BP神經網絡在TiO2太陽能電池天然染料敏化劑研究中的應用

李春梅，王 剛，楊桂軍，韋浩民

（青海大學現(xiàn)代教育技術中心，青海西寧 810016）

BP神經網絡在TiO2太陽能電池天然染料敏化劑研究中的應用

李春梅，王 剛，楊桂軍，韋浩民

（青海大學現(xiàn)代教育技術中心，青海西寧 810016）

介紹了BP神經網絡和燃料敏化太陽能電池的原理，著重闡述了在原特殊植物中提取的色素作為敏化劑原料的實驗中結合BP神經網絡將實驗數(shù)據進行分析的過程。在填充因子FF不變的前提下，以短路電流、開路電壓作為神經網絡的輸入節(jié)點，對應的光電轉換效率作為神經網絡輸出為例，介紹了神經網絡的設計、訓練和測試的過程，證明了BP神經網絡在燃料敏化劑制作過程中的應用是可行的。

BP神經網絡；短路電流；開路電壓；光電轉換效率

染料敏化太陽能電池被人們稱為神奇的人造樹葉，因其具有原材料豐富、成本低、制作工藝簡單，技術成熟以及生產過程不會對環(huán)境造成污染等優(yōu)點，成為了目前最具前途的太陽能電池之一，也是目前研究最活躍的熱點學科之一。其中，染料敏化劑是染料敏化太陽能電池的主要組成部分，它通過吸收太陽光將基態(tài)的電子激發(fā)到激發(fā)態(tài)而產生光電子，然后再注入半導體的導帶上。染料敏化劑的好壞直接決定著染料敏化太陽能電池的光電轉換效率［1］。

BP神經網絡［2－3］作為數(shù)據挖掘中的一個重要算法，其學習和存儲大量的輸入和輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程［2］，已經應用在模式識別、圖像處理、信息處理、智能控制、故障檢測、企業(yè)管理和市場分析等各個領域中。

本論文中采用青藏高原特有的植物作為原材料，包括紫葉李、烈香杜鵑葉、菠菜、金露梅、金蓮花、枸杞、山丹丹花等。在模擬太陽光的照射下，通過測定高原天然染料敏化太陽能電池的J－V曲線，評價高原天然染料敏化太陽能電池的性能。本文針對敏化劑的制作過程中，在不同的植物、不同的pH值等條件下，短路電流密度、開路電壓、填充因子（FF）以及光電轉換效率（η）等之間的關系通過BP神經網絡的方式進行了研究，設計了一組神經網絡組，對燃料敏化劑實驗中得到的大量的數(shù)據進行神經網絡的訓練和測試，以得到最優(yōu)的一組數(shù)據關系，并預測在某條件下的光電轉換效率值［4］。

1 人工神經網絡

人工神經網絡［5］是模仿人腦的工作原理提出的一種人工智能方法，其發(fā)展過程中曾有多種算法，如BP誤差反傳神經網絡、Hopfield反饋神經網絡算法、量子神經網絡等。其中，BP誤差反傳神經網絡是目前應用最廣泛的神經網絡之一。BP網絡結構模型見圖1。

圖1 BP網絡的結構圖

BP神經網絡［5－8］的基本原理：整個網絡的學習過程由兩部分組成，第一部分是信息的正向傳播；第二部分是誤差的反向傳播。正向傳播時，網絡的輸入數(shù)據從輸入層傳入，經過隱層逐層進行處理，之后將處理結果再傳送給輸出層。如果輸出層的實際輸出值與期望輸出值不符，那么流程進入誤差的反向傳播模型。誤差的反向傳播是將輸出誤差以某種形式通過隱層又反向傳遞到輸入層，并將誤差分攤給各層的所有節(jié)點，從而獲得各層節(jié)點的誤差信號，將此誤差信號作為修正各單元權值的依據。以上過程不斷反復，直到網絡輸出的誤差減少到足夠小或者到達預定的值為止。

