-
公开(公告)号：CN113419200A
公开(公告)日：2021-09-21
申请号：CN202110777057.2
申请日：2021-07-09
Applicant: 福州大学
IPC: G01R33/12
Abstract: 本发明涉及一种探测Bi2Te3表面态六角翘曲的电流诱导自旋极化的方法。包括：制备Bi2Te3薄膜样品并在其上沉积矩形的电极；通过引线将电极与电流前置放大器的输入端相连；将斩波器的斩波频率、光弹性调制器的一倍频分别作为锁相放大器1、锁相放大器2的参考信号，电流前置放大器的输出端与锁相放大器1、锁相放大器2的输入端相连；激光器发出的光依次通过斩波器、起偏器、光弹性调制器以及透镜，以入射角θ照射在样品上两电极连线的中点；测得不同入射角下的普通光电导电流和圆偏振相关的光电流；计算得到不同入射角下的圆偏振光电导差分电流，通过公式拟合得到Bi2Te3表面态六角翘曲的圆偏振光电导差分电流随入射角的变化曲线。
-
公开(公告)号：CN113221468A
公开(公告)日：2021-08-06
申请号：CN202110605736.1
申请日：2021-05-31
Applicant: 福州大学
IPC: G06F30/27 , G06K9/62 , G06N20/00 , G06F119/08
Abstract: 本发明涉及基于集成学习的光伏阵列故障诊断方法，包括以下步骤：获取光伏面板的实际I‑V特性曲线信息和环境信息；计算I‑V特性曲线的电气参数、几何特征，并结合光伏阵列单二极管等效模型电路的模型参数和光伏阵列的背板温度、环境辐照度作为故障特征；对特征数据进行零均值标准化处理，并对故障标签进行序号编码；根据集成学习的模型堆叠方法搭建故障诊断模型，以极端随机树、LightGBM、支持向量机和K‑近邻算法作为模型堆叠第一层的算法，极端随机树作为第二层算法，并用网格搜索选择算法的超参数；根据训练好的模型预测光伏阵列的故障类型，评估和优化光伏电站的工作状态。本发明结合不同算法的优点，提升了故障诊断算法的预测精度和稳定性。
-
公开(公告)号：CN112927222A
公开(公告)日：2021-06-08
申请号：CN202110330963.8
申请日：2021-03-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于混合改进Faster R‑CNN实现多种类光伏阵列热斑检测方法。该方法采集光伏阵列多尺度的红外图像数据，剔除异常的图像数据后，进行热斑等光伏缺陷的类别和回归框标注。通过在线数据增强增加样本的数据量，先输入训练热斑阴影类检测模型，接着输入训练光伏面板类检测模型。通过光伏面板类检测模型的面板检测结果，将热斑阴影类模型检测结果中不在检测面板内的目标去除掉，最后输出原图和图像中光伏面板、一类热斑、二类热斑和阴影四类的检测结果。本发明能够准确对光伏阵列的红外热斑进行检测与定位。
-
公开(公告)号：CN112906987A
公开(公告)日：2021-06-04
申请号：CN202110330964.2
申请日：2021-03-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法。该方法提出了一种由一维卷积神经网络和二维卷积神经网络构成的混合卷积神经网络模型，以此模型进行光伏发电功率的预测。以待测小时的气象参数为气象特征值通过灰色关联分析算法在电站的历史数据集中寻找待测小时的相似小时数据。然后将这些数据中的多元气象因素转化为二维气象矩阵，便于卷积神经网络深度挖掘气象因素和光伏功率输出的非线性关系。最后，将这些二维气象矩阵作为模型的输入，预测各个小时的发电功率。本发明能够快速准确对光伏电站的发电功率进行预测。
-
公开(公告)号：CN109884001B
公开(公告)日：2021-06-01
申请号：CN201910195613.8
申请日：2019-03-14
Applicant: 福州大学
Abstract: 本发明涉及一种区分拓扑绝缘体Sb2Te3的圆偏振光致电流和光子拽曳电流的方法。该方法的技术方案为，用1064nm的激光通过起偏器和四分之一波片后照射在样品上，通过转动四分之一波片产生周期变化的偏振光，产生的光电流通过拟合提取出圆偏振激光产生的光电流。测量不同正负入射角下的圆偏振激光产生的光电流，利用圆偏振光致电流和光子拽曳电流的偶函数分量具有不用的奇偶对称性，以及利用圆偏振光致电流和光子拽曳电流的奇函数分量对入射角的不同依赖关系，将圆偏振光致电流和光子拽曳电流进行区分。本发明测量结果准确，十分简单易行，成本低廉，有利于日后推广应用。
-
Patent Agency Ranking
公开(公告)号：CN110212096B
公开(公告)日：2021-05-18
申请号：CN201910539916.7
申请日：2019-06-21
