CN114826150A - 一种太阳能电池缺陷导致性能损耗的自动评估系统 - Google Patents

Abstract

本发明公开了一种太阳能电池缺陷导致性能损耗的自动评估系统，其中，输入模块，用于读取太阳能电池片的电致发光光谱、外量子效率和不同正向注入电流密度下采集的一组电致发光图像；电池边缘检测模块，用于确定太阳能电池在电致发光图像中的准确位置；电池缺陷恢复模块，用于识别太阳能电池表面的缺陷区，计算各个缺陷区的预测发光强度并对缺陷进行恢复；电池伏安特性计算模块，根据实际或者预测电致发光强度与电池内部电压的关系，得到太阳能电池实际或者预测的伏安特性曲线；电池性能损耗评估模块，根据实际或者预测的伏安特性曲线，获得电池实际或者预测的性能参数并进行对比，定量评估由于缺陷导致的太阳能电池性能损耗。

Description

一种太阳能电池缺陷导致性能损耗的自动评估系统

技术领域

本发明属于电池检测技术领域，涉及一种太阳能电池缺陷导致性能损耗的自动评估系统。

背景技术

为了获得更高转换效率的太阳能电池，在实际生产中需要不断改变工艺参数，以对比采用不同制造工艺生产的样品性能。然而，太阳能电池材料本身以及在生产和制造的过程中，会不可避免的产生或引入一些缺陷，导致转换效率的异常降低，影响了不同样品性能对比的可靠性。因此，设法人为地消除缺陷对太阳能电池的影响，量化缺陷所导致的太阳能电池性能损耗情况，有利于制造人员对工艺的针对性改进，降低高效太阳能电池的研发成本。

发明内容

为了解决现有技术存在的不足，本发明基于电致发光成像检测技术及图像恢复技术，提出了一种太阳能电池缺陷导致性能损耗的自动评估系统。

本发明提出了一种太阳能电池缺陷导致性能损耗的自动评估系统，包括：输入模块、电池边缘检测模块、电池缺陷恢复模块、电池伏安特性计算模块和电池性能损耗评估模块。

其中，所述输入模块，用于读取太阳能电池片的电致发光光谱、外量子效率和不同正向注入电流密度下采集的一组电致发光图像。

所述读取的太阳能电池电致发光图像用CCD照相机或CMOS照相机拍摄得到，所述电致发光光谱由光谱仪获得，所述外量子效率由太阳能电池外量子效率测试仪获得。

所述电池边缘检测模块，用于确定太阳能电池在电致发光图像中的准确位置。

所述太阳能电池在电致发光图像中的位置定义为：使用高斯滤波和大津算法对输入电致发光图像进行阈值化处理后，阈值化图像中白色轮廓所对应的外接矩形区域。

所述电池缺陷恢复模块，用于识别太阳能电池表面的缺陷区，计算各个缺陷区的预测发光强度并对缺陷进行恢复，得到不同注入电流密度下的预测电致发光图像；

所述电池伏安特性计算模块，根据实际或者预测电致发光强度与电池内部电压的关系，得到太阳能电池实际或者预测的伏安特性曲线。

所述电池性能损耗评估模块，根据实际或者预测的伏安特性曲线，获得电池实际或者预测的性能参数并进行对比，定量评估由于缺陷导致的太阳能电池性能损耗。

所述输入模块读取太阳能电池片的电致发光光谱、外量子效率和在不同注入电流密度下的电致发光图像，并将上述数据信息传输给电池边缘检测模块。

所述太阳能电池电致发光图像用CCD照相机或CMOS照相机拍摄得到，所述电致发光光谱由光谱仪获得，所述外量子效率由太阳能电池外量子效率测试仪获得；所述注入电流密度的范围为0到太阳能电池的短路电流密度；所述太阳能电池的短路电流密度与太阳能电池的材料类型、制造工艺有关。

所述电池边缘检测模块通过高斯滤波和大津算法对输入的电致发光图像进行阈值化处理后，获得阈值化图像中白色轮廓所对应的外接矩形区域即为太阳能电池在电致发光图像中的准确位置；

所述高斯滤波是指一种线性平滑算法，用于图像处理的降噪过程，从而改善太阳能电池边缘的毛刺，获得信噪比更高的电致发光图像；所述高斯滤波的窗口大小为S，S为正整数；所述大津算法是一种自适应选择阈值的算法，使用该方法可以使程序自动给经过高斯滤波后的电致发光图像设定阈值，从而获得阈值化的图像；阈值的设定与图像的灰度特性有关，采用该阈值时，阈值化图像的黑色和白色两类区域之间满足类间方差最大，且阈值化的错误概率最小。具体来说，大津算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。