2 染料敏化太陽能電池原理及天然染料敏化劑原料提取物

染料敏化太陽能電池（dye－sensitized solar cell，DSC）光生電荷的機理與自然界中植物的光合作用非常相似，因此也被稱為人工光合作用。

2．1 DSC的結構與工作原理

DSC［9－11］的結構如圖2所示。DSC主要由光陽極、電解液和對電極3部分組成。DSC的核心性能是光電能量轉換效率η，有

式（1）中，Voc為開路電壓，Jsc為短路電流密度，F(xiàn)F為填充因子，這3個因素是決定光電轉換效率的主要因素。

圖2 染料敏化太陽能電池DSC的基本結構

2．2 敏化劑原料提取植物

本文中采用青海高原特殊植物作為敏化劑原料的制作原材料，如紫葉李、烈香杜鵑葉、菠菜、金露梅、金蓮花、枸杞、山丹丹等［4，12］，這些植物因其生長環(huán)境海拔高、大氣稀薄、日照時間長、紫外線強等特殊性而具有特別的性質。

3 神經網絡設計

本文中，數(shù)據處理部分是由一個神經網絡組組成，其中有多個神經網絡，每個神經網絡均由3層結構組成，即輸入層、隱含層、輸出層。在不同的pH值、不同色素提取植物等條件下，神經網絡的輸入節(jié)點因條件不同而有所變化，隱含層也會隨著輸入節(jié)點的不同而有所變化，最終的一組神經網絡是在3個影響轉換效率的主要因素，即開路電壓Voc、短路電流密度Jsc、FF為填充因子作為神經網絡的輸入節(jié)點，以光電轉換效率作為神經網絡的輸出節(jié)點達到實驗目標。以下以某條件下，神經網絡組中某一個神經網絡為例介紹神經網絡的設計、訓練及測試。

3．1 輸入層節(jié)點和輸出層節(jié)點

在神經網絡組中，每次改變實驗條件，均對整個神經網絡中輸入、隱含和輸出節(jié)點做調整。本網絡中是在某條件下，以某植物為例，在電壓、電流不同的情況下，測試光電轉換效率，因此，輸入層節(jié)點個數(shù)為2，分別代表電壓和電流；輸出層節(jié)點個數(shù)為1，代表光電轉換效率。

3．2 隱含層

隱含層的設計目前有很多經驗公式［6］，本文中采用公式如下：其中n為輸入節(jié)點數(shù)，N為輸出節(jié)點數(shù)，α為1～9之間的常數(shù)。

當不同的m、n值時，α的取值不同。實驗表明，并不是α的值越大越好，或者越小越好。在本文的整個神經網絡組中，每個神經網絡的輸入輸出節(jié)點數(shù)不一樣，我們通過多次實驗，得到一組真實實驗測試值和神經網絡輸出值之間的誤差最小情況下的α值。

3．3 激勵函數(shù)

本文中選擇S型函數(shù)如下式：

這里之所以選擇S型函數(shù)作為BP神經元的激活函數(shù)，是因為它是連續(xù)可微分的，而且更接近于生物神經元的信號輸出形式。

4 實驗

實驗在VB環(huán)境中實現(xiàn)，100組訓練數(shù)據以xlin．txt文件輸入，訓練結果顯示在xlout．txt輸出文件中；20組測試數(shù)據以csin．txt文件輸入，測試結果分別顯示在csout1．txt文件中。

4．1 原始數(shù)據

表1是在真實實驗過程中測得的某條件下的電壓、電流和對應的光電轉換效率中隨機抽取的幾組數(shù)據，我們在神經網絡中對用到的3列數(shù)據進行了處理。

第1列數(shù)據的處理方式是：在原始數(shù)據的基礎上乘以100。假設原始數(shù)據用a表示，處理后的數(shù)據以b表示，則a與b的關系為，b＝a×100。

第2列數(shù)據和第3列數(shù)據的原始表示方式一樣，均采用科學計數(shù)法，因此它們的處理方式相同。假設數(shù)據的表示方法為：c＋e＋（－005），其中c為整數(shù)部分，－005為指數(shù)部分，在神經網絡中訓練和測試時只取前面的5位數(shù)據（不包括小數(shù)點在內）進行神經網絡的訓練和測試。在神經網絡的輸出數(shù)據中，再將其采用轉換的逆方式，即在c的基礎上將其改為c＋e＋（－005）的形式，并將b數(shù)據除以100得到a的形式。因此，在實驗中xlin．txt輸入文件中輸入數(shù)據均采用按上述方法轉換后的數(shù)據。