Applicant: 福州大学
Abstract: 本发明属于电池薄膜材料与器件领域，具体涉及一种以具有陷光结构的MoO3为空穴传输层的有机光伏电池及其制备方法。该电池包括氧化物透明导电衬底、空穴传输层、有机活性层和金属电极，其中，空穴传输层是在氧化物透明导电衬底上蒸镀一层MoO3薄膜，借助聚苯乙烯球作为模板，利用盐酸烟雾刻蚀法对MoO3表面进行刻蚀，形成图案化的表面，最后在图案化的MoO3表面蒸镀上第二层MoO3，最终形成具有陷光结构的MoO3薄膜。本发明制得的有机光伏电池可以显著提高有机活性层的光吸收率，该电池轻便、成本低廉、稳定性较好、对环境友好且易于大面积生产。
-
公开(公告)号：CN112787591A
公开(公告)日：2021-05-11
申请号：CN202011199284.3
申请日：2020-10-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于微调密集连接卷积神经网络的光伏阵列故障诊断方法，首先，采集实际工况下的电气特性数据以及环境数据，然后利用Simulink搭建模型阵列，模拟实际工况；获取仿真的电气特性数据，其次，通过突变点检测算法，剔除实际和仿真中的异常数据，获取完整的电气波形数据，对其进行采样，压缩特征，拼接为二维特征矩阵。而后，设计密集连接卷积神经网络，使用仿真训练集和Adam优化算法预训练网络，再使用少量的实际工况的训练集微调网络。最后，利用FT‑DenseNet故障诊断网络，对待测工况测试集下的光伏发电阵列进行检测和分类。本发明方法在小样本的情况下，获得具有高精度，鲁棒性强，泛化能力好的分类网络，能够有效提高光伏阵列故障检测和分类的准确性。
-
公开(公告)号：CN108062571B
公开(公告)日：2021-04-27
申请号：CN201711439293.3
申请日：2017-12-27
Applicant: 福州大学
Abstract: 本发明涉及一种基于差分进化随机森林分类器的光伏阵列故障诊断方法。该方法：首先，采集各种工况条件下的光伏阵列电压和各个光伏组串的电流，并以不同的标识符对各种工况进行标识；其次，采用基于袋外数据的分类误判率均值大小确定随机森林模型中决策树的数量范围；而后，利用差分进化算法对其决策树数量范围进行全局优化，得到最优的决策树数量值；再而，将计算出的最优决策树数量值带入利用随机森林分类器并对样本进行训练，得到随机森林故障诊断训练模型；最后，利用训练模型对光伏阵列进行故障检测和分类。本发明方法，能够在保证最优的模型分类准确率的同时大大加快模型训练速度，从而更快速、准确地实现对光伏发电阵列的故障检测和分类。
-
公开(公告)号：CN112531036A
公开(公告)日：2021-03-19
申请号：CN202011469652.1
申请日：2020-12-15
Applicant: 福州大学
IPC: H01L31/0216 , H01L31/032 , H01L31/18
Abstract: 本发明公开了一种柔性银铟双重梯度掺杂的CZTSSe薄膜的制备方法，采用溶液法溶解单质及后硒化处理的方式制备薄膜，由不同银或铟掺杂浓度的CZTSSe薄膜叠层构成，银含量从上往下梯度降低，铟含量从下往上梯度降低，可用于柔性太阳电池。本发明制得的银铟双重梯度掺杂的CZTSSe薄膜中，从下往上为P+型—P型—P‑/N+型的分布，薄膜内形成一个弱电场，这一电场促进空穴流向背接触界面、电子流向硫化镉和吸收层界面，增强对吸收层内部载流子的抽取能力，促进载流子的收集，提高了CZTSSe薄膜太阳电池的光电转换效率。
-
公开(公告)号：CN112038439A
公开(公告)日：2020-12-04
申请号：CN202010951494.7
申请日：2020-09-11
Applicant: 福州大学
IPC: H01L31/068 , H01L31/0216 , H01L31/032 , H01L31/0392 , H01L31/18
Abstract: 本发明公开了一种CZTSSe柔性双面太阳电池，包括正反两面的CZTSSe太阳电池和中间连接的同一柔性衬底；所述的双面太阳电池的正反两面由内向外结构为柔性钼箔衬底、钼硒化层、CZTSSe吸收层、CdS缓冲层、ZnO/ITO窗口层、金属电极。其中制备方法包括：（1）钼箔的双面清洗，使用电化学法同时清洗两面；（2）双面CZTSSe薄膜的溶液法制备及共同硒化处理；（3）双面缓冲层的同时化学水浴沉积；（4）双面窗口层的交替溅射法沉积；（5）双面金属电极的蒸发法制备。本发明可全方位多角度地利用太阳光，提高对太阳光的利用率和转换效率，可制作成柔性携带产品、悬挂式光伏装饰产品等，实现光伏建筑装饰一体化。
-
-
-
-
-
-
-
-
-
Search Results
330
records
(took 0.031 seconds)
