本发明涉及光伏玻璃压延成型领域，尤其涉及一种光伏玻璃压延成型过程能效分析与优化方法。
背景技术：
随着工业化和科技革命的继续推进，各产业对能源的需求量越来越大，对石油、煤、天然气等不可再生的资源的依赖程度也越来越高，而地球上石油、煤、天然气资源的储量是有限的，这就导致了能源危机的爆发，使得能源的价格一路飙升，甚至引发战争。尤其是近年来，化石燃料对环境的污染问题日益凸显，自然环境遭受了前所未有的重创。在此背景下，人们开始关注利用对取之不尽，用之不竭且污染较小的太阳能的利用，目前利用硅电池的光电反应，将太阳能转换为电能的技术逐渐成熟。其中最为成熟的晶体硅太阳能光伏电池得到了广泛的应用，而将太阳能转化为热能的太阳能热水器也走进了千家万户。据国家能源局数据统计显示，2018年上半年我国太阳能发电量达427.2亿千瓦，同比增长24.5％，较高的增长率也从侧面反映了市场对光伏产品的需求的不断增长，这也带动了光伏产业从原料，配套产品，相关组件的产业链的发展。光伏玻璃作为光伏电池的必要组件，它主要是用来对晶硅电池进行封装，据有关数据显示2017年我国光伏玻璃的产量达394.2百万平方米。而玻璃生产作为一种高能耗产业，其能量的消耗主要集中在玻璃的熔制和成型过程，因此建立一种针对光伏玻璃压延成型过程的能效分析与优化的方法是十分必要的。
目前国内外针对玻璃成型过程的能效研究不多，2002年清华大学方刚等利用三维大变形有限元方法来模拟电视显像管管屏的压制成形过程和饮料瓶吹制成形过程，分析了玻璃在熔融状态下的力学性质以及玻璃成形的力学特性等,介绍了对玻璃成形的热力耦合分析的基本原理,以及玻璃成型过程摩擦问题的求解。2010年哈尔滨工业大学谢怀勤等根据固化动力学和传热学理论,建立了非稳态温度场与固化动力学数学模型，采用有限元与有限差分相结合的方法，对拉挤工艺不同工况玻璃钢非稳态温度场和固化度进行数值模拟。而国外针对玻璃成型过程能耗的研究大多仅局限于对局部问题的初步探讨。总的来说，学术界对于成型过程的能效研究大多集中在金属板压延成型以及各类塑性材料的压延成型等领域，对于玻璃成型过程的研究均不深入，且不成体系，而现有的对于玻璃压延成型的研究仅停留在对玻璃挤压变形的理论研究，且针对光伏玻璃压延成型过程的能效的分析、优化的研究并不多。
技术实现要素：
本发明的目的在于克服现有技术的不足，结合了玻璃挤压变形的相关理论，建立光伏玻璃压延成型过程的能效模型，筛选出主影响因素，进行优化，并反馈给控制系统，以达到降低能耗，提高生产效率的目的。
本发明的目的通过下述技术方案实现：
一种光伏玻璃压延成型过程能效分析与优化方法，主要包括：
设备层数据采集模块，通过控制台采集玻璃压延设备的工作参数，并将采集的数据应用于能效分析计算；
能效分析模块，通过对玻璃液的力学性能的分析，建立玻璃液的刚—塑性模型，根据牛顿流体法则，以leve—mises理论为核心，构建光伏玻璃压延成型过程的能效分析方法；
主因素筛选模块，根据变量间的相关性，筛选出对光伏玻璃能效评价指标η影响最大的一些变量；
能效优化模块，采用基于自适应惯性权重策略来增强粒子的搜索能力，提高寻优性能，采用反向学习随机初始化粒子位置，来增加粒子初始位置的多样性，扩大解空间范围，通过结合递归的策略来保证算法寻优的准确性，以能效评价指标η为优化目标，以温度t，辊的线速度v，为优化变量，通过限制变量的取值范围建立解空间，并在解空间内全局寻优，以达到能效优化的目的。
具体的，所述设备层数据采集模块还包括通过设备的控制台采集压延机电机转速、功率、传动系统效率、压延辊转速、直径参数。
具体的，在满足玻璃生产成型质量的前提下，对玻璃生产的能耗进行优化。玻璃成型的能效评价指标η定义为：玻璃成型质量系数s与成型单位长度玻璃板电机输入的总能量e的比值：
