1.基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，系统包括：数据采集模块：用于实时采集太阳能电池片的内部关键参数与外部关键参数；

数据处理模块：利用深度学习算法对采集到的内部关键参数与外部关键参数进行处理和分析，建立太阳能电池片性能评估模型；

数据可视化模块：将各时间步的性能评分制成可视化图形；

异常预测与诊断模块：通过可视化图形与历史数据中的标准工作状态的可视化图形比对，判断当前与未来一定时间步内是否出现异常，若出现异常，根据可视化图形的曲线变化判断异常类型，异常类型有内部异常与外部异常，进行异常筛选，将异常筛选的结果与可视化图形导入数据库中，同时发送预警信息至后台服务器。

2.根据权利要求1所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述内部关键参数包括工作电流、工作电压与工作温度。

3.根据权利要求1所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述外部关键参数包括光照强度、光谱分布与光照角度。

4.根据权利要求1所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述太阳能电池片性能评估模型为RNN模型，构建方法包括；

划定时间窗口，时间窗口长度即时间步长度为n，n为预设值，时间步包含时间窗口内相应的内部关键参数与外部关键参数；

构建太阳能电池片性能评估模型初始框架，初始框架包括一个输入层、一个编码器LSTM层、一个双向LSTM层、一个平均池化层、一个全连接层与一个Softmax输出层；输入层输入大小为时间步长度和特征维度6，即输入大小为(n，6)；编码器LSTM层使用LSTM单元，LSTM单元状态包括上下文状态与隐藏状态，隐藏状态大小为128，输入到隐藏状态矩阵大小为(128，3)，上下文状态到隐藏状态矩阵大小为(128，128)，LSTM单元包括遗忘门与输出门，遗忘门系数矩阵与输出门系数矩阵等大小为且大小为(128，128)；双向LSTM层包括前向LSTM与后向LSTM，前向LSTM结构同编码器LSTM，后向LSTM的结构对称，使用后向LSTM的隐藏状态合并前向LSTM与后向LSTM的输出大小为(30，256)；平均池化层池化窗口1，步长1，输出大小为(30，256)；全连接层输入为256维特征，输出1维分数，权重matrix为(1，256)；Softmax输出层无激活函数；

输入序列，通过初始框架计算并输出性能评分；用交叉熵作为损失函数进行训练；通过性能评分与实际性能评分的比对进行初始框架优化，最终完成整体模型的构建。

5.根据权利要求4所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述太阳能电池片性能评估模型具体的数据传输方式包括：输入层输出送入编码器LSTM层，输入每个时间步，输出Hidden state作为LSTM层输入；编码器LSTM层输出送入双向LSTM层，前向LSTM使用编码器隐藏状态作为输入，后向LSTM使用编码器隐藏状态反向传播；双向LSTM层输出送入平均池化层，将前后LSTM最后时序步输出叠加求平均；池化层输出送入全连接层，将特征向量作为全连接层的输入，全连接层的输出数据送入softmax输出层。

6.根据权利要求5所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述太阳能电池片性能评估模型训练方法包括：获取n组太阳能电池片历史数据，历史数据包括相同时序内的内部关键参数、外部关键参数与相同时序内的内部关键参数、外部关键参数所对应的性能评分；将n组历史数据随机分离成训练集F和验证集G，其中训练集F有m组历史数据，且训练集F历史数据数量与验证集G历史数据数量之比为4/1，将训练集F导入太阳能电池片性能评估模型，通过RNN循环结构计算输出与损失函数；计算当前损失函数对权重的梯度，使用梯度下降法更新各层参数；重复前向计算再反向传播更新权重，多轮迭代训练得到太阳能电池片性能评估模型；

其中，损失函数L公式为：

式中，X

计算当前损失函数对权重的梯度使用的是BPTT算法，设网络参数集合为W，输入序列为X，输出序列为Y，损失函数为L；则单时间步的损失对权重W的梯度计算为：式中，

因此，对整个输入序列的总梯度B计算为：

式中，Yt是时间步t的RNN输出；

7.根据权利要求1所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，初步异常判断与筛选方法包括：将历史正常数据对应的各时间步性能评分组成正常参考曲线图，历史正常数据为一天的时间步内没有出现异常的内部关键参数与外部关键参数，太阳能电池片所有的正常参考曲线图均输入至正常参考曲线图形库；将当前实时监测的性能评分可视化为实时曲线图；

将实时曲线图中的实时曲线与正常参考曲线图形库内各正常曲线图中的进行拓扑结构比对，计算曲线相似度；若与所有正常曲线的相似度均低于预设阈值，则判定为异常；根据曲线特征进行内部异常与外部异常分类，设实时曲线图总共有u个时间步，正常参考曲线图总共有u个时间步，且时间步长相同；

若性能评分在u个时间步内持续下降，则为内部异常；

若实时曲线在g个连续时间步内斜率大于z，则为外部异常，z为预设值，g大于等于1，小于u；

若性能评分在u个时间步内持续下降，且实时曲线在g个连续时间步内斜率大于z，则内部异常与外部异常均存在。

8.根据权利要求7所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述曲线相似度计算方法包括：设实时曲线为C1，控制点集合为P1＝{p1，p2，...，pm}，正常参考曲线为C2，控制点集合为P2＝{q1，q2，...，qm}；

计算控制点距离矩阵：

D1为C1控制点距离矩阵，D1[r，j]＝||pr-pj||，||pr-pj||表示pr与pj的欧式距离，D2为C2控制点距离矩阵D2[r，j]＝||qr-qj||；||qr-qj||表示qr与qj的欧式距离，r与j均∈[1，m]；

计算控制点顺序矩阵：

计算拓扑距离LD(D1，D2)：

曲线相似度Similarity(C1，C2)：

9.根据权利要求7所述的基于深度学习的太阳能电池片性能实时动态评估系统，其特征在于，所述阈值的计算方法包括：初始化一个阈值TT

式中α为学习率，DTW(xi，yi)为路径上的积累距离和，T