(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W_k；

2.2整体调优：

当所有层训练完后，将初始数据S_i，Q_i(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S_i、伪失效寿命分布分位数函数Q_i(p)前，优选将Q_i(p)值进行归一化处理，所使用的归一化映射函数为：

f:Q_i(p)→Q'＝(Q-Q_min)/(Q_max-Q_min)。

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ATLAS SEC2100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T_i的范围优选是41～85℃、湿度H_i的范围是62～85％、光辐射Ra_i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。

本发明对比现有技术，有如下优点：本发明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(T_i、H_i、Ra_i)及对应伪失效寿命分布分位数函Q_i(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S_i(i＝1,2,3….n，代表不同的加速应力组合)，S_i包括温度T_i、湿度H_i和光辐射Ra_i，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P_di，根据输出功率P_di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Q_i(p)，将不同加速应力条件S_i、伪失效寿命分布分位数函数Q_i(p)作为初始数据；

其中根据输出功率P_di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Q_i(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叠加，包含多个隐含层的概率模型，下层RBM的输出作为上层RBM的输入，通过层间权值参数连接上下层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，…，h^k)＝P(v|h¹)P(h¹|h²)…P(h^k-1|h^k)

式中P(h^k-1|h^k)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代表是RBM单元层中隐含层h的节点数。

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S_i、伪失效寿命分布分位数函数Q_i(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W_k；

2.2整体调优：

当所有层训练完后，将初始数据S_i，Q_i(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)，得到光伏组件预期工作寿命。

分层训练中：输入学习训练向量应力水平组合S_i、伪失效寿命分布分位数函数Q_i(p)前，优选将Q_i(p)值进行归一化处理，所使用的归一化映射函数为：

f:Q_i(p)→Q'＝(Q-Q_min)/(Q_max-Q_min)。

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。

实施例2

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：

(1)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S_i，S_i包括温度T_i、湿度H_i和光辐射Ra_i，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，根据输出功率获得伪失效寿命分布分位数函Q_i(p)，将不同加速应力条件S_i、伪失效寿命分布分位数函数Q_i(p)作为初始数据；

具体过程如下：

1.1、加速退化试验

本发明用于获取性能退化数据的加速退化试验系统包括全光谱耐候性综合试验箱ATLAS SEC2100(美国ATLAS公司提供，集成BBA级MHG太阳模拟器，是全球为数不多可用于组件级光伏产品全态性工作环境模拟的多应力综合试验箱)、光伏组件模拟器测试系统halm-cetisPV(提供稳定度高达±5W/m²的AAA级瞬态光辐射脉冲，用于实现光伏组件STC标准测试条件：1000W/m²，25±1℃，AM1.5下输出功率Pd测量)等关键试验装备。图8为本发明加速退化试验平台框架图。

1.1.1设备配置

表1为本次加速退化用ATLAS SEC2100试验箱关键参数，该试验箱集成MHG太阳模拟器、高低温交变环境箱，模拟T_i、湿度H_i和光辐射Ra_i等综合应力作用，实现受试样品的加速退化过程。

表1 ATLAS SEC2100全光谱耐候性综合试验箱关键参数

由表1可以看出，该综合试验箱可提供280nm～3000nm全光谱辐射范围，光辐射强度在800W/m²～1200W/m²之间可调，温湿度范围均覆盖组件加速试验参数设置区间，完全满足加速退化试验条件要求。

采用halm-cetisPV光伏组件模拟器测试系统进行测试，halm-cetisPV由AAA瞬态太阳能模拟器、I-V测试仪等组成，其中瞬态模拟器可提供光源匹配度≤±25％、均匀度≤±2％及稳定度≤±0.5％的AAA级高精度瞬态光辐射脉冲，用于光伏组件输出功率P_d测试所需标准模拟太阳光源，I-V测试仪连接待测组件，可测试记录光伏组件输出功率P_d、峰值电压/电流V_mpp/I_mpp、短路电压/电流V_sc/I_sc及填充因子FF等参数。

考虑到环境光强、温度对组件输出功率P_d测试结果影响，试验将测试样品安装于8m×4m×3m封闭试验房内，该试验房内壁涂黑，可减少背景光、反射光等杂散光影响，且测试过程中增加独立组件温度监控装置，保障测试结果精度。

1.1.2初始数据的获取

由于SEC2100全光谱耐候性老化试验箱内部有效光辐射范围仅为700mm×1500mm，无法同时容纳5块市场上常用规格光伏组件进行加速退化试验。因此，定制一批18W小功率Mono-Si单晶硅光伏组件，由4片电池片连接封装而成，表2为该Mono-Si单晶硅组件样品标称规格参数。