其中，k表示调整系数，s表示玻璃成型质量系数，s＝t·σ·r，t表示透光率，σ表示弯曲强度，r表示玻璃的平整度，η电机表示电机的效率，η传动表示传动系统的效率，j轴表示辊轴的转动惯量，j辊表示辊的转动惯量，ω表示辊的角速度，ε表示应变，t表示温度，v成型玻璃板的体积，m表示两接触表面的摩擦因子，其取值范围为0≤m≤1，k表示材料的剪切屈服应力，v表示辊子旋转的线速度，t表示生产时间。
具体的，所述主因素筛选模块还包括如下步骤：
步骤s31：通过控制台收集不同时段玻璃成型压延机的工作参数，设p维随机变量x＝(x1,x2,···,xp)t，n个样品数据构成的矩阵xi＝(xi1,xi2,···,xip)t；
步骤s32：将采集的样本数据构造出一个样本矩阵，并对样本矩阵元素进行标准化处理，将原始数据矩阵转化为无量纲、无数量级差别的标准化数据矩阵；对样本矩阵元素进行标准化变换，得到样本协方差矩阵s：
其中：
步骤s33：对标准化数据矩阵求其样本相关系数矩阵r：
其中：
步骤s34：计算样本的特征，即求样本相关系数矩阵r的特征值和特征向量：令|r-λep|＝0，可求得p个特征根，通过
步骤s35：对m个主成分进行加权求和计算，得出的权数即为每个主成分的方差贡献率。
具体的，所述能效优化模块的自适应惯性权重随机初始化递归粒子群算法包括如下步骤：
步骤s41：粒子群算法求约束问题的最优解，在d维空间中，有n个粒子：
种群
粒子i的位置：
粒子i的速度：
粒子i搜索到的最优位置：pi＝(pi1,pi2,···,pid)，i＝1,2,···d；
粒子i在整个种群内搜索到的最优位置：pg＝(pg1,pg2,···,pgd)；
步骤s42：粒子i的速度更新公式：
vi(n 1)＝ωvi(n) c1r1(pi-xi(n)) c2r2(pg-xi(n))
步骤s43：改进自适应惯性权重策略：
式中：ω为惯性权重，为非负数，取值范围为[0.1,0.9]，ωmax,ωmin分别表示最大和小惯性权重，tmax为最大迭代次数，t表示当前迭代次数；
步骤s44：粒子i的位置更新公式：
xi(n 1)＝xi(n) vi(n)
式中：c1,c2为大于0的加速度常数，用于调节学习最大步长，r1,r2为两个介于0到1之间的随机数，以增加搜索随机性。
步骤s45：使用反向学习随机策略初始化粒子位置：当粒子达到最大迭代次数后，记录每个搜索粒子的最优解和全局最优解；选取适应度值低的后50％的劣粒子位置，按下式随机生成新的粒子位置，而将适应度值高的前50％的优粒子位置作为新的初始化粒子位置，重新迭代寻优；如此递归反复，全局最优解满足递归n次保持不变，即退出递归。
产生反向解公式如下：
式中：
表示第i个劣粒子的随机反向学习粒子的新位置；
步骤s46：光伏玻璃压延成型过程能效优化的数学描述：光伏玻璃成型过程能效优化可看作是一个非线性的约束规划问题，具体可用下式表示：
式中，f(x)表示优化的目标，在本发明中为前文提到的能效评价指标η，gi(x)表示不等式约束条件，hj(x)表示等式约束条件，xj表示变量的取值范围；
步骤s47：筛选出来的能效优化变量以及约束条件：
玻璃液温度：t(℃)∈[800,1000]；
辊的线速度：v＝ωr
本发明主要针对光伏玻璃压延成型过程的能效分析与优化，结合了玻璃挤压变形的相关理论，建立光伏玻璃压延成型过程的能效模型，筛选出主影响因素，进行优化，并反馈给控制系统，以达到降低能耗，提高生产效率的目的。本发明通过对光伏玻璃成型过程生产设备的数据采集，结合玻璃液的力学性能，建立光伏玻璃压延成型过程的能效分析模型，通过智能算法，优化主影响因素，达到提高生产率，降低玻璃成型能耗的目的。
与现有技术相比，本发明还具有以下优点：
(1)本发明所提供的光伏玻璃压延成型过程能效分析与优化方法中的能效评价指标为玻璃成型质量系数s与生产单位长度玻璃板所需能耗e的比值，该指标引入了质量系数，可在保证质量合格的情况下，通过优化主要参数，最大限度的优化能效。
