CN117114143B - 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质 - Google Patents
一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117114143B CN117114143B CN202311374346.3A CN202311374346A CN117114143B CN 117114143 B CN117114143 B CN 117114143B CN 202311374346 A CN202311374346 A CN 202311374346A CN 117114143 B CN117114143 B CN 117114143B
- Authority
- CN
- China
- Prior art keywords
- perovskite
- passivating agent
- data
- feature
- initial
- 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.)
- Active
Links
- 238000002161 passivation Methods 0.000 title claims abstract description 92
- 238000011156 evaluation Methods 0.000 title claims abstract description 72
- 238000006243 chemical reaction Methods 0.000 claims abstract description 135
- 238000012216 screening Methods 0.000 claims abstract description 63
- 239000002131 composite material Substances 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000003860 storage Methods 0.000 claims abstract description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 386
- 238000013210 evaluation model Methods 0.000 claims description 65
- 238000012360 testing method Methods 0.000 claims description 41
- 239000000203 mixture Substances 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 98
- 230000009471 action Effects 0.000 description 10
- 238000004140 cleaning Methods 0.000 description 10
- XOLBLPGZBRYERU-UHFFFAOYSA-N tin dioxide Chemical compound O=[Sn]=O XOLBLPGZBRYERU-UHFFFAOYSA-N 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000000137 annealing Methods 0.000 description 5
- 239000000460 chlorine Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010931 gold Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000717 retained effect Effects 0.000 description 4
- RFDGVZHLJCKEPT-UHFFFAOYSA-N tris(2,4,6-trimethyl-3-pyridin-3-ylphenyl)borane Chemical compound CC1=C(B(C=2C(=C(C=3C=NC=CC=3)C(C)=CC=2C)C)C=2C(=C(C=3C=NC=CC=3)C(C)=CC=2C)C)C(C)=CC(C)=C1C1=CC=CN=C1 RFDGVZHLJCKEPT-UHFFFAOYSA-N 0.000 description 4
- 239000002585 base Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XDXWNHPWWKGTKO-UHFFFAOYSA-N 207739-72-8 Chemical compound C1=CC(OC)=CC=C1N(C=1C=C2C3(C4=CC(=CC=C4C2=CC=1)N(C=1C=CC(OC)=CC=1)C=1C=CC(OC)=CC=1)C1=CC(=CC=C1C1=CC=C(C=C13)N(C=1C=CC(OC)=CC=1)C=1C=CC(OC)=CC=1)N(C=1C=CC(OC)=CC=1)C=1C=CC(OC)=CC=1)C1=CC=C(OC)C=C1 XDXWNHPWWKGTKO-UHFFFAOYSA-N 0.000 description 2
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 2
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 2
- PNKUSGQVOMIXLU-UHFFFAOYSA-N Formamidine Chemical compound NC=N PNKUSGQVOMIXLU-UHFFFAOYSA-N 0.000 description 2
- BAVYZALUXZFZLV-UHFFFAOYSA-N Methylamine Chemical compound NC BAVYZALUXZFZLV-UHFFFAOYSA-N 0.000 description 2
- JKSIBASBWOCEBD-UHFFFAOYSA-N N,N-bis(4-methoxyphenyl)-9,9'-spirobi[fluorene]-1-amine Chemical compound COc1ccc(cc1)N(c1ccc(OC)cc1)c1cccc2-c3ccccc3C3(c4ccccc4-c4ccccc34)c12 JKSIBASBWOCEBD-UHFFFAOYSA-N 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 239000012296 anti-solvent Substances 0.000 description 2
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 2
- 229910052794 bromium Inorganic materials 0.000 description 2
- 229910052792 caesium Inorganic materials 0.000 description 2
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 2
- 229910052801 chlorine Inorganic materials 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000005525 hole transport Effects 0.000 description 2
- AMGQUBHHOARCQH-UHFFFAOYSA-N indium;oxotin Chemical compound [In].[Sn]=O AMGQUBHHOARCQH-UHFFFAOYSA-N 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 229910021645 metal ion Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 229910052701 rubidium Inorganic materials 0.000 description 2
- IGLNJRXAVVLDKE-UHFFFAOYSA-N rubidium atom Chemical compound [Rb] IGLNJRXAVVLDKE-UHFFFAOYSA-N 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- IZOWAAYDURJWLW-UHFFFAOYSA-N CC1=C(C(=CC(=C1C=1C=NC=CC=1)C)C)B Chemical compound CC1=C(C(=CC(=C1C=1C=NC=CC=1)C)C)B IZOWAAYDURJWLW-UHFFFAOYSA-N 0.000 description 1
