BP神经网络在TiO2太阳能电池天然染料敏化剂研究中的应用

李春梅，王 刚，杨桂军，韦浩民

（青海大学现代教育技术中心，青海西宁 810016）

BP神经网络在TiO2太阳能电池天然染料敏化剂研究中的应用

李春梅，王 刚，杨桂军，韦浩民

（青海大学现代教育技术中心，青海西宁 810016）

介绍了BP神经网络和燃料敏化太阳能电池的原理，着重阐述了在原特殊植物中提取的色素作为敏化剂原料的实验中结合BP神经网络将实验数据进行分析的过程。在填充因子FF不变的前提下，以短路电流、开路电压作为神经网络的输入节点，对应的光电转换效率作为神经网络输出为例，介绍了神经网络的设计、训练和测试的过程，证明了BP神经网络在燃料敏化剂制作过程中的应用是可行的。

BP神经网络；短路电流；开路电压；光电转换效率

染料敏化太阳能电池被人们称为神奇的人造树叶，因其具有原材料丰富、成本低、制作工艺简单，技术成熟以及生产过程不会对环境造成污染等优点，成为了目前最具前途的太阳能电池之一，也是目前研究最活跃的热点学科之一。其中，染料敏化剂是染料敏化太阳能电池的主要组成部分，它通过吸收太阳光将基态的电子激发到激发态而产生光电子，然后再注入半导体的导带上。染料敏化剂的好坏直接决定着染料敏化太阳能电池的光电转换效率［1］。

BP神经网络［2－3］作为数据挖掘中的一个重要算法，其学习和存储大量的输入和输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程［2］，已经应用在模式识别、图像处理、信息处理、智能控制、故障检测、企业管理和市场分析等各个领域中。

本论文中采用青藏高原特有的植物作为原材料，包括紫叶李、烈香杜鹃叶、菠菜、金露梅、金莲花、枸杞、山丹丹花等。在模拟太阳光的照射下，通过测定高原天然染料敏化太阳能电池的J－V曲线，评价高原天然染料敏化太阳能电池的性能。本文针对敏化剂的制作过程中，在不同的植物、不同的pH值等条件下，短路电流密度、开路电压、填充因子（FF）以及光电转换效率（η）等之间的关系通过BP神经网络的方式进行了研究，设计了一组神经网络组，对燃料敏化剂实验中得到的大量的数据进行神经网络的训练和测试，以得到最优的一组数据关系，并预测在某条件下的光电转换效率值［4］。

1 人工神经网络

人工神经网络［5］是模仿人脑的工作原理提出的一种人工智能方法，其发展过程中曾有多种算法，如BP误差反传神经网络、Hopfield反馈神经网络算法、量子神经网络等。其中，BP误差反传神经网络是目前应用最广泛的神经网络之一。BP网络结构模型见图1。

图1 BP网络的结构图

BP神经网络［5－8］的基本原理：整个网络的学习过程由两部分组成，第一部分是信息的正向传播；第二部分是误差的反向传播。正向传播时，网络的输入数据从输入层传入，经过隐层逐层进行处理，之后将处理结果再传送给输出层。如果输出层的实际输出值与期望输出值不符，那么流程进入误差的反向传播模型。误差的反向传播是将输出误差以某种形式通过隐层又反向传递到输入层，并将误差分摊给各层的所有节点，从而获得各层节点的误差信号，将此误差信号作为修正各单元权值的依据。以上过程不断反复，直到网络输出的误差减少到足够小或者到达预定的值为止。

2 染料敏化太阳能电池原理及天然染料敏化剂原料提取物

染料敏化太阳能电池（dye－sensitized solar cell，DSC）光生电荷的机理与自然界中植物的光合作用非常相似，因此也被称为人工光合作用。

2．1 DSC的结构与工作原理

DSC［9－11］的结构如图2所示。DSC主要由光阳极、电解液和对电极3部分组成。DSC的核心性能是光电能量转换效率η，有

式（1）中，Voc为开路电压，Jsc为短路电流密度，FF为填充因子，这3个因素是决定光电转换效率的主要因素。

图2 染料敏化太阳能电池DSC的基本结构

2．2 敏化剂原料提取植物

本文中采用青海高原特殊植物作为敏化剂原料的制作原材料，如紫叶李、烈香杜鹃叶、菠菜、金露梅、金莲花、枸杞、山丹丹等［4，12］，这些植物因其生长环境海拔高、大气稀薄、日照时间长、紫外线强等特殊性而具有特别的性质。

3 神经网络设计

本文中，数据处理部分是由一个神经网络组组成，其中有多个神经网络，每个神经网络均由3层结构组成，即输入层、隐含层、输出层。在不同的pH值、不同色素提取植物等条件下，神经网络的输入节点因条件不同而有所变化，隐含层也会随着输入节点的不同而有所变化，最终的一组神经网络是在3个影响转换效率的主要因素，即开路电压Voc、短路电流密度Jsc、FF为填充因子作为神经网络的输入节点，以光电转换效率作为神经网络的输出节点达到实验目标。以下以某条件下，神经网络组中某一个神经网络为例介绍神经网络的设计、训练及测试。