(2)本发明所提供的光伏玻璃压延成型过程能效分析与优化方法采用自适应惯性权重随机初始化递归粒子群算法，能最大限度的保证最优解的正确性，使能源优化效果达到最佳。
附图说明
图1是本发明所提供的玻璃压延成型原理图。
图2是本发明所提供的光伏玻璃压延成型过程能效分析与优化方法的流程示意图。
图3是本发明所提供的自适应惯性权重随机初始化递归粒子群算法的流程示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明作进一步说明。
实施例1：
如图1至图3所示，本实施例公开了一种光伏玻璃压延成型过程能效分析与优化方法，主要包括：
设备层数据采集模块，通过控制台采集玻璃压延设备的工作参数，并将采集的数据应用于能效分析计算；
能效分析模块，通过对玻璃液的力学性能的分析，建立玻璃液的刚—塑性模型，根据牛顿流体法则，以leve—mises理论为核心，构建光伏玻璃压延成型过程的能效分析方法；
主因素筛选模块，根据变量间的相关性，筛选出对光伏玻璃能效评价指标η影响最大的一些变量；
能效优化模块，采用基于自适应惯性权重策略来增强粒子的搜索能力，提高寻优性能，采用反向学习随机初始化粒子位置，来增加粒子初始位置的多样性，扩大解空间范围，通过结合递归的策略来保证算法寻优的准确性，以能效评价指标η为优化目标，以温度t，辊的线速度v，为优化变量，通过限制变量的取值范围建立解空间，并在解空间内全局寻优，以达到能效优化的目的。
具体的，所述设备层数据采集模块还包括通过设备的控制台采集压延机电机转速、功率、传动系统效率、压延辊转速、直径参数。
具体的，在满足玻璃生产成型质量的前提下，对玻璃生产的能耗进行优化。玻璃成型的能效评价指标η定义为：玻璃成型质量系数s与成型单位长度玻璃板电机输入的总能量e的比值：
其中，k表示调整系数，s表示玻璃成型质量系数，s＝t·σ·r，t表示透光率，σ表示弯曲强度，r表示玻璃的平整度，η电机表示电机的效率，η传动表示传动系统的效率，j轴表示辊轴的转动惯量，j辊表示辊的转动惯量，ω表示辊的角速度，ε表示应变，t表示温度，v成型玻璃板的体积，m表示两接触表面的摩擦因子，其取值范围为0≤m≤1，k表示材料的剪切屈服应力，v表示辊子旋转的线速度，t表示生产时间。
具体的，所述主因素筛选模块还包括如下步骤：
步骤s31：通过控制台收集不同时段玻璃成型压延机的工作参数，设p维随机变量x＝(x1,x2,···,xp)t，n个样品数据构成的矩阵xi＝(xi1,xi2,···,xip)t；
步骤s32：将采集的样本数据构造出一个样本矩阵，并对样本矩阵元素进行标准化处理，将原始数据矩阵转化为无量纲、无数量级差别的标准化数据矩阵；对样本矩阵元素进行标准化变换，得到样本协方差矩阵s：
其中：
步骤s33：对标准化数据矩阵求其样本相关系数矩阵r：
其中：
步骤s34：计算样本的特征，即求样本相关系数矩阵r的特征值和特征向量：令|r-λep|＝0，可求得p个特征根，通过
步骤s35：对m个主成分进行加权求和计算，得出的权数即为每个主成分的方差贡献率。
具体的，所述能效优化模块的自适应惯性权重随机初始化递归粒子群算法包括如下步骤：
步骤s41：粒子群算法求约束问题的最优解，在d维空间中，有n个粒子：
种群
粒子i的位置：
粒子i的速度：
粒子i搜索到的最优位置：pi＝(pi1,pi2,···,pid)，i＝1,2,···d；
粒子i在整个种群内搜索到的最优位置：pg＝(pg1,pg2,···,pgd)；
步骤s42：粒子i的速度更新公式：
vi(n 1)＝ωvi(n) c1r1(pi-xi(n)) c2r2(pg-xi(n))
步骤s43：改进自适应惯性权重策略：