- 239000002841 Lewis acid Substances 0.000 description 1
- BAVYZALUXZFZLV-UHFFFAOYSA-O Methylammonium ion Chemical compound [NH3+]C BAVYZALUXZFZLV-UHFFFAOYSA-O 0.000 description 1
- 239000007983 Tris buffer Substances 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 150000003863 ammonium salts Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000005516 deep trap Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- -1 halogen anions Chemical class 0.000 description 1
- XMBWDFGMSWQBCA-UHFFFAOYSA-N hydrogen iodide Chemical compound I XMBWDFGMSWQBCA-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- RQQRAHKHDFPBMC-UHFFFAOYSA-L lead(ii) iodide Chemical group I[Pb]I RQQRAHKHDFPBMC-UHFFFAOYSA-L 0.000 description 1
- 150000007517 lewis acids Chemical class 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 229920000620 organic polymer Polymers 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- NCCSSGKUIKYAJD-UHFFFAOYSA-N rubidium(1+) Chemical compound [Rb+] NCCSSGKUIKYAJD-UHFFFAOYSA-N 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能领域，揭露了一种钙钛矿钝化剂钝化策略评估方法、装置、电子设备及存储介质，其中，所述方法包括：对钙钛矿钝化剂标准数据进行特征交叉融合，得到每个钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；基于钙钛矿钝化剂标准数据及复合特征，进行重要特征的特征数据筛选，得到标准钝化剂样本数据；基于标准钝化剂样本数据分别训练一种或多种初始机器学习模型，并筛选出训练性能最好的模型，当接收到待评估钙钛矿钝化剂数据时，利用筛选的模型对待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。本发明主要目的在于提高钙钛矿钝化剂钝化策略评估的准确性。
Description
技术领域
本发明涉及一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质，属于人工智能领域。
背景技术
在现代科学技术发展的环境下，能源对人类生活的影响愈加重大。目前，探索和研究高节能、高效率的新能源材料成为了解决可持续发展的核心途径。太阳能是地球上最充裕的可再生清洁能源，在过去几十年里，研究人员一直致力于寻找清洁、低成本、高效率的新型光伏材料。其中，钙钛矿材料具有众多优异的性质，如吸光系数高、载流子迁移率高、缺陷容忍度较高等特点。钙钛矿材料可以通过调整组分配比改变能带间隙，进而改变吸收阳光的光子波长成分。理论上单结钙钛矿太阳能电池（PSCs）的极限光电转换效率（PCE）为33%，与此同时, PSCs在多种环境条件下服役的稳定性仍达不到商业化使用标准。
深入研究表明, PSCs中多种类型的缺陷(主要包括浅能级缺陷和深能级缺陷)是制约PSCs的光电转换效率和稳定性的重要原因。为了抑制界面缺陷，人们研发了不同的钝化剂来钝化钙钛矿表面，也采用了不同方法的表面修饰策略来抑制离子迁移以提高钙钛矿的器件的性能和稳定性，因此如何设计更有效的钝化剂钝化策略也是一个重要问题，为了解决这个问题，需要对钝化剂进行钝化效果评估，即评估钝化剂钝化策略对应的功率转换效率（钝化剂添加前后钙钛矿太阳能电池的极限光电转换效率的提升幅度）。
目前钙钛矿钝化剂钝化策略评估可以通过训练机器学习模型来实现，但是目前钙钛矿钝化剂钝化策略评估在模型训练时，训练数据中往往包含一些无效的特征数据，且忽略了不同特征之间的关联，从而导致钙钛矿钝化剂钝化策略评估的准确性较差。
发明内容
本发明提供一种钙钛矿钝化剂钝化策略评估方法、装置、设备及存储介质，其主要目的在于提高钙钛矿钝化剂钝化策略评估的准确性。
为实现上述目的，本发明提供的一种钙钛矿钝化剂钝化策略评估方法，包括：
获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；
对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；
基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；
基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；
利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；
利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；
利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
可选地，所述对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集，包括：
将所述钙钛矿钝化剂数据中钝化剂名称的特征数据转换为SMILES序列，得到第一转换数据；
基于预设的元素序列，计算所述第一转换数据中钙钛矿组成的每种元素占比，并将计算的每种元素占比按照所述元素序列中元素的顺序进行组合，得到所述钙钛矿组成对应的材料占比序列；
将所述第一转换数据中所述钙钛矿组成的特征数据替换为该钙钛矿组成对应的材料占比序列，得到第二转换数据；
将所述第二转换数据中的表征类别的特征数据及其他非连续变量的特征数据，利用独热编码转换为数值形式，得到钙钛矿钝化剂标准数据；
汇总所有所述钙钛矿钝化剂标准数据，得到所述钙钛矿钝化剂标准数据集。
可选地，所述基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据，包括：
获取所述钙钛矿钝化剂标准数据中钝化剂名称对应钝化剂的SMILES结构，得到钝化剂结构信息；
基于所述钝化剂结构信息计算预设的分子描述符的描述符特征值，得到所述钙钛矿钝化剂标准数据对应的每种所述分子描述符的描述符特征值；
基于所述描述符特征值，计算所述分子描述符与所述功率转换效率的相关性，得到每种所述分子描述符的特征相关性系数；
基于所述特征相关性系数对所有种类的所述分子描述符进行筛选，得到目标分子描述符；
基于所述钝化剂结构信息计算所述钙钛矿钝化剂标准数据对应的预设的每种分子指纹特征的分子指纹，其中，所述分子指纹以独热向量表示；
基于所述分子指纹对所有所述分子指纹特征进行相似分子指纹特征剔除及重要分子指纹特征筛选，得到目标分子指纹特征；
基于所述钙钛矿钝化剂标准数据中每种特征的特征数据、所述钙钛矿钝化剂标准数据对应的每种目标分子描述符的描述符特征值、所述钙钛矿钝化剂标准数据对应的每种目标分子指纹特征的分子指纹，进行特征融合，得到该钙钛矿钝化剂标准数据对应的每种复合特征的特征数据。
可选地，所述计算所述分子描述符与所述功率转换效率的相关性，得到每种所述分子描述符的特征相关性系数，包括：
；
其中， 为分子描述符/>的特征相关系数，/>表示分子描述符的序号，/>表示钙钛矿钝化剂标准数据的序号，/>为钙钛矿钝化剂标准数据/>对应的分子描述符x的描述符特征值，/>为所述钙钛矿钝化剂标准数据/>对应功率转换效率，/>为所有钙钛矿钝化剂标准数据对应的分子描述符x的描述符特征值的平均值，/>为所有所述功率转换效率的平均值，/>为钙钛矿钝化剂标准数据的数量。
可选地，所述基于所述分子指纹对所有所述分子指纹特征进行相似分子指纹特征剔除及重要分子指纹特征筛选，得到目标分子指纹特征，包括：
计算所述分子指纹特征对应的所有分子指纹的自方差，得到所述分子指纹特征的特征波动系数；
筛选所述特征波动系数大于或等于预设波动阈值的分子指纹特征，得到初始分子指纹特征；
利用所述分子指纹计算两两初始分子指纹特征的指纹特征相关性系数，并基于所述指纹特征相关性系数剔除所有初始分子指纹特征中的相似分子指纹特征，得到目标指纹特征。
可选地，所述基于所述特征相关性系数对所有种类的所述分子描述符进行筛选，得到目标分子描述符，包括：
将所有种类的所述分子描述符按照每种分子描述符的特征相关性系数，从高到底进行排序，得到分子描述符序列；