所述大津算法是按图像的灰度特性，将图像分成背景(黑色)和前景(白色)两部分。通常用“方差”作为灰度分布均匀性的一种度量，背景和前景之间的类间方差越大，说明构成图像的两部分(即黑白两部分)的差别越大。因此，使类间方差最大的分割(分割即阈值选取)意味着错分概率最小。

因此大津算法做出了使类间方差最大的阈值选取。

根据获得的太阳能电池的准确位置，电池缺陷恢复模块选择某一注入电流密度下电致发光图像，遍历整个电致发光图像获得所有的缺陷区D₁到D_i；

所述缺陷区的定义为该区域的电致发光强度同时满足以下条件：1)该区域内存在一个电致发光强度最低的点P_i，点P_i的强度值低于指定区域N1平均强度值的1/k1，k1为一个给定的系数；2)该区域内所有点的强度值均低于指定区域N2平均强度值的1/k2，k2为一个给定的系数；i为正整数；

指定区域N1和N2是以点P_i为中心，指定不同边长或半径的方形或圆形区域，且缺陷区D_i包含于N1和N2；对于同一个电致发光图像，多个缺陷区的边长或者半径保持一致，且不同缺陷区的N1或者不同缺陷区的N2各自不发生重叠；所述系数k1和k2均为大于1的实数。

根据获得的所有缺陷区D₁到D_i，电池缺陷恢复模块将缺陷区的电致发光强度逐一替换为缺陷区预测的电致发光强度，获得太阳能电池的预测电致发光图像；

所述缺陷区D_i预测的电致发光强度定义为：区域N2中除缺陷区D_i以外部分的平均电致发光强度。

所述电池缺陷恢复模块按照注入电流密度从小到大的顺序，依次选择对应的电致发光图像，获得每个注入电流密度下的实际或者预测电致发光图像，计算电池在每个注入电流密度下的电致发光强度，根据太阳能电池实际或者预测电致发光强度与内部电压的互易关系，获得注入电流密度与实际或者预测内部电压的关系曲线，输出太阳能电池的实际或者预测伏安特性；

电池性能损耗评估模块根据实际或者预测伏安特性曲线，获得电池的实际或者预测性能参数并进行对比，定量评估电池实际性能与电池预测性能的差异，即缺陷导致的电池性能损耗。

所述电池的实际或者预测电致发光强度定义为：电池实际或者预测电致发光图像上所有像素点的平均电致发光强度；

所述电池伏安特性评估模块遍历每个注入电流密度下的实际电致发光图像，根据太阳能电池实际电致发光强度与内部电压的互易关系，输出太阳能电池的实际伏安特性，并与利用步骤五获得的理想伏安特性进行对比评估；获得实际伏安特性和理想伏安特性之间的差异大小。

伏安特性优于实际伏安特性的程度，代表了缺陷对太阳能电池质量的影响大小；所述电池的实际电致发光强度定义为：电池实际电致发光图像上所有像素点的平均电致发光强度。

所述实际或者预测电致发光强度与电池内部电压的关系为：

其中，V(I)为太阳能电池在注入电流I时的内部电压，k为玻尔兹曼常数，T为开尔文温度，q为电子电量，

为实际或者预测的电致发光强度，F(I)为衰减倍数，A(I)为校准因子，R_n(I)为像素点n的像素值，R_min(I)为该图像最低像素值，t(I)为曝光时间，S为电池面积，EQE为实验测得的太阳能电池外量子效率，<EQE>_EL为电池在电致发光光谱的波长范围内的平均量子效率，

为黑体辐射光谱的光子密度随光子能量的分布，h为普朗克常数，c为真空光速，E_g为电池的禁带宽度，E为能量；太阳能电池在光照工作条件下，Isun＝q∫EQE(E)S_AM1.5G(E)dE，I_sun为在空气质量AM1.5G的光谱S_AM1.5G条件下的电流密度，内部电压V(I)与(I_sun-I)的关系即光照条件下太阳能电池的伏安特性。

所述用于对比评估的太阳能电池性能参数包括以下参数中的一种或几种：伏安特性曲线、开路电压、填充因子和转换效率等。

其中计算机自动寻找伏安特性曲线与电压轴的交点，为开路电压；

填充因子＝伏安特性曲线上各点与坐标轴所构成最大矩形的面积/(开路电压×I_sun)；

转换效率＝填充因子×(开路电压×I_sun)/空气质量AM1.5G太阳光辐照的功率密度；所述空气质量AM1.5G太阳光辐照的功率密度为1000W/m²。

本发明的有益效果在于：采用电致发光图像恢复技术，人为地消除了缺陷对太阳能电池的影响，能够量化缺陷所导致的太阳能电池性能损耗情况，有利于制造人员对工艺的针对性改进，降低高效太阳能电池的研发成本。