式中：ω为惯性权重，为非负数，取值范围为[0.1,0.9]，ωmax,ωmin分别表示最大和小惯性权重，tmax为最大迭代次数，t表示当前迭代次数；
步骤s44：粒子i的位置更新公式：
xi(n 1)＝xi(n) vi(n)
式中：c1,c2为大于0的加速度常数，用于调节学习最大步长，r1,r2为两个介于0到1之间的随机数，以增加搜索随机性。
步骤s45：使用反向学习随机策略初始化粒子位置：当粒子达到最大迭代次数后，记录每个搜索粒子的最优解和全局最优解；选取适应度值低的后50％的劣粒子位置，按下式随机生成新的粒子位置，而将适应度值高的前50％的优粒子位置作为新的初始化粒子位置，重新迭代寻优；如此递归反复，全局最优解满足递归n次保持不变，即退出递归。
产生反向解公式如下：
式中：
表示第i个劣粒子的随机反向学习粒子的新位置；
步骤s46：光伏玻璃压延成型过程能效优化的数学描述：光伏玻璃成型过程能效优化可看作是一个非线性的约束规划问题，具体可用下式表示：
式中，f(x)表示优化的目标，在本发明中为前文提到的能效评价指标η，gi(x)表示不等式约束条件，hj(x)表示等式约束条件，xj表示变量的取值范围；
步骤s47：筛选出来的能效优化变量以及约束条件：
玻璃液温度：t(℃)∈[800,1000]；
辊的线速度：v＝ωr
实施例2：
本实施例公开了一种将玻璃液假设为刚-塑性模型的能效分析方案，并通过改进的粒子群算法优化成型过程能效的主影响因素，建立一套以提高生产效率，降低能耗为目的的能效分析优化系统。光伏玻璃压延成型工作原理如图1所示，具体的方案流程图如图2所示：
具体的，设备层数据采集模块包括：
光伏玻璃压延成型的核心设备是压延机，它主要是由电机、传动系统、上下压延辊、压延辊调节机构、以及压延机主机架组成。我们通过设备的控制台采集压延机电机转速、功率、传动系统效率、压延辊转速、直径等参数。
具体，能效分析模块包括：
光伏玻璃主要是用于对太阳能电池片进行封装，太阳光透过光伏玻璃作用于太阳能电池片上，利用太阳辐射能进行发电，因此，透光率ρ是评价光伏玻璃的重要指标参数。此外为承受野外大的风压以及较大的昼夜温差，光伏玻璃的抗压强度p也是评价光伏玻璃质量的重要参数。而玻璃板材外观质量的检验主要是检查平整度，观察有无气泡、夹杂物、划伤、线道和雾斑等质量缺陷。存在此类缺陷的玻璃在使用中会发生变形，影响玻璃的透光率、机械强度等。
在满足玻璃生产成型质量的前提下，对玻璃生产的能耗进行优化，因此，玻璃成型的能效评价指标定义为：玻璃成型质量系数s与成型单位长度玻璃板电机输入的总能量e的比值。
k——表示调整系数。
s——表示玻璃成型质量系数,s＝t·σ·r；其中t表示透光率，光伏玻璃的透光率要在90％以上；σ表示弯曲强度，单位mpa,一般取值在16～60mpa；r表示玻璃的平整度。
e——表示成型单位长度玻璃板电机输入的总能量(j/m)
v——表示辊子线速度，单位为m/s。
p电机——表示电机的输入功率，单位为w。
p辊——表示辊子的输入功率，单位为w。
η电机——表示电机的效率，用％表示。
η传动——表示传动系统的效率，用％表示。
etotal＝ek ed ef(4)
etotal——表示成型1m玻璃板消耗的总能量(j/m)。
ek——表示成型1m玻璃板消耗的动能(j/m)。
ed——表示成型1m玻璃板，玻璃液被挤压时，内部变形所需能量(j/m)。
ef——表示成型1m玻璃板，摩擦力所做的功(j/m)。
＝(j轴 j辊)ω2(6)
j轴——表示辊轴的转动惯量，单位为kg/m2。
j辊——表示辊的转动惯量，单位为kg/m2。
ω——表示辊的角速度，单位为rad/s。
在对塑性成形模型的研究分析中，由于玻璃成型过程的温度较高，熔融玻璃液的塑性变形远大于弹性变形，因此我们在研究玻璃液挤压过程时，常常将弹性变形忽略，根据玻璃材料的以上特点，此处我们将熔融的玻璃材料简化为刚粘塑性材料。结合玻璃材料的粘温、塑性特性，得出熔融玻璃材料的粘塑性本构方程如下(ε表示应变)：