3．1 输入层节点和输出层节点

在神经网络组中，每次改变实验条件，均对整个神经网络中输入、隐含和输出节点做调整。本网络中是在某条件下，以某植物为例，在电压、电流不同的情况下，测试光电转换效率，因此，输入层节点个数为2，分别代表电压和电流；输出层节点个数为1，代表光电转换效率。

3．2 隐含层

隐含层的设计目前有很多经验公式［6］，本文中采用公式如下：其中n为输入节点数，N为输出节点数，α为1～9之间的常数。

当不同的m、n值时，α的取值不同。实验表明，并不是α的值越大越好，或者越小越好。在本文的整个神经网络组中，每个神经网络的输入输出节点数不一样，我们通过多次实验，得到一组真实实验测试值和神经网络输出值之间的误差最小情况下的α值。

3．3 激励函数

本文中选择S型函数如下式：

这里之所以选择S型函数作为BP神经元的激活函数，是因为它是连续可微分的，而且更接近于生物神经元的信号输出形式。

4 实验

实验在VB环境中实现，100组训练数据以xlin．txt文件输入，训练结果显示在xlout．txt输出文件中；20组测试数据以csin．txt文件输入，测试结果分别显示在csout1．txt文件中。

4．1 原始数据

表1是在真实实验过程中测得的某条件下的电压、电流和对应的光电转换效率中随机抽取的几组数据，我们在神经网络中对用到的3列数据进行了处理。

第1列数据的处理方式是：在原始数据的基础上乘以100。假设原始数据用a表示，处理后的数据以b表示，则a与b的关系为，b＝a×100。

第2列数据和第3列数据的原始表示方式一样，均采用科学计数法，因此它们的处理方式相同。假设数据的表示方法为：c＋e＋（－005），其中c为整数部分，－005为指数部分，在神经网络中训练和测试时只取前面的5位数据（不包括小数点在内）进行神经网络的训练和测试。在神经网络的输出数据中，再将其采用转换的逆方式，即在c的基础上将其改为c＋e＋（－005）的形式，并将b数据除以100得到a的形式。因此，在实验中xlin．txt输入文件中输入数据均采用按上述方法转换后的数据。

4．2 神经网络训练

在本神经网络的训练过程中，训练数据100组，表2为抽取的部分训练数据。在神经网络的训练过程中，学习系数α和β都为0．7和0．7，各连接权值wij，vjt和阈值θj和γt取值范围都为［－1，＋1］，均采用随机生成法实现。整个训练过程中，训练次数设定为39 550次，得到总误差为0．005 8，比较接近于真实的测试数据。

表2 神经网络的训练数据

4．3 神经网络的测试

在上述的神经网络训练完成后，实验中准备了20组数据，对训练好的神经网络进行测试，测试正确率达到95%以上。表3为抽取的部分测试数据。

表3 神经网络的测试数据

5 结论

在TiO2太阳能电池天然染料敏化剂研究中应用BP神经网络进行光电转换效率的测定的过程中，在不同的植物、PH值等条件下测得的数据采用了多组神经网络进行训练和测试，虽然实验过程比较繁琐，但是整个实验过程中训练的神经网络的误差比较小，平均在0．005左右，测试数据正确率为95%。因此，用BP神经网络在天然敏化剂研究过程中是很成功的。我们在以后的实验中通过多种方法改进BP算法，神经网络的测试成功率会得到很大的提高。

（References）

［1］时方晓，孙祥，赵倩，等．单一天然染料制备染料敏化太阳能电池［J］．沈阳建筑大学学报：自然科学版，2014，30（2）：283－289．

［2］赵丽．改进的GSA－BP算法及其在GIS局部放电识别中的应用［D］．广州：华南理工大学，2013．

［3］陈怀忠．基于BP神经网络PID算法的水箱液位控制系统设计［J］．实验技术与管理，2012，29（12）：81－84．

［4］杨桂军．TiO2太阳能电池天然染料敏化剂的研究［D］．西宁：青海大学，2012．

［5］李春梅，Nzegge Chantale Ebude．BP误差反传神经网络技术的应用［J］．计算机与现代化，2008（2）：40－42．

［6］李春梅，王命延，杨新存．基于神经网络的认知能力评价方案探析［J］．煤炭技术，2010，29（8）：226－227．

［7］杨聚庆，刘娇月，崔鹏．基于BP网络的锅炉炉膛温度测量算法［J］．实验技术与管理，2014，31（2）：27－30，36．

［8］常晓东，常晓磊．基于专家系统和神经网络的高铁风灾预警算法［J］．实验技术与管理．2010，27（3）：97－99．

［9］吴晶，曾昆伟，周文芳，等．敏化剂敏化改性TiO2的研究进展［J］．材料导报：综述篇，2009，23（9）：107－109．

［10］孔凡太，戴松元，王孔嘉．染料敏化纳米薄膜太阳电池中的染料敏化剂［J］．化学通报，2005（5）：338－344．

［11］武国华，孔凡太，翁坚，等．有机染料及其在染料敏化太阳电池中的应用［J］．化学进展，2011，23（9）：1929－1934．

［12］杨桂军，王棽睿，张永昌，等．pH值对金莲花染料敏化太阳能电池性能的影响［J］．物理化学学报，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

青海省科技能力建设计划项目（2011－H－802）

李春梅（1972—），女，青海西宁，硕士，副教授，研究方向为人工智能．

E－mail：li＿chunmei＠qhu．edu．cn