表2 Mono-Si单晶硅组件标称规格参数

将Mono-Si单晶硅组件分为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。鉴于尽量减小试验箱加速应力调节的行程误差，各次试验顺序见表3。

表3加速退化试验次序表

图9为光伏组件加速退化试验流程图。投入试验前，为避免样品自身缺陷导致测试数据失真，将利用EL测试对待测试样品进行检查，筛选出初始状态完好的25块测试样品。EL(Electroluminescence,电致发光或场致发光)测试是通过向晶体硅太阳电池外加正向偏置电压，直流电源向电池注入大量非平衡载流子，太阳电池依靠从扩散区注入的非平衡载流子不断复合发光，放出光子，再利用高清晰度CCD相机捕捉复合光子，捕捉结果计算机处理后以图像形式显示，利用EL测试可检查光伏组件隐裂、碎片、虚焊、断栅等内部缺陷。图10(A)-(D)为部分待测样品EL测试结果图，可以看出，样品(d)在右下角电池片有1条抛物状隐裂，应从待测样品组中剔除，其余样品(a)-(c)无问题可用于试验。

将筛选出初始状态完好的25块Mono-Si单晶硅组件分为5块/组按图9试验流程进行加速退化试验，表4为光伏组件加速退化试验结果数据。

表4 Mono-Si单晶硅组件输出功率加速退化试验数据(W)

根据输出功率获得伪失效寿命T_Di，根据伪失效寿命T_Di获得伪失效寿命分布分位数函Q_i(p)，将不同加速应力条件S_i、伪失效寿命分布分位数函数Q_i(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，如图1-2所示。

2.1基于深度学习预测的光伏组件加速退化模型构建

深度学习预测通过构建深度神经网络模拟人脑神经系统多层学习过程，无需先验函数假设,可通过组合低层特征，形成更加抽象高层表示，来寻找数据分布特征，即将具有复杂因果关系的物理量在经过适当训练学习总结规律,并利用总结出规律来预测未知趋势。

图1为基于深度学习预测的光伏组件加速退化建模研究思路。通过限制玻尔兹曼机RBM构建深度神经网络(Deep Neural Networks,DNN)，利用对比散度(ContrastiveDivergence,CD)快速学习算法训练RBM，并对训练结果进行评估；输入光伏组件加速退化原始数据，构建光伏组件加速退化模型，预测正常应力条件下光伏组件预期工作寿命及可靠性。

2.1.1深度学习预测建模基本原理

深度学习是机器学习(Machine Learning,ML)理论深入研究延续，相对于早期浅层学习模型(没有中间层或仅有极少中间隐含节点的人工神经网络)，因具有多层中间学习层(>3～5层)而得名。深度学习强调构建学习预测网络拓扑结构深度且明确突出特征表达学习，通过逐层特征抽取，将输入数据的关键特征表示由低层逐层变换到更抽象的高层特征空间，在保留关键特征信息的同时有效减少数据中蕴含的无效或干扰信息，降低特征信息维度，提高学习效率。深度学习预测模型是将深度学习算法应用于深度拓扑结构的一类神经网络，具有从少数样本集中学习数据集本质特征的能力，对复杂隐含函数的逼近有很好的效果，因此深度学习预测非常适合用于对光伏组件加速退化建模及伪失效寿命预测。图2为深度学习预测理论建模原理示意图。

由图2可以看出，深度学习预测是构造多个层次模型，且上一层次的输出作为下一层次的输入，利用学习算法，逐层进行特征抽取，从而获得输入层原始数据与输出层结果的隐含表达。因此，中间层次模型的构建、层间特征表达的学习算法是建立深度学习预测模型的关键。

2.1.2基于限制玻尔兹曼机RBM的深度学习预测建模方法

前文指出，深度学习预测建模核心在于中间层模型构建及层间学习训练算法。目前中间层模型构建方法主要包括限制玻尔兹曼机(Restrictions Boltzmann Machine,RBM)、自编码器(Auto-Encoders，AE)。其中玻尔兹曼机RBM因具有强大的无监督学习能力、能够学习数据中复杂规则，适合于拟合概率分布等特点，尤其是结合对比散度CD学习训练算法，极大提高预测模型的学习效率。下面首先讨论单层RBM模型构建，通过单层RBM堆叠形成DNN，利用CD快速学习算法逐层训练RBM，最终得到最优化的预测模型参数及结果输出。

(1)限制玻尔兹曼机RBM模型

限制玻尔兹曼机RBM是指一种包含输入层v、隐含层h的两层结构模型，层间连接权重(即权值系数)为W，v、h层节点间相互独立，没有连接，且模型概率分布P(v,h)满足玻尔兹曼分布。图3为RBM模型结构示意图。