1.平衡方程条件：
σij,j＝0(7)
2.几何方程条件：
3.材料体积不可压缩的条件：
4.玻璃在成型的温度范围内，玻璃溶液为不可压缩的牛顿性液体，故其本构关系满足牛顿流体法则，又因玻璃溶液为理想的钢塑性模型，其本构关系亦满足leve—mises理论，其中“·”表示参数对时间的导数，下标(i,j)表示应力张量矩阵。则有：
其中，式中η(t)是材料的粘度，它是一个关于温度t的单值函数，结合上式有：
等效应力为：
等效应变速率为：
所以
式中：
v——成型玻璃板的体积，单位为m3。
t——玻璃压延过程中，玻璃液的温度，单位为℃。
在对玻璃压延成型摩擦的计算中，可以将该过程看作是刚—柔体的接触模型，熔融的玻璃溶液弹性模量较小，可看作是柔体，而将辊子看作是刚体。常用的摩擦模型有两种形式，库伦模型和剪切模型。由于在压延过程中，玻璃溶液是通过摩擦力将其带入辊子间的，因此玻璃溶液与辊子之间的摩擦应采用剪切摩擦模型。两者之间的摩擦力可定义为：
fs＝mk(16)
式中：
m——表示两接触表面的摩擦因子，其取值范围为0≤m≤1。在热成型过程中一般取m为0.25。
k——表示材料的剪切屈服应力。
所以，摩擦力所消耗的能耗ef可表示为：
ef＝fsvt＝mkvt(17)
式中：
v——表示辊子旋转的线速度，单位为m/s。
t——表示生产时间，单位为s。
综上所述可得能效的评价指标η：
具体的，决策变量筛选模块包括：
在进行决策变量筛选过程中，变量筛选的正确与否直接关系到能效评价指标η的准确度，在对影响玻璃压延成型的决策变量进行筛选时，不仅要考虑到能效模型的主要特征，而且应尽量剔除各变量间的重复性信息，以减少变量间的关联性。主成分分析的基本原理就是在不损失太多信息的前提下，对复杂的原变量进行降维处理，筛选出少量相互之间不相关的“新变量”来反映原变量的大部分信息，其中筛选出来的“新变量”，就是目标函数的主影响因素。它的数学计算过程如下所示：
1.通过控制台收集不同时段玻璃成型压延机的工作参数，包括电机的功率、机械效率、玻璃液的温度、压延辊的直径、转速、玻璃材料各组分含量、以及压延机的生产效率等参数。
设p维随机变量x＝(x1,x2,···,xp)t，n个样品数据构成的矩阵xi＝(xi1,xi2,···,xip)t。
2.将采集的样本数据构造出一个样本矩阵，并对样本矩阵元素进行标准化处理，将原始数据矩阵转化为无量纲、无数量级差别的标准化数据矩阵。
对样本矩阵元素进行标准化变换，得到样本协方差矩阵s：
其中：
3.对标准化数据矩阵求其样本相关系数矩阵r：
其中：
4.计算样本的特征，即求样本相关系数矩阵r的特征值和特征向量：
令|r-λep|＝0，可求得p个特征根，通过
5.对m个主成分进行加权求和计算，得出的权数即为每个主成分的方差贡献率。
具体的，能效优化模块包括：
本发明采用自适应惯性权重随机初始化递归粒子群算法对光伏玻璃压延成型能耗进行参数优化，在此粒子群算法中，每个粒子位置都代表了一个潜在解，通过将潜在解代入目标函数得到其适用度值，并以此来判断粒子的“好坏”程度。粒子群算法把每个潜在解称作粒子，粒子在d维空间内以一定的速度进行飞行搜索，并且飞行的速度决定飞行的距离和方向，一般可根据经验进行动态调整。在粒子群算法中每个粒子都被赋予了记忆功能，能记住所搜寻空间内的最佳位置，而位置的“好坏”则是通过适应度值fi进行判断。然而，由于标准的粒子群算法存在初始解质量差、全局搜索能力较弱、容易陷入局部最优等缺陷，本发明对标准的粒子群算法做了相应的改进如下。粒子群算法求约束问题的最优解，在d维空间中，有n个粒子：
种群
粒子i的位置：
粒子i的速度：
粒子i搜索到的最优位置：pi＝(pi1,pi2,···,pid)，i＝1,2,···d。