将所述分子描述符序列中预设排名及之前的分子描述符确定为所述目标分子描述符。
可选地，所述利用所述分子指纹计算两两初始分子指纹特征的指纹特征相关性系数，包括：
；
其中，表示初始分子指纹特征/>与初始分子指纹特征/>的指纹特征相关性系数，/>、/>均为初始分子特征的序号，/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹包含预设指纹特征且初始分子指纹特征/>的分子指纹不包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹不包含预设指纹特征且初始分子指纹特征/>的分子指纹包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均不包含预设指纹特征的钙钛矿钝化剂标准数据的数量。
可选地，所述基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征，包括：
汇总所有所述初始特征，得到初始特征集；
计算所述初始特征集中两两初始特征的相关系数，并基于计算结果对所述初始特征集进行初始特征删除，得到初始特征去冗集，其中，所述初始特征去冗集中任意两个初始特征的相关系数小于或等于预设相关系数阈值；
计算所述初始特征去冗集中每种初始特征在所述钙钛矿钝化剂标准数据集中的自方差，得到所述初始特征去冗集中每种初始特征的贡献系数；
将所述初始特征去冗集中贡献系数不小于预设贡献系数阈值的初始特征确定为所述重要特征。
可选地，所述利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数，包括：
依次将所述测试集中的每个标准钝化剂样本数据输入所述效率评估模型，得到所述测试集中每个标准钝化剂样本数据的预测值；
将所述测试集中所述标准钝化剂样本数据标记的标签确定为该标准钝化剂样本数据的真实值；
计算所有所述真实值的平均值，得到真实平均值；
计算每个所述标准钝化剂样本数据的真实值和预测值差值的平方，得到每个所述标准钝化剂样本数据的残差平方；
计算每个所述标准钝化剂样本数据的真实值与所述真实平均值的差值的平方，得到每个所述标准钝化剂样本数据的偏差平方；
计算所有所述残差平方之和，得到残差平方和；
计算所有所述偏差平方之和，得到偏差平方和；
基于所述残差平方和与所述偏差平方和进行计算，得到所述模型性能系数。
为了解决上述问题，本发明还提供一种钙钛矿钝化剂钝化策略评估装置，所述装置包括：
特征融合模块，用于获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
特征筛选模块，用于将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
模型训练筛选模块，用于基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
功率转换效率评估模块，用于当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
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：
至少一种处理器；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，以实现上述所述的钙钛矿钝化剂钝化策略评估方法。
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钙钛矿钝化剂钝化策略评估方法。
相比于背景技术所述问题，本发明实施例基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；对不同特征的特征数据进行特征融合，得到新的复合特征，使得模型可以学习不同特征的关联性即学习关联的不同特征对功率转换效率的复合影响，提升了模型可以学习的特征维度，同时，对所有特征进行筛选，去除无效特征，保留有效的重要特征，从而降低算法复杂度，增加模型泛化性，提高了模型的预测能力，进而提高了钙钛矿钝化剂钝化策略评估的准确性，因此本发明实施例提出的钙钛矿钝化剂钝化策略评估方法、装置、电子设备及可读存储介质提高钙钛矿钝化剂钝化策略评估的准确性。
附图说明
图1为本发明一实施例提供的钙钛矿钝化剂钝化策略评估方法的流程示意图；
图2为本发明一实施例提供的钙钛矿钝化剂钝化策略评估方法中钝化剂件与参比件的电学特征对比图；
图3为本发明一实施例提供的钙钛矿钝化剂钝化策略评估装置的功能模块图；
图4为本发明一实施例提供的实现所述钙钛矿钝化剂钝化策略评估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钙钛矿钝化剂钝化策略评估方法。所述钙钛矿钝化剂钝化策略评估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，所述钙钛矿钝化剂钝化策略评估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。
实施例一：参照图1所示，为本发明一实施例提供的钙钛矿钝化剂钝化策略评估方法的流程示意图。在本实施例中，所述钙钛矿钝化剂钝化策略评估方法包括：
S1、获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；
本发明实施例中获取钙钛矿钝化剂数据集，包括：
获取钙钛矿钝化剂原始数据集；
对所述钙钛矿钝化剂原始数据集中每个所述钙钛矿原始数据进行的钝化剂材料筛选、测试条件筛选及钙钛矿组成转换，得到钙钛矿钝化剂数据；
基于所述钙钛矿钝化剂原始数据中钝化剂作用前的极限光电转换效率及钝化剂作用后的极限光电转换效率进行计算，得到每个所述钙钛矿钝化剂数据对应的功率转换效率。
具体地，本发明实施例中所述对所述钙钛矿钝化剂原始数据集中每个所述钙钛矿原始数据进行的钝化剂材料筛选、测试条件筛选及钙钛矿组成转换，得到钙钛矿钝化剂数据，包括：
剔除所述钙钛矿钝化剂原始数据集中钝化剂材料为预设种类的钙钛矿钝化剂原始数据，得到第一钙钛矿钝化剂清洗数据集；
剔除所述第一钙钛矿钝化剂清洗数据集中制备的钙钛矿太阳能电池不为单节钙钛矿太阳能电池的钙钛矿钝化剂原始数据，得到第一钙钛矿钝化剂清洗数据集；
剔除所述第一钙钛矿钝化剂清洗数据集的测试环境不为预设标准测试条件的钙钛矿钝化剂原始数据，得到第二钙钛矿钝化剂清洗数据集；
对所述第二钙钛矿钝化剂清洗数据集中每个所述钙钛矿钝化剂原始数据中的钙钛矿组成进行材料组成格式转换更新，得到对应的钙钛矿钝化剂清洗数据；
提取所述钙钛矿钝化剂清洗数据中预设特征的特征数据，得到对应的钙钛矿钝化剂数据。
本发明实施例中所述钙钛矿原始数据为制备添加钝化剂的钙钛矿太阳能电池方案的数据，包括但不限于：钝化剂材料名称、钝化剂材料种类、钝化剂处理方法、钝化剂作用位置、钝化剂退火温度、钝化剂添加含量、钙钛矿组成、钙钛矿沉积程序、钙钛矿沉积方法、ETL层（Electron transport layer，电子传输层）、HTL层（Hole transport layer，空穴传输层）、抗溶剂、前驱体溶剂、钝化剂作用前的极限光电转换效率、钝化剂作用后的极限光电转换效率。
本发明实施例中所述钙钛矿钝化剂原始数据集可从相关钙钛矿钝化的论文及\或相关电池研发企业的数据库中获取，本发明实施例对此不作限制。
具体地，本发明实施例中对所述第二钙钛矿钝化剂清洗数据集中每个所述钙钛矿钝化剂原始数据中的钙钛矿组成进行材料组成格式转换更新，得到对应的钙钛矿钝化剂清洗数据，以解决某些钙钛矿组成的情况，例如：钙钛矿组成为记录将735.3 mg的PbI2、224.4mg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）可得钙钛矿组成的每种元素及比例分别为Cs0.05、FA0.85、MA0.10、Pb1.00、I0.97及Br0.03，进而进行材料组成格式更新，即钙钛矿组成为Cs0.05FA0.85MA0.10Pb(I0.97Br0.03)3。
详细地，本发明实施例中所述基于所述钙钛矿钝化剂原始数据中钝化剂作用前的极限光电转换效率及钝化剂作用后的极限光电转换效率进行计算，得到每个所述钙钛矿钝化剂数据对应的功率转换效率，包括：
利用每个所述钙钛矿钝化剂数据对应的钙钛矿钝化剂原始数据中钝化剂作用前的极限光电转换效率及钝化剂作用后的极限光电转换效率进行计算，得到每个所述钙钛矿钝化剂数据对应的功率转换效率。
具体地，本发明实施例中所述预设种类为路易斯酸碱、铵盐和有机聚合物，所述预设标准测试条件即为基于钙钛矿钝化剂原始数据中极限光电转换效率的测试条件为AM1.5, 1000 W/m2, 25℃，即所述预设标准测试条件为大气质量为1.5时的太阳光谱、1000W/m2的辐照度（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）、环境温度25℃。通过约定测试条件，以保证测试结果的可比性。
可选地，本发明实施例中所述预设特征为预设的多个特征，包括但不限于：钝化剂材料名称、钝化剂材料种类、钝化剂处理方法、钝化剂作用位置、钝化剂添加含量、钝化剂退火温度、钙钛矿组成、钙钛矿沉积程序、钙钛矿沉积方法、ETL层、HTL层、抗溶剂、前驱体溶剂。