设n、m为输入层v、隐含层h节点数，其中v_i、h_j分别表示输入层v、隐含层h的第i、j个节点状态，则RBM某一给定状态(v,h)的能量函数E(v,h)为：

式中θ＝{W_ij,a_i,b_j}是RBM模型参数，W_ij为节点v_i、h_j的连接权重，a_i、b_j为第i、j个节点的偏置(bias)。

基于Boltzmann分布及式(Ⅰ)，可得RBM某一给定状态(v,h)的联合概率分布：

式中Z(θ)亦称为配分函数(Partition function)。

从(v,h)的联合概率分布公式，可得基于输入层v的条件概率：

若设则式(Ⅱ)可写为：

可以看出，上式中为RBM模型系统能量，根据能量模型理论，当系统总能量最小时，网络模型趋于稳定，故可通过求解系统能量极小值，也即对数似然函数取极大值来训练得到RBM模型参数θ。

(2)基于CD快速学习算法的RBM模型训练及评估

对于给定的输入层训练集v＝{v₁,v₂,…,v_i,…,v_n}，限制玻尔兹曼机RBM学习目的在于得到模型最优参数集θ^*＝{W,a,b}，可通过最大化对数似然函数训练得到：

为寻求θ^*最优解，可采用随机梯度上升法(Stochastic Gradient Ascent，SGA)求解ξ(θ)最大值，其迭代公式为：

式中η>0称为学习率，采用SGA法求解ξ(θ)极值的关键在于得到对数似然函数ξ(θ)对于参数θ梯度：

同理，对数似然函数ξ(θ)对于连接权重W，输入层v、隐含层h偏置参数a,b梯度为：

式中E_data[·]为给定训练数据v下的条件期望，可通过输入层训练集v和隐含层h节点状态的条件分布获得；E_model[·]为RBM模型期望，该项无法直接推导获得，通常利用一些采样方法(如Gibbs采样、Metropolis-Hastings采样等)获取近似解，但由于需要较多采样步数，使得训练效率不高、学习速度缓慢。

对比散度(Contrastive Divergence，CD)快速学习算法具有训练效率高、学习速度快的特点，主要思路是设置输入层训练数据v为采样初始状态，利用输入层v、隐含层h条件概率公式计算h层节点状态，下一步则通过计算出h层节点状态重构(reconstruction)输入层v’，从而通过重构v’可得到RBM模型参数期望值近似解。图4为CD快速学习算法原理示意图。由于CD快速学习算法仅需极少状态转移次数k(大多时k＝1)，使得RBM模型的学习效率得到了很大提高，下文为CD-k快速学习算法伪代码。

CD-k快速学习算法伪代码如下：

输入：RBM(v₁,v₂,…,v_n；h₁,h₂,…,h_m)，训练样本数据集X，采样次数k；

输出：RBM参数梯度估计Δwij，Δai，Δbj，i＝1,2,…,n；j＝1,2,…,m；

过程：

因此，采用CD-k算法，可以得到RBM隐含层的权值系数w、a、b，从而获得最优参数集θ^*。

RBM作为无监督学习模型，训练学习后还需采用一种评价指标对学习结果进行评估。目前常用的RBM模型评估指标为对训练数据的似然度，由于该似然度无法通过数学方法直接解析得到，故只能采用近似方法对RBM模型进行评估。

重构误差算法因具有原理简单、计算复杂度低等优点，在RBM模型学习效果评估中得到广泛应用，该算法以训练数据为初始状态，执行一次Gibbs采样，计算采样后重构样本与原训练数据误差作为评价指标，图5为重构误差算法过程图。

(3)深度学习预测模型DNN构建

DNN是由限制玻尔兹曼机RBM叠加，包含输入层、多个隐含层、输出层的概率模型，下层RBM的输出作为上层RBM的输入，通过层间权值参数连接上下层RBM，实现底层数据概率特征向顶层输出的抽取和传递。图6A、6B为DNN构建过程及模型示意图。设DNN输入层、隐含层为v、h，隐含层数为k，则该模型联合概率分布P表示为：

P(v，h¹，…，h^k)＝P(v|h¹)P(h¹|h²)…P(h^k-1|h^k) (Ⅵ)