粒子i在整个种群内搜索到的最优位置：pg＝(pg1,pg2,···,pgd)。
粒子i的速度更新公式：
vi(n 1)＝ωvi(n) c1r1(pi-xi(n)) c2r2(pg-xi(n))(22)
改进自适应惯性权重策略：
ω——惯性权重，为非负数，取值范围为[0.1,0.9]。
ωmax,ωmin——分别表示最大和小惯性权重。
tmax——最大迭代次数。
t——表示当前迭代次数。
粒子i的位置更新公式：
xi(n 1)＝xi(n) vi(n)(24)
c1,c2——为大于0的加速度常数，用于调节学习最大步长。
r1,r2——为两个介于0到1之间的随机数，以增加搜索随机性。
使用反向学习随机策略初始化粒子位置：
当粒子达到最大迭代次数后，记录每个搜索粒子的最优解和全局最优解；选取适应度值低的后50％的劣粒子位置，按照式(25)随机生成新的粒子位置，而将适应度值高的前50％的优粒子位置作为新的初始化粒子位置，重新迭代寻优；如此递归反复，全局最优解满足递归n次保持不变，即退出递归。
产生反向解公式如下：
式中：
表示第i个劣粒子的随机反向学习粒子的新位置。
光伏玻璃压延成型过程能效优化的数学描述：
光伏玻璃成型过程能效优化可看作是一个非线性的约束规划问题，具体可用下式表示：
式中，f(x)表示优化的目标，在本发明中为前文提到的能效评价指标η，gi(x)表示不等式约束条件，hj(x)表示等式约束条件，xj表示变量的取值范围。
筛选出来的能效优化变量以及约束条件：
玻璃液温度：t(℃)∈[800,1000]
辊的线速度：v＝ωr
其中，上述基于改进的自适应惯性权重随机初始化递归粒子群算法其特征在于：
特征1：
改进的粒子群算法采用反向学习随机初始化粒子位置:当粒子达到最大迭代次数后，选取适应度值低的后50％的劣粒子位置，按照式(25)随机生成新的粒子位置，而将适应度值高的前50％的优粒子位置作为新的初始化粒子位置，重新迭代寻优。
特征2：
该算法采用自适应惯性权重策略：性权重偏大时,表示对算法的全局搜索能力较强,而对于局部搜索则较弱，而当惯性权重偏小时,局部搜索能力则会有提高,而对全局搜索就会变弱。
本专利采用自适应惯性权重粒子群算法，能在算法迭代初期提高粒子的全局搜索能力，在算法的迭代后期，提高粒子的局部搜索能力；惯性权重系数ω依据式(23)随迭代次数自适应变化。
特征3：
该算法采用递归的方法：当算法满足条件结束迭代后，可能由于算法过早收敛而陷入局部最优，因此在本算法中引入递归循环的策略；当一次迭代过程结束时，通过采用反向学习随机策略初始化粒子位置，扩大解空间，丰富粒子种群多样性，并再次迭代求解，如此递归反复，直至全局最优解递归n次并保持值不变，即退出递归循环，输出全局最优解。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
1.一种光伏玻璃压延成型过程能效分析与优化方法，其特征在于，包括：
设备层数据采集模块，通过控制台采集玻璃压延设备的工作参数，并将采集的数据应用于能效分析计算；
能效分析模块，通过对玻璃液的力学性能的分析，建立玻璃液的刚—塑性模型，根据牛顿流体法则，以leve—mises理论为核心，构建光伏玻璃压延成型过程的能效分析方法；
主因素筛选模块，根据变量间的相关性，筛选出对光伏玻璃能效评价指标η影响最大的一些变量；
能效优化模块，采用基于自适应惯性权重策略来增强粒子的搜索能力，提高寻优性能，采用反向学习随机初始化粒子位置，来增加粒子初始位置的多样性，扩大解空间范围，通过结合递归的策略来保证算法寻优的准确性，以能效评价指标η为优化目标，以温度t，辊的线速度v，为优化变量，通过限制变量的取值范围建立解空间，并在解空间内全局寻优，以达到能效优化的目的。