S2、对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；
本发明实施例中为了将所述钙钛矿钝化剂数据中不同特征的特征数据转换为计算机可以识别的数值，对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据中的所有预设特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集。
详细地，本发明实施例中对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集，包括：
将所述钙钛矿钝化剂数据中钝化剂名称的特征数据转换为SMILES序列，得到第一转换数据；
基于预设的元素序列，计算所述第一转换数据中钙钛矿组成的每种元素占比，并将计算的每种元素占比按照所述元素序列中元素的顺序进行组合，得到所述钙钛矿组成对应的材料占比序列；
将所述第一转换数据中所述钙钛矿组成的特征数据替换为该钙钛矿组成对应的材料占比序列，得到第二转换数据；
将所述第二转换数据中的表征类别的特征数据及其他非连续变量的特征数据，利用独热编码转换为数值，得到钙钛矿钝化剂标准数据；
汇总所有所述钙钛矿钝化剂标准数据，得到所述钙钛矿钝化剂标准数据集。
本发明实施例中所述钙钛矿组成为ABX3 结构的钙钛矿晶体，A位的一价阳离子通常是甲铵(MA+/CH3NH3+)和甲脒(FA+/NH2CHNH2+)，同时可以掺杂无机金属离子，如铷（Rb+）和铯(CS+)；B位的二价金属离子通常是铅(Pb2+)、锡(Sn2+)；在X位置的卤素阴离子是碘(I-)、溴(Br-)和氯(Cl-)。因此，我们根据钙钛矿组成，分离出不同离子在所在位置上所占的比例。例如钙钛矿组成为Cs0.05(MA0.1FA0.9)0.95Pb(I0.9Br0.1)3即钙钛矿组成的特征数据为Cs0.05(MA0.1FA0.9)0.95Pb(I0.9Br0.1)3，我们根据其中不同元素的占比，基于预设的元素序列生成了材料占比序列，不同元素的占比为{'Cs': 0.05, 'MA': 0.095, 'FA': 0.855, 'Rb': 0, 'Pb': 1, 'Sn': 0, 'I': 0.9, 'Br': 0.1, 'Cl': 0.0}，元素序列为[' Cs ','MA', 'FA','Rb', 'Pb', 'Sn', 'I', 'Br', 'Cl']，那么生成的材料占比序列为[0.05,0.095,0.855,0,1,0,0.9,0.1,0]。所述元素序列中包含：' Cs '（铯）,'MA'（甲胺）, 'FA'（甲脒）,'Rb'（铷）, 'Pb'（铅）, 'Sn'（锡）, 'I'（碘）, 'Br'（溴）, 'Cl'（氯）九种元素。
本发明实施例中汇总所有所述钙钛矿钝化剂标准数据之前，还需要对所述钙钛矿钝化剂标准数据进行数值变换，如非线性变换、标准化及区间缩放以消除不同特征之间的量纲差异。
本发明实施例中钙钛矿钝化剂数据变化不会影响对应的功率转换效率的变化，例如：钙钛矿钝化剂数据A对应功率转换效率A，钙钛矿钝化剂数据A经过上述数据处理后得到钙钛矿钝化剂标准数据A，那么钙钛矿钝化剂标准数据A也对应的功率转换效率A。
S3、基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
本发明实施例中由于模型无法学习到不同特征交互关联的信息，因此，基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据。
详细地，本发明实施例中所述基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据，包括：
获取所述钙钛矿钝化剂标准数据中钝化剂名称对应钝化剂的SMILES结构，得到钝化剂结构信息；
基于所述钝化剂结构信息计算预设的分子描述符的描述符特征值，得到所述钙钛矿钝化剂标准数据对应的每种所述分子描述符的描述符特征值；
基于所述描述符特征值，计算所述分子描述符与所述功率转换效率的相关性，得到每种所述分子描述符的特征相关性系数；
基于所述特征相关性系数对所有种类的所述分子描述符进行筛选，得到目标分子描述符；
基于所述钝化剂结构信息计算所述钙钛矿钝化剂标准数据对应的预设的每种分子指纹特征的分子指纹，其中，所述分子指纹以独热向量表示；
基于所述分子指纹对所有所述分子指纹特征进行相似分子指纹特征剔除及重要分子指纹特征筛选，得到目标分子指纹特征；
基于所述钙钛矿钝化剂标准数据中每种特征的特征数据、所述钙钛矿钝化剂标准数据对应的每种所述目标分子描述符的描述符特征值、所述钙钛矿钝化剂标准数据对应的每种目标分子指纹特征的分子指纹，进行特征融合，得到该钙钛矿钝化剂标准数据对应的每种复合特征的特征数据。
详细地，本发明实施例中将所述钙钛矿钝化剂标准数据对应的所有所述目标分子描述符的描述符特征值两两进行融合、将所述钙钛矿钝化剂标准数据对应的每个所述目标分子描述符的描述符特征值与该钛矿钝化剂标准数据中每种特征的特征数据进行融合、将所述钙钛矿钝化剂标准数据对应的所有目标分子指纹特征对应的分子指纹两两进行融合及将所述钙钛矿钝化剂标准数据对应的对应的每种目标分子指纹特征的分子指纹与该钛矿钝化剂标准数据中每种特征的特征数据进行融合，得到所述钙钛矿钝化剂标准数据对应的每种预设的复合特征的特征数据。
本发明实施例中预设了多种分子指纹特征，基于所述钝化剂结构信息计算所述钙钛矿钝化剂标准数据对应的预设的每种分子指纹特征，预设的指纹特征为预设预设化学信息库中的分子指纹特征，本发明实施例对预设的分子指纹特征的种类数不作限制。
可选地，本发明实施例中预设了多种分子指纹特征，所述预设的分子描述符为预设化学信息库中0D、1D和2D类型的描述符，所述预设化学信息库可以为Rdkit、Mordred等，本发明实施例对此不作限制。
本发明实施例中利用如下公式计算所述分子描述符与所述功率转换效率的相关性，得到每种所述分子描述符的特征相关性系数：
；
其中， 为分子描述符/>的特征相关系数，/>表示分子描述符的序号，/>表示钙钛矿钝化剂标准数据的序号，/>为钙钛矿钝化剂标准数据/>对应的分子描述符x的描述符特征值，/>为所述钙钛矿钝化剂标准数据/>对应功率转换效率，/>为所有钙钛矿钝化剂标准数据对应的分子描述符x的描述符特征值的平均值，/>为所有所述功率转换效率的平均值，/>为钙钛矿钝化剂标准数据的数量。
可选地，本发明实施例中可利用加权融合、加法融合、乘法融合、最大值融合、最小值融合、比率融合等方式进行融合，得到所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据。
可选地，本发明实施例中所述复合特征为融合两个特征融合得到的新的特征，融合的两个特征可以分别为钙钛矿钝化剂标准数据包含的某一个特征及该钙钛矿钝化剂标准数据对应的某一个目标分子描述符（也可以是某一个目标分子指纹特征），也可以是该钙钛矿钝化剂标准数据对应的两个目标分子描述符或两个目标分子指纹特征，例如：复合特征AB为A特征和B特征融合得到的特征，当A特征为钙钛矿钝化剂标准数据包含的特征时，B特征为某一个目标分子描述符（或某一个目标分子指纹特征）；当A特征为某一个目标分子描述符时，B特征可以为另一个目标分子描述符也可以为某一个钙钛矿钝化剂标准数据包含的特征；当A特征为某一个目标分子指纹特征，B特征可以为另一个目标分子指纹特征也可以为某一个钙钛矿钝化剂标准数据包含的特征。若复合特征AB由A特征（钙钛矿钝化剂标准数据包含的特征）及B特征（目标分子描述符B）融合得到的新特征，那么所述钙钛矿钝化剂标准数据A对应的每种复合特征AB的特征数据为所述钙钛矿钝化剂标准数据A中A特征的特征数据与钙钛矿钝化剂标准数据A对应目标分子描述符B的描述符特征值进行融合（即将A特征的特征数据与目标分子描述符B的描述符特征值，选择相加（加法融合）、相乘（乘法融合）、相除（比率融合）、取最大值（最大值融合）、取最小值（最小值融合）、加权相加（加权融合）等诸多融合方式中一种进行融合，得到复合特征AB的特征数据。）
进一步地，本发明实施例中所述基于所述特征相关性系数对所有种类的所述分子描述符进行筛选，得到目标分子描述符，包括：
将所有种类的所述分子描述符按照每种分子描述符的特征相关性系数，从高到底进行排序，得到分子描述符序列；
将所述分子描述符序列中预设排名及之前的分子描述符确定为所述目标分子描述符。
可选地，本发明实施例中所述预设排名可以为20。
详细地，本发明实施例中所述基于所述分子指纹对所有所述分子指纹特征进行相似分子指纹特征剔除及重要分子指纹特征筛选，得到目标分子指纹特征，包括：
计算所述分子指纹特征对应的所有分子指纹的自方差，得到所述分子指纹特征的特征波动系数；
筛选所述特征波动系数大于或等于预设波动阈值的分子指纹特征，得到初始分子指纹特征；
利用所述分子指纹计算两两初始分子指纹特征的指纹特征相关性系数，并基于所述指纹特征相关性系数剔除所有初始分子指纹特征中的相似分子指纹特征，得到目标指纹特征。
可选地，本发明实施例中所述预设波动阈值为0.01，本发明实施例中所述预设波动阈值还可以为其他实数，对此不作限制。
具体地，本发明实施例中所述利用所述分子指纹计算两两初始分子指纹特征的指纹特征相关性系数，包括：
；