4．2 神經網絡訓練

在本神經網絡的訓練過程中，訓練數(shù)據100組，表2為抽取的部分訓練數(shù)據。在神經網絡的訓練過程中，學習系數(shù)α和β都為0．7和0．7，各連接權值wij，vjt和閾值θj和γt取值范圍都為［－1，＋1］，均采用隨機生成法實現(xiàn)。整個訓練過程中，訓練次數(shù)設定為39 550次，得到總誤差為0．005 8，比較接近于真實的測試數(shù)據。

表2 神經網絡的訓練數(shù)據

4．3 神經網絡的測試

在上述的神經網絡訓練完成后，實驗中準備了20組數(shù)據，對訓練好的神經網絡進行測試，測試正確率達到95%以上。表3為抽取的部分測試數(shù)據。

表3 神經網絡的測試數(shù)據

5 結論

在TiO2太陽能電池天然染料敏化劑研究中應用BP神經網絡進行光電轉換效率的測定的過程中，在不同的植物、PH值等條件下測得的數(shù)據采用了多組神經網絡進行訓練和測試，雖然實驗過程比較繁瑣，但是整個實驗過程中訓練的神經網絡的誤差比較小，平均在0．005左右，測試數(shù)據正確率為95%。因此，用BP神經網絡在天然敏化劑研究過程中是很成功的。我們在以后的實驗中通過多種方法改進BP算法，神經網絡的測試成功率會得到很大的提高。

（References）

［1］時方曉，孫祥，趙倩，等．單一天然染料制備染料敏化太陽能電池［J］．沈陽建筑大學學報：自然科學版，2014，30（2）：283－289．

［2］趙麗．改進的GSA－BP算法及其在GIS局部放電識別中的應用［D］．廣州：華南理工大學，2013．

［3］陳懷忠．基于BP神經網絡PID算法的水箱液位控制系統(tǒng)設計［J］．實驗技術與管理，2012，29（12）：81－84．

［4］楊桂軍．TiO2太陽能電池天然染料敏化劑的研究［D］．西寧：青海大學，2012．

［5］李春梅，Nzegge Chantale Ebude．BP誤差反傳神經網絡技術的應用［J］．計算機與現(xiàn)代化，2008（2）：40－42．

［6］李春梅，王命延，楊新存．基于神經網絡的認知能力評價方案探析［J］．煤炭技術，2010，29（8）：226－227．

［7］楊聚慶，劉嬌月，崔鵬．基于BP網絡的鍋爐爐膛溫度測量算法［J］．實驗技術與管理，2014，31（2）：27－30，36．

［8］常曉東，常曉磊．基于專家系統(tǒng)和神經網絡的高鐵風災預警算法［J］．實驗技術與管理．2010，27（3）：97－99．

［9］吳晶，曾昆偉，周文芳，等．敏化劑敏化改性TiO2的研究進展［J］．材料導報：綜述篇，2009，23（9）：107－109．

［10］孔凡太，戴松元，王孔嘉．染料敏化納米薄膜太陽電池中的染料敏化劑［J］．化學通報，2005（5）：338－344．

［11］武國華，孔凡太，翁堅，等．有機染料及其在染料敏化太陽電池中的應用［J］．化學進展，2011，23（9）：1929－1934．

［12］楊桂軍，王棽睿，張永昌，等．pH值對金蓮花染料敏化太陽能電池性能的影響［J］．物理化學學報，2013，29（3）：539－545．

Application of BP neural network in study of TiO2solar cell sensitizer of natural dyes

Li Chunmei，Wang Gang，Yang Guijun，Wei Haomin
（Modern Educational Technology Center，Qinghai University，Xining 810016，China）

This article introduces the principle of BP neural network and dye－sensitized solar cell，and elaborates on the extraction of pigment in Qinghai plateau special plants as sensitizer in the experiment．The experimental data are analyzed in combination with the BP neural network．On the premise of the fill factor FF invariant，the short－circuit current，and open circuit voltage as the input nodes of the network，this article describes that the photoelectric conversion efficiency corresponding to the output of neural network is the neural network as an example，and introduces the process of design，training and testing of neural network．The results show that the application of BP neural network in fuel sensitizer in the production process is feasible．

BP neural network；short circuit current；open circuit voltage；photoelectric conversion efficiency

TB381

A

1002－4956（2015）3－0050－03

2014－08－18 修改日期：2014－09－26

青海省科技能力建設計劃項目（2011－H－802）

李春梅（1972—），女，青海西寧，碩士，副教授，研究方向為人工智能．

E－mail：li＿chunmei＠qhu．edu．cn