找到 3 条结果 · Solar Energy
利用光伏参数和机器学习确定硅太阳能电池中的铁浓度
Determination the iron concentration in silicon solar cells using photovoltaic parameters and machine learning
Oleg Olikh · Oleksii Zavhorodni · Solar Energy · 2025年11月 · Vol.300
摘要 本研究提出了一种基于机器学习（ML）的创新方法，用于量化硅太阳能电池中的铁杂质。通过对80种模型进行综合分析，采用随机森林（RF）、梯度提升（GB）、极端梯度提升（XGB）、支持向量回归（SVR）和深度神经网络（DNN）等算法，根据FeB对解离引起的光伏参数变化来预测铁浓度。研究识别了训练数据集为最小化预测误差所需满足的条件，以及能够产生最准确预测的特征组合。此外，评估了使用主成分分析（PCA）进行数据预处理的有效性。结果表明，XGB和DNN模型优于其他模型，在合成数据上达到的均方误差（M...
解读: 该机器学习铁杂质检测技术对阳光电源SG系列光伏逆变器和iSolarCloud平台具有重要应用价值。通过XGB/DNN算法实时监测组件铁污染导致的效率衰减,可集成至MPPT优化算法中实现动态功率预测修正。建议将此方法嵌入智能运维系统,结合光伏参数变化特征实现组件质量分级与寿命预测,提升电站资产管理精度...
基于机器学习与SCAPS-1D的RbGeBr3钙钛矿太阳能电池性能预测与验证
Machine learning and SCAPS-1D based prediction and validation of RbGeBr3 perovskite solar cell
Namrata A.Tukadiy · Zarna D.Ponkiy · Nikunj Joshi · Deepak Upadhyay 等5人 · Solar Energy · 2025年11月 · Vol.300
本研究利用机器学习（ML）模型预测RbGeBr3钙钛矿太阳能电池的性能，并通过太阳能电容模拟器（SCAPS-1D）进行验证。采用来自MaterialsZone数据库的基于密度泛函理论（DFT）生成的数据集，其中包含有机–无机卤化物钙钛矿材料的数据，结合基于Scikit-learn的模型及关联规则挖掘方法进行分析。共评估了443种太阳能电池结构，使用九个关键输入特征来预测能量转换效率（PCE）。在所采用的多种模型中，包括随机森林（RF）、决策树（DT）、K近邻算法（KNN）、梯度提升回归（GBR）...
解读: 该研究通过机器学习预测RbGeBr3钙钛矿电池效率达31.76%,为阳光电源SG系列光伏逆变器的MPPT算法优化提供新思路。ML模型可应用于iSolarCloud平台,实现组件性能预测性维护。钙钛矿高效率特性要求逆变器具备更宽电压范围和更精准功率追踪能力,可推动1500V系统和三电平拓扑技术升级。建...
面向区域尺度太阳能光伏板改造的双层智能决策模型
A two-layer intelligent decision-making model for solar photovoltaic panel retrofit at the regional scale
Dingyuan Ma · Siyu Yu · Shu Su · Xiaodong Li 等5人 · Solar Energy · 2025年7月 · Vol.294
摘要 光伏（PV）面板改造对于降低建筑能耗和应对气候变化至关重要。然而，建筑物在特征上存在差异，使得在区域或城市尺度上高效制定光伏面板改造方案成为一项复杂的挑战。本研究提出了一种面向区域光伏改造的双层“自下而上”智能决策模型，以替代传统的“自上而下”方法。针对单体建筑，比较了多种机器学习算法，其中随机森林（RF）算法达到了93%的准确率和0.80的AUC值，同时采用欧氏距离进行相似性计算；对于区域建筑存量，结合隐性知识，NGSAII优化算法将改造概率、相似性、成本和改造效益作为优化目标，生成帕累...
解读: 该双层智能决策模型为阳光电源区域级光储项目规划提供重要参考。其随机森林算法可优化SG系列逆变器在不同建筑场景的配置方案,NGSAII多目标优化算法可指导PowerTitan储能系统的容量配置与经济性分析。模型中的相似度计算和隐性知识整合,可应用于iSolarCloud平台的智能运维决策,提升区域光储...