其中，表示初始分子指纹特征/>与初始分子指纹特征/>的指纹特征相关性系数，/>、/>均为初始分子特征的序号，/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹包含预设指纹特征且初始分子指纹特征/>的分子指纹不包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹不包含预设指纹特征且初始分子指纹特征/>的分子指纹包含预设指纹特征的钙钛矿钝化剂标准数据的数量，/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均不包含预设指纹特征的钙钛矿钝化剂标准数据的数量。
例如：钙钛矿钝化剂标准数据对应的初始分子指纹特征的分子指纹中包含预设指纹特征，且该钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中包含预设指纹特征，那么将该钙钛矿钝化剂标准数据确定为第一标准数据，所有第一标准数据的数量为/>；钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中包含预设指纹特征，且该钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中不包含预设指纹特征，那么将该钙钛矿钝化剂标准数据确定为第二标准数据，所有第二标准数据的数量为/>；钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中不包含预设指纹特征，且该钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中不包含预设指纹特征，那么将该钙钛矿钝化剂标准数据确定为第三标准数据，所有第三标准数据的数量为/>；钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中不包含预设指纹特征，且该钙钛矿钝化剂标准数据对应的初始分子指纹特征/>的分子指纹中不包含预设指纹特征，那么将该钙钛矿钝化剂标准数据确定为第四标准数据，所有第一标准数据的数量为/>。
需要解释的是，本发明实施例中所述预设指纹特征为分子指纹中预设的特征（如：分子指纹中包含两个1），本发明实施例对所述预设指纹特征不作限制。
进一步地，本发明实施例中特征相关性系数可以表征两个初始分子指纹特征的相似程度，若两个初始分子指纹特征的指纹特征相关系数大于预设指纹相关系数阈值（可以为0.8，本发明实施例对所述预设指纹相关系数阈值的大小不作限制），则说明这两个初始分子指纹特征是相似的，那么只利用一个初始分子指纹特征即可达到相应的效果，为了避免冗余，浪费不必要的计算量，将相似的两个初始分子指纹特征中保留一个初始分子指纹特征，直至最后保留的所有初始分子指纹特征中任意两个特征的指纹特征相关系数不大于预设指纹相关系数阈值，并将最后保留的每个初始分子指纹特征确定为目标指纹特征，在其他实施例中还可以对最后保留的所有初始分子特征进行进一步筛选，以筛选对功率转换效率相关性强的特征作为目标指纹特征（可使用向前逐步回归法等筛选算法进行筛选）。
S4、将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；
本发明实施例中为了消除冗余特征、无关特征、突出重点特征，从而降低算法复杂度，增加模型泛化性，基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征，包括：
汇总所有所述初始特征，得到初始特征集；
计算所述初始特征集中两两初始特征的相关系数，并基于计算结果对所述初始特征集进行初始特征删除，得到初始特征去冗集，其中，所述初始特征去冗集中任意两个初始特征的相关系数小于或等于预设相关系数阈值（可以为0.8，本发明实施例对所述预设相关系数阈值的大小不作限制）；
计算所述初始特征去冗集中每种初始特征在所述钙钛矿钝化剂标准数据集中的自方差，得到所述初始特征去冗集中每种初始特征的贡献系数；
将所述初始特征去冗集中贡献系数不小于预设贡献系数阈值的初始特征确定为所述重要特征。
本发明实施例中所述相关系数的计算方法与S3中特征相关系数的计算方法类似，在此不在赘述。
具体地，本发明实施例中计算所述初始特征集中两两初始特征的相关系数，并基于计算结果对所述初始特征集进行初始特征删除，得到初始特征去冗集，包括：
在所述初始特征集中任意选取一个初始特征，得到待选初始特征；
计算所述初始特征集中所述待选初始特征与其他每个所述初始特征的相关系数，得到对应的特征相关系数；
当所有所述特征相关系数中没有大于预设相关系数阈值的特征相关系数，将所述初始特征集中所述待选初始特征删除，以对所述初始特征集进行更新，并将所述待选初始特征确定为入选的初始特征；
判断所述初始特征集中初始特征的数量是否为零；
当所述初始特征集中初始特征的数量不为零，则返回所述在所述初始特征集中任意选取一个初始特征步骤；
当所述初始特征集中初始特征的数量为零，则汇总所有入选的初始特征，得到所述初始特征去冗集；
当所有所述特征相关系数中有大于预设相关系数阈值的特征相关系数，则将所述初始特征集中待选初始特征删除，以对所述初始特征集进行更新；
判断所述初始特征集中初始特征的数量是否为零；
当所述初始特征集中初始特征的数量不为零，则返回所述在所述初始特征集中任意选取一个初始特征步骤；
当所述初始特征集中初始特征的数量为零，则汇总所有入选的初始特征，得到所述初始特征去冗集。
可选地，本发明实施例中所述预设相关系数阈值为90%，所述贡献系数阈值为0.005。
详细地，本发明实施例中利用如下公式计算所述初始特征去冗集中每种初始特征在所述钙钛矿钝化剂标准数据集中的自方差，得到所述初始特征去冗集中每种初始特征的贡献系数：
；
其中，表示所述初始特征去冗集中的初始特征/>，/>表示所有钙钛矿钝化剂标准数据中初始特征/>的特征数据的平均值，/>表示钙钛矿钝化剂标准数据/>中初始特征/>的特征数据，/>表示钙钛矿钝化剂标准数据的序号，/>表示钙钛矿钝化剂标准数据的数量，/>表示所述初始特征去冗集中的初始特征/>的自方差。
S5、基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
本发明实施例中基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据。
详细地，本发明实施例中所述基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据，包括：
筛选所述钙钛矿钝化剂标准数据及其对应的所有复合特征的特征数据中所有重要特征的特征数据，得到该钙钛矿钝化剂标准数据对应的标准钝化剂样本数据。
例如：在钙钛矿钝化剂标准数据A及钙钛矿钝化剂标准数据A对应的每种复合特征的特征数据中筛选所有重要特征的特征数据，得到钙钛矿钝化剂标准数据A对应的标准钝化剂样本数据。
S6、基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；
本发明实施例中基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集。
详细地，本发明实施例中钙钛矿钝化剂数据变化不会影响对应的功率转换效率的变化，因此，每个所述标准钝化剂样本数据也有自己对应的功率转换效率。
基于所述钙钛矿钝化剂数据与所述功率转换效率的对应关系，获取每个所述标准钝化剂样本数据的功率转换效率；
将每个所述标准钝化剂样本数据的功率转换效率作为标签标记该标准钝化剂样本数据；
将所有标签标记的所有标准钝化剂样本数据按照预设的数据比例切分为训练集及测试集。
本发明实施例对所述数据比例不作限制，可选地，所述数据比例可以为7:3。
S7、利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；
本发明实施例中所述初始机器学习模型为预构建的回归模型，训练后可以预测不同的钝化剂钝化策略对钙钛矿太阳能电池的功率转换效率的影响，训练的初始机器学习模型的种类可以为一种或多种，本发明实施例对所述初始机器学习模型的种类不做限制。
可选地，本发明实施例中所述初始机器学习模型可以为随机森林、XGBoost、CatBoost、AdaBoost、LGBM、ANN，本发明实施例对所述初始机器学习模型不作限制。
本发明实施例中利用训练集训练初始机器学习模型的训练过程为本领域技术人员熟知的技术手段，在此不在赘述。
S8、利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；
本发明实施例中为了确定每个效率评估模型的模型性能，利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数。
详细地，本发明实施例中所述利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数，包括：
依次将所述测试集中的每个标准钝化剂样本数据输入所述效率评估模型，得到所述测试集中每个标准钝化剂样本数据的预测值；
将所述测试集中所述标准钝化剂样本数据标记的标签确定为该标准钝化剂样本数据的真实值；
计算所有所述真实值的平均值，得到真实平均值；
计算每个所述标准钝化剂样本数据的真实值和预测值差值的平方，得到每个所述标准钝化剂样本数据的残差平方；
计算每个所述标准钝化剂样本数据的真实值与所述真实平均值的差值的平方，得到每个所述标准钝化剂样本数据的偏差平方；