式中P(h^k-1|h^k)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。

利用RBM叠加构建DNN，需对DNN进行学习训练获取网络参数。DNN训练可采用逐层贪心算法，图7为DNN学习训练算法过程图。

算法可分为分层训练、整体调优两步。

①分层训练：自底层输入开始，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S_i、伪失效寿命分布分位数函数Q_i(p)，利用对比散度CD快速学习算法训练得到第一层RBM隐含层模型权值系数W₁；将第一层RBM隐含层h₁作为第二层RBM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W_k；

②整体调优当所有层训练完后，将初始数据S_i，Q_i(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，可采用传统BP算法来实现。

具体过程如下：

图11为加速退化建模模块(ADM)流程图，其中学习训练输入向量为应力水平组合S_i、伪失效寿命分布分位数函数Q_i(p){p∈(0:0.01:1)}(其中p是可靠度值)，输入训练前将Q_i(p)值进行归一化处理，使用的归一化映射函数为：f:Q_i(p)→Q'＝(Q-Q_min)/(Q_max-Q_min)，输出向量为应力水平S₀下为伪失效寿命分布分位数值Q₀。

DNN网络共设计为6层，包括输入层v_in，隐含层h_k(k＝1,2,3,4，100个神经节点/层)及输出层v_out。隐含层神经节点采用sigmoid函数，输出层神经节点采用线性函数，表5为DNN深度神经网络参数。

表5 DNN网络参数

DNN训练采用逐层贪心算法，训练过程可分为两步：

①分层训练：

自底层开始，输入学习训练向量应力水平组合S_i、伪失效寿命分布分位数函数再抽样值Q_i(p)，利用CD快速学习算法训练得到第一层RBM模型权值系数W₁；将第一层RBM隐含层h₁作为第二层RBM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输出层权值系数W₄；

②整体调优：

当所有层训练完后，将输入样本数据作为监督数据，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，达到参数最优化目的，图12为各层RBM网络重构误差曲线图，图12(A)-(D)分别为：第一层RBM重构误差、第二层RBM重构误差、第三层RBM重构误差、第四层RBM重构误差。

可以看出，第一层RBM重构误差在0.2～0.5之间，由高位快速下降，后期趋势变缓；第二、三层RBM重构误差主体分别在0.05～0.25区间范围内震荡，但随RBM层次重构的深入，每层重构误差逐渐减小，到第四层RBM重构误差基本稳定在0.001～0.008较小范围内，意味着DNN模型学习训练过程进入平衡状态。DNN网络训练学习后输出预测结果如图13所示，(A)为DNN预测分位数函数Q(p)、(B)为DNN预测可靠度函数。

表6为分别利用DNN网络预测光伏组件正常应力下失效寿命、特征寿命和中位寿命值，并与制造商提供值进行比对。可以看出，利用DNN网络预测结果该批光伏组件失效寿命、特征寿命、中位寿命值分别为22.1年、21.6年、21.1年，相对制造商提供值误差为13.1％、10.7％、9.5％，满足工程预测精度需求。

表6正常应力下失效寿命特征值预测

其中正常应力条件S₀是指温度25℃，湿度60％，Ra＝800W/m²。

本发明的实施方式不限于此，在本发明上述基本技术思想前提下，按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。

Claims (8)

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S_i，S_i包括温度T_i、湿度H_i和光辐射Ra_i，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P_di，根据输出功率P_di获得伪失效寿命T_Di，根据伪失效寿命T_Di获得伪失效寿命分布分位数函数Q_i(p)，将不同加速应力条件S_i、伪失效寿命分布分位数函数Q_i(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，…，h^k)＝P(v|h¹)P(h¹|h²)…P(h^k-1|h^k)

式中P(h^k-1|h^k)是k层RBM单元层相对于k-1层的条件分布，可表示为：

$P\left(h^{k-1}\right|h^k)=\underset{j=1}{\overset{m}{\Π}}P\left(h_j^{k-1}\right|h^k)$

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(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S_i、伪失效寿命分布分位数函数Q_i(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W_k；

2.2整体调优：

当所有层训练完后，将初始数据S_i，Q_i(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。

5.根据权利要求4所述的方法，其特征是：整体调优中：步骤(2.2)中利用监督学习训练进一步微调整个DNN模型参数值时采用传统BP算法来实现。

6.根据权利要求1所述的方法，其特征在于：步骤(一)中进行加速退化实验时采用ATLAS SEC2100试验箱以及halm-cetisPV光伏组件模拟器测试系统。

7.根据权利要求1所述的方法，其特征在于：步骤(一)中进行加速退化实验时，温度T_i的范围是41～85℃、湿度H_i的范围是62～85％、光辐射Ra_i的范围是840～1200W/m²。

8.根据权利要求1所述的方法，其特征在于：步骤(一)中进行加速退化实验时采用的光伏组件为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。