2.根据权利要求1所述的光伏玻璃压延成型过程能效分析与优化方法，其特征在于，所述设备层数据采集模块还包括通过设备的控制台采集压延机电机转速、功率、传动系统效率、压延辊转速、直径参数。
3.根据权利要求1所述的光伏玻璃压延成型过程能效分析与优化方法，其特征在于，在满足玻璃生产成型质量的前提下，对玻璃生产的能耗进行优化；玻璃成型的能效评价指标η定义为：玻璃成型质量系数s与成型单位长度玻璃板电机输入的总能量e的比值：
其中，k表示调整系数，s表示玻璃成型质量系数，s＝t·σ·r，t表示透光率，σ表示弯曲强度，r表示玻璃的平整度，η电机表示电机的效率，η传动表示传动系统的效率，j轴表示辊轴的转动惯量，j辊表示辊的转动惯量，ω表示辊的角速度，ε表示应变，t表示温度，v成型玻璃板的体积，m表示两接触表面的摩擦因子，其取值范围为0≤m≤1，k表示材料的剪切屈服应力，v表示辊子旋转的线速度，t表示生产时间。
4.根据权利要求1所述的光伏玻璃压延成型过程能效分析与优化方法，其特征在于，所述主因素筛选模块还包括如下步骤：
步骤s31：通过控制台收集不同时段玻璃成型压延机的工作参数，设p维随机变量x＝(x1,x2,···,xp)t，n个样品数据构成的矩阵xi＝(xi1,xi2,···,xip)t；
步骤s32：将采集的样本数据构造出一个样本矩阵，并对样本矩阵元素进行标准化处理，将原始数据矩阵转化为无量纲、无数量级差别的标准化数据矩阵；对样本矩阵元素进行标准化变换，得到样本协方差矩阵s：
其中：
步骤s33：对标准化数据矩阵求其样本相关系数矩阵r：
其中：
步骤s34：计算样本的特征，即求样本相关系数矩阵r的特征值和特征向量：令|r-λep|＝0，可求得p个特征根，通过
步骤s35：对m个主成分进行加权求和计算，得出的权数即为每个主成分的方差贡献率。
5.根据权利要求1所述的光伏玻璃压延成型过程能效分析与优化方法，其特征在于，所述能效优化模块的自适应惯性权重随机初始化递归粒子群算法包括如下步骤：
步骤s41：粒子群算法求约束问题的最优解，在d维空间中，有n个粒子：
种群
粒子i的位置：
粒子i的速度：
粒子i搜索到的最优位置：pi＝(pi1,pi2,···,pid)，i＝1,2,···d；
粒子i在整个种群内搜索到的最优位置：pg＝(pg1,pg2,···,pgd)；
步骤s42：粒子i的速度更新公式：
vi(n 1)＝ωvi(n) c1r1(pi-xi(n)) c2r2(pg-xi(n))
步骤s43：改进自适应惯性权重策略：
式中：ω为惯性权重，为非负数，取值范围为[0.1,0.9]，ωmax,ωmin分别表示最大和小惯性权重，tmax为最大迭代次数，t表示当前迭代次数；
步骤s44：粒子i的位置更新公式：
xi(n 1)＝xi(n) vi(n)
式中：c1,c2为大于0的加速度常数，用于调节学习最大步长，r1,r2为两个介于0到1之间的随机数，以增加搜索随机性。
步骤s45：使用反向学习随机策略初始化粒子位置：当粒子达到最大迭代次数后，记录每个搜索粒子的最优解和全局最优解；选取适应度值低的后50％的劣粒子位置，按下式随机生成新的粒子位置，而将适应度值高的前50％的优粒子位置作为新的初始化粒子位置，重新迭代寻优；如此递归反复，全局最优解满足递归n次保持不变，即退出递归；
产生反向解公式如下：
式中：
表示第i个劣粒子的随机反向学习粒子的新位置；
步骤s46：光伏玻璃压延成型过程能效优化的数学描述：光伏玻璃成型过程能效优化可看作是一个非线性的约束规划问题，具体可用下式表示：
式中，f(x)表示优化的目标，在本发明中为前文提到的能效评价指标η，gi(x)表示不等式约束条件，hj(x)表示等式约束条件，xj表示变量的取值范围；
步骤s47：筛选出来的能效优化变量以及约束条件：
玻璃液温度：t(℃)∈[800,1000]；
辊的线速度：v＝ωr