计算所有所述残差平方之和，得到残差平方和；
计算所有所述偏差平方之和，得到偏差平方和；
基于所述残差平方和与所述偏差平方和进行计算，得到所述模型性能系数。
详细地，本发明实施例中计算所述偏差平方和与所述残差平方和的差值，得到目标差值；计算所述目标差值与所述偏差平方和的比值，得到所述模型性能系数。
本发明实施例中通过所述模型性能系数以衡量模型的评估性能，从而保证挑选出性能更好的效率评估模型进行钙钛矿钝化剂钝化策略评估，提高钙钛矿钝化剂钝化策略评估的准确性。
S9、利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
本发明实施例中为了判断哪一个模型的可以更准确的预测功率转换效率，利用所述模型性能系数对所有所述效率评估模型进行筛选，得到所述目标评估模型。
本发明实施例中由于模型性能系数越高，模型的性能越好，即预测的功率转换效率越准确，因此，所述利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型，包括：
将最大的所述模型性能系数确定为目标模型性能系数；
将所述目标模型性能系数对应的效率评估模型确定为所述目标评估模型。
需要解释的是，由于进行钙钛矿钝化剂钝化策略评估的任务的特殊性，常规的机器学习缺失了太多影响最终结果的变量，例如退火温度、作用位置、工艺方法等，而这些却是重要的，但是在机器学习的过程中，强行使用它们很难获得好的效果，因此常用的做法是以信息损失作为代价，遗漏这些信息去预测一个大致的结果。在这里我们使用融合特征强行加入了这些信息，并使用一系列方法筛选得到了合适的特征进行训练和学习，在模型中测试集的表现得到了大幅提高。最后使用该模型筛选得到了材料，在实验中我们找到了一种新的钝化材料3TPYMB（三[2，4，6-三甲基-3-(3-吡啶基)苯基]硼烷）和钝化策略（HTL侧，100摄氏度退火温度），最终将PCE提升了2.8%。
S10、当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
本发明实施例中所述待评估钙钛矿钝化剂数据为与所述钙钛矿钝化剂标准数据类型相同的需要进行钝化效果评估的钙钛矿电池的钝化剂钝化策略方案的数据，进一步地，由于钝化策略的好坏通过功率转换效率进行体现，需要评估该策略的功率转换效率，因此，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
进一步地，本发明实施例中所述基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率，包括：
将所述待评估钙钛矿钝化剂数据进行特征交叉融合，得到所述待评估钙钛矿钝化剂数据对应的每种预设的复合特征的特征数据；
筛选所述待评估钙钛矿钝化剂数据及所述待评估钙钛矿钝化剂数据对应的所有复合特征的特征数据中的所有重要特征的特征数据，得到评估输入数据；
所述评估输入数据输入所述目标评估模型，得到所述目标功率转换效率。
本发明实施例S10步骤中特征交叉融合与重要特征的特征数据筛选与前述步骤中的处理方式相同，在此不在赘述。
本发明实施例中在实验验证的过程中通过对钙钛矿钝化剂钝化策略评估，实现了评估效果最好的钝化剂钝化策略进行筛选，并对筛选结果进行实验验证：评估筛选钝化剂钝化策略为：钝化剂为三[2，4，6-三甲基-3-(3-吡啶基)苯基]硼烷（3TPYMB），作用位置为在HTL侧，退火温度为100摄氏度。使用两步法制造了具有ITO/SnO2/FA0.5MA0.5PbI3/Spiro-OMeTAD/Au（铟锡氧化物半导体透明导电膜/二氧化锡/钙钛矿/2,2',7,7'-四[N,N-二(4-甲氧基苯基)氨基]-9,9'-螺二芴/金电极）器件结构的钙钛矿太阳能电池(参比件)，和ITO/SnO2/FA0.5MA0.5PbI3/3TPYMB/Spiro-OMeTAD/Au（铟锡氧化物半导体透明导电膜/二氧化锡/钙钛矿/三[2，4，6-三甲基-3-(3-吡啶基)苯基]硼烷/2,2',7,7'-四[N,N-二(4-甲氧基苯基)氨基]-9,9'-螺二芴/金电极）器件结构的钙钛矿太阳能电池(钝化剂件)，经过在标准测试条件下的验证，器件效率PCE从参比件的21.61%提升到钝化剂件的22.23%（如图2所示，钝化剂件（图中简称钝化剂）与参比件（图中简称参比）的电学特征对比），明显提升了器件效率，通过实验验证了钙钛矿钝化剂钝化策略评估的实用性。
实施例二：如图3所示，是本发明一实施例提供的钙钛矿钝化剂钝化策略评估装置的功能模块图。
本发明所述钙钛矿钝化剂钝化策略评估装置100可以安装于电子设备中。根据实现的功能，所述钙钛矿钝化剂钝化策略评估装置100可以包括特征融合模块101、特征筛选模块102、模型训练筛选模块103、功率转换效率评估模块104。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。
所述特征融合模块101用于获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
所述特征筛选模块102用于将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
所述模型训练筛选模块103用于基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
所述功率转换效率评估模块104用于当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
详细地，本发明实施例中所述钙钛矿钝化剂钝化策略评估装置100中的所述各模块在使用时采用与上述的图1中所述的钙钛矿钝化剂钝化策略评估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。
实施例三：如图4所示，是本发明一实施例提供的实现钙钛矿钝化剂钝化策略评估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，如钙钛矿钝化剂钝化策略评估程序。
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（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）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，例如钙钛矿钝化剂钝化策略评估程序的代码等，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（Central Processing unit，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（Control Unit），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（例如钙钛矿钝化剂钝化策略评估程序等），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（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，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4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4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、电源转换器或者逆变器、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（Organic Light-Emitting Diode，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存储的钙钛矿钝化剂钝化策略评估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：
获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；
对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；
基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；
基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；
利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；
利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；
利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
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3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-Only Memory）。
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：
获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；
对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；
基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；
基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；
利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；
利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；
利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
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 (7)
1.一种钙钛矿钝化剂钝化策略评估方法，其特征在于，所述方法包括：
步骤S1、获取钙钛矿钝化剂数据集及所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据对应的功率转换效率；
步骤S2、对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集；
步骤S3、基于所述功率转换效率，将所述钙钛矿钝化剂标准数据集中每个钙钛矿钝化剂标准数据进行特征交叉融合，得到每个所述钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；具体包括步骤S31-步骤S37；
步骤S31、获取所述钙钛矿钝化剂标准数据中钝化剂名称对应钝化剂的SMILES结构，得到钝化剂结构信息；
步骤S32、基于所述钝化剂结构信息计算预设的分子描述符的描述符特征值，得到所述钙钛矿钝化剂标准数据对应的每种所述分子描述符的描述符特征值；
步骤S33、基于所述描述符特征值，计算所述分子描述符与所述功率转换效率的相关性，得到每种所述分子描述符的特征相关性系数；其中，为序号为/>的分子描述符的特征相关性系数，/>；/>表示分子描述符的序号；/>表示钙钛矿钝化剂标准数据的序号；/>为序号为/>的钙钛矿钝化剂标准数据对应的序号为/>的分子描述符的描述符特征值；/>为序号为/>的钙钛矿钝化剂标准数据对应功率转换效率；/>为所有钙钛矿钝化剂标准数据对应的序号为/>的分子描述符的描述符特征值的平均值；/>为所有所述功率转换效率的平均值；/>为钙钛矿钝化剂标准数据的数量；
步骤S34、基于所述分子描述符的特征相关性系数对所有种类的所述分子描述符进行筛选，得到目标分子描述符；具体地，将所有种类的所述分子描述符按照每种分子描述符的特征相关性系数，从高到低进行排序，得到分子描述符序列；将所述分子描述符序列中预设排名及之前的分子描述符确定为所述目标分子描述符；
步骤S35、基于所述钝化剂结构信息计算所述钙钛矿钝化剂标准数据对应的预设的每种分子指纹特征的分子指纹，其中，所述分子指纹以独热向量表示；
步骤S36、基于所述分子指纹对所有所述分子指纹特征进行相似分子指纹特征剔除及重要分子指纹特征筛选，得到目标分子指纹特征；
具体地，计算所述分子指纹特征对应的所有分子指纹的自方差，得到所述分子指纹特征的特征波动系数；筛选所述分子指纹特征的特征波动系数大于或等于预设波动阈值的分子指纹特征，得到初始分子指纹特征；利用所述分子指纹计算两两初始分子指纹特征的指纹特征相关性系数，并基于所述指纹特征相关性系数剔除所有初始分子指纹特征中的相似分子指纹特征，得到目标指纹特征；其中，表示初始分子指纹特征/>与初始分子指纹特征/>的指纹特征相关性系数，/>；/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均包含预设指纹特征的钙钛矿钝化剂标准数据的数量；/>表示初始分子指纹特征/>的分子指纹包含预设指纹特征且初始分子指纹特征/>的分子指纹不包含预设指纹特征的钙钛矿钝化剂标准数据的数量；/>表示初始分子指纹特征/>的分子指纹不包含预设指纹特征且初始分子指纹特征/>的分子指纹包含预设指纹特征的钙钛矿钝化剂标准数据的数量；/>表示初始分子指纹特征/>的分子指纹与初始分子指纹特征/>的分子指纹均不包含预设指纹特征的钙钛矿钝化剂标准数据的数量；
步骤S37、基于所述钙钛矿钝化剂标准数据中每种特征的特征数据、所述钙钛矿钝化剂标准数据对应的每种目标分子描述符的描述符特征值、所述钙钛矿钝化剂标准数据对应的每种目标分子指纹特征的分子指纹，进行特征融合，得到该钙钛矿钝化剂标准数据对应的每种复合特征的特征数据；
步骤S4、将所述钙钛矿钝化剂标准数据集中的每种特征及每种所述复合特征，确定为初始特征，并基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征；
步骤S5、基于所述钙钛矿钝化剂标准数据及所述复合特征，进行所述重要特征的特征数据筛选，得到所述钙钛矿钝化剂标准数据对应的标准钝化剂样本数据；
步骤S6、基于所述功率转换效率对每个所述标准钝化剂样本数据进行标签标记，并将标记的所有标准钝化剂样本数据切分为训练集及测试集；
步骤S7、利用所述训练集训练一种或多种初始机器学习模型，得到每种所述初始机器学习模型对应的效率评估模型；
步骤S8、利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数；
步骤S9、利用所述模型性能系数对所有所述效率评估模型进行筛选，得到目标评估模型；
步骤S10、当接收到待评估钙钛矿钝化剂数据时，基于所述目标评估模型对所述待评估钙钛矿钝化剂数据进行功率转换效率评估，得到目标功率转换效率。
2.如权利要求1所述的钙钛矿钝化剂钝化策略评估方法，其特征在于，所述对所述钙钛矿钝化剂数据集中每个钙钛矿钝化剂数据包含的所有特征的特征数据进行特征变量连续性转换，得到钙钛矿钝化剂标准数据集，包括：
将所述钙钛矿钝化剂数据中钝化剂名称的特征数据转换为SMILES序列，得到第一转换数据；
基于预设的元素序列，计算所述第一转换数据中钙钛矿组成的每种元素占比，并将计算的每种元素占比按照所述元素序列中元素的顺序进行组合，得到所述钙钛矿组成对应的材料占比序列；
将所述第一转换数据中所述钙钛矿组成的特征数据替换为该钙钛矿组成对应的材料占比序列，得到第二转换数据；
将所述第二转换数据中的表征类别的特征数据及其他非连续变量的特征数据，利用独热编码转换为数值形式，得到钙钛矿钝化剂标准数据；
汇总所有所述钙钛矿钝化剂标准数据，得到所述钙钛矿钝化剂标准数据集。
3.如权利要求1所述的钙钛矿钝化剂钝化策略评估方法，其特征在于，所述基于所述功率转换效率对所有所述初始特征进行特征去冗及特征重要性筛选，得到重要特征，包括：
汇总所有所述初始特征，得到初始特征集；
计算所述初始特征集中两两初始特征的相关系数，并基于计算结果对所述初始特征集进行初始特征删除，得到初始特征去冗集，其中，所述初始特征去冗集中任意两个初始特征的相关系数小于或等于预设相关系数阈值；
利用如下公式计算所述初始特征去冗集中每种初始特征在所述钙钛矿钝化剂标准数据集中的自方差，得到所述初始特征去冗集中每种初始特征的贡献系数；其中，表示所述初始特征去冗集中的初始特征/>的自方差，/>；/>表示所述初始特征去冗集中的初始特征；/>表示所有钙钛矿钝化剂标准数据中/>的特征数据的平均值；/>表示序号为/>的钙钛矿钝化剂标准数据中/>的特征数据；/>表示钙钛矿钝化剂标准数据的序号；/>表示钙钛矿钝化剂标准数据的数量；
将所述初始特征去冗集中贡献系数不小于预设贡献系数阈值的初始特征确定为所述重要特征。
4.如权利要求1至3中任意一项所述的钙钛矿钝化剂钝化策略评估方法，其特征在于，所述利用所述测试集对所述效率评估模型进行模型性能评估，得到所述效率评估模型的模型性能系数，包括：
依次将所述测试集中的每个标准钝化剂样本数据输入所述效率评估模型，得到所述测试集中每个标准钝化剂样本数据的预测值；
将所述测试集中所述标准钝化剂样本数据标记的标签确定为该标准钝化剂样本数据的真实值；
计算所有所述真实值的平均值，得到真实平均值；
计算每个所述标准钝化剂样本数据的真实值和预测值差值的平方，得到每个所述标准钝化剂样本数据的残差平方；
计算每个所述标准钝化剂样本数据的真实值与所述真实平均值的差值的平方，得到每个所述标准钝化剂样本数据的偏差平方；
计算所有所述标准钝化剂样本数据的残差平方之和，得到残差平方和；
计算所有所述标准钝化剂样本数据的偏差平方之和，得到偏差平方和；
计算所述偏差平方和与所述残差平方和的差值，得到目标差值；
计算所述目标差值与所述偏差平方和的比值，得到所述模型性能系数。
5.一种钙钛矿钝化剂钝化策略评估装置，其特征在于，所述装置包括：
特征融合模块，用于执行如权利要求1中所述的步骤S1-步骤S37；
特征筛选模块，用于执行如权利要求1中所述的步骤S4-步骤S5；
模型训练筛选模块，用于执行如权利要求1中所述的步骤S6-步骤S9；
功率转换效率评估模块，用于执行如权利要求1中所述的步骤S10。
6.一种电子设备，其特征在于，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计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的钙钛矿钝化剂钝化策略评估方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的钙钛矿钝化剂钝化策略评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374346.3A CN117114143B (zh) | 2023-10-23 | 2023-10-23 | 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311374346.3A CN117114143B (zh) | 2023-10-23 | 2023-10-23 | 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114143A CN117114143A (zh) | 2023-11-24 |
| CN117114143B true CN117114143B (zh) | 2024-02-02 |
Family
ID=88800554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311374346.3A Active CN117114143B (zh) | 2023-10-23 | 2023-10-23 | 一种钙钛矿钝化剂钝化策略评估方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114143B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190073895A (ko) * | 2017-12-19 | 2019-06-27 | 한국에너지기술연구원 | 태양전지 열전 융합소자 |
| CN113224239A (zh) * | 2021-03-15 | 2021-08-06 | 南开大学 | 一种原位生成水、热稳定的钝化层及具有钝化层的钙钛矿太阳能电池 |
| CN114974476A (zh) * | 2022-05-24 | 2022-08-30 | 北京交通大学 | 一种钙钛矿电池修饰材料的选择方法 |
| CN116202973A (zh) * | 2023-05-06 | 2023-06-02 | 弗斯迈智能科技(江苏)有限公司 | 一种钙钛矿胶膜整叠成膜检测系统 |
| CN116486938A (zh) * | 2023-06-15 | 2023-07-25 | 苏州创腾软件有限公司 | 一种双钙钛矿化合物形成性的预测方法和装置 |
| CN116825227A (zh) * | 2023-08-31 | 2023-09-29 | 桑若(厦门)光伏产业有限公司 | 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 |
-
2023
- 2023-10-23 CN CN202311374346.3A patent/CN117114143B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190073895A (ko) * | 2017-12-19 | 2019-06-27 | 한국에너지기술연구원 | 태양전지 열전 융합소자 |
| CN113224239A (zh) * | 2021-03-15 | 2021-08-06 | 南开大学 | 一种原位生成水、热稳定的钝化层及具有钝化层的钙钛矿太阳能电池 |
| CN114974476A (zh) * | 2022-05-24 | 2022-08-30 | 北京交通大学 | 一种钙钛矿电池修饰材料的选择方法 |
| CN116202973A (zh) * | 2023-05-06 | 2023-06-02 | 弗斯迈智能科技(江苏)有限公司 | 一种钙钛矿胶膜整叠成膜检测系统 |
| CN116486938A (zh) * | 2023-06-15 | 2023-07-25 | 苏州创腾软件有限公司 | 一种双钙钛矿化合物形成性的预测方法和装置 |
| CN116825227A (zh) * | 2023-08-31 | 2023-09-29 | 桑若(厦门)光伏产业有限公司 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| Machine-Learning-Assisted Screening of Interface Passivation Materials for Perovskite Solar Cells;C. Zhi 等;ACS Energy Letters;第8卷(第3期);全文 * |
| 基于不同机器学习算法的钙钛矿材料性能预测;郑伟达 等;中国有色金属学报(第04期);全文 * |
| 基于机器学习探索钙钛矿材料及其应用;胡杨 等;硅酸盐学报;第51卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114143A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700027B (zh) | 用于电功率预测模型的多精度指标综合评价方法及系统 | |
| 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 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN103678004A (zh) | 一种基于非监督特征学习的主机负载预测方法 | |
| CN110471856A (zh) | 一种基于数据不平衡的软件缺陷预测方法 | |
| CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
| 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 | |
| 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 | |
| CN115099153A (zh) | 风功率预测模型训练方法、风功率预测方法、装置及介质 | |
| CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| Qin et al. | EDDNet: An efficient and accurate defect detection network for the industrial edge environment | |
| CN108920790A (zh) | 一种基于历史数据的公共建筑用电模式识别模型建立方法 | |
| Deaconu et al. | Calculation of seven photovoltaic cells parameters using parallelized successive discretization algorithm | |
| CN115796398A (zh) | 基于电力物资的需求智能分析方法、系统、设备及介质 | |
| CN116227676A (zh) | 生产设备能耗分析方法、装置、电子设备及存储介质 | |
| CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
| 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 | |
| Naveen Venkatesh et al. | Photovoltaic module fault detection based on deep learning using cloud computing | |
| Gu et al. | Modeling and optimization of beam pumping system based on intelligent computing for energy saving | |
| CN111815085A (zh) | 一种轨道交通能源管理系统综合能效评估的实现方法 | |
| El yanboiy et al. | Enhancing the Reliability and Efficiency of Solar Systems Through Fault Detection in Solar Cells Using Electroluminescence (EL) Images and YOLO Version 5.0 Algorithm | |
| Liu et al. | Software reliability modelling considering both testing effort and testing coverage |
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 |