附图说明

图1为本发明所述太阳能电池缺陷导致性能损耗的自动评估系统的系统框图。

图2为本发明所述太阳能电池缺陷导致性能损耗的自动评估系统的流程图。

图3为CCD照相机采集的GaAs太阳能电池片在正向注入电流密度为20mA/cm²时的实际电致发光图像。

图4为所述电池缺陷恢复模块输出的GaAs电池片在正向注入电流密度为20mA/cm²时的理想电致发光图像。

图5为通过本发明预测的GaAs太阳能电池缺陷导致性能损耗曲线。

图6为GaAs太阳能电池片的理想伏安特性曲线(部分)和理想开路电压与实际结果对比图。

具体实施方式

结合以下具体实施例和附图，对发明作进一步的详细说明。实施本发明的过程、条件、实验方法等，除以下专门提及的内容之外，均为本领域的普遍知识和公知常识，本发明没有特别限制内容。

如图1所示，本发明的一种太阳能电池缺陷导致性能损耗的自动评估系统包括：输入模块、电池边缘检测模块、电池缺陷恢复模块和电池伏安特性评估模块。

其中，输入模块用于读取太阳能电池片的电致发光光谱、外量子效率和不同正向注入电流密度下采集的一组电致发光图像。

电池边缘检测模块，用于确定太阳能电池在电致发光图像中的准确位置。

电池缺陷恢复模块用于识别太阳能电池表面的缺陷区，预测各个缺陷区的理想发光强度并对缺陷进行恢复，根据电致发光强度与电池内部电压的关系，得到太阳能电池理想的伏安特性曲线。

所述电池伏安特性评估模块用于调用电致发光强度与电池内部电压的关系，从原始电致发光图像中得到太阳能电池实际的伏安特性曲线，并对比太阳能电池理想和实际的伏安特性，评估特定工艺下太阳能电池的理想质量；

所述用于对比评估的太阳能电池伏安特性包括以下参数中的一种或几种：伏安特性曲线、开路电压、填充因子和转换效率。

实施例

以尺寸为4cm×2cm的砷化镓(GaAs)太阳能电池片理想伏安特性的自动评估为例进行说明，具体步骤如下：

首先，向所述输入模块导入在0到25mA/cm²正向注入电流密度下，CCD照相机拍摄的一组GaAs太阳能电池片的电致发光图像，以及该电池片的电致发光光谱和外量子效率。

进一步的，所述电池边缘检测模块使用窗口大小为25的高斯滤波，用于改善太阳能电池边缘的毛刺，获得信噪比更高的电致发光图像；再使用大津算法，自动给电致发光图像设定阈值，实现对输入的电致发光图像的阈值化处理；再截取阈值化图像中白色轮廓所对应的外接矩形区域，作为GaAs太阳能电池片在电致发光图像中的实际位置，如图3所示。

进一步的，所述电池缺陷恢复模块利用所述太阳能电池缺陷导致性能损耗的自动评估方法，识别太阳能电池表面缺陷区的发光强度，并预测其理想的发光强度，根据电致发光强度与电池内部电压的关系，得到太阳能电池理想的伏安特性曲线。包括如下步骤：

步骤一：将输入的电致发光光谱、外量子效率和在不同注入电流密度下的电致发光图像传输到电池边缘检测模块中，获得的一组GaAs太阳能电池片的电致发光图像；

步骤二：指定如图3所示的注入电流密度为20mA/cm²时对应的电致发光图像，若该图像上某一区域的电致发光强度同时满足以下条件，则被定义为一个缺陷区D_i(i为大于1的整数)：一，该区域内存在一个电致发光强度最低的点P_i，点P_i的强度值低于以P_i为中心，边长为10的方形区域平均强度值的0.85；二，该区域内所有点的强度值均低于以P_i为中心，边长为6的方形区域平均强度值的0.95；

步骤三：计算以P_i为中心，边长为6的方形区域中除缺陷区D_i的平均电致发光强度，并以此作为缺陷区D_i预测的电致发光强度；

步骤四：遍历该图像，寻找满足条件的所有缺陷区D₁到D_i，将D₁到D_i逐一恢复为预测的电致发光强度，获得如图4所示的GaAs电池片在注入电流密度为20mA/cm²时的理想电致发光图像；

步骤五：按照注入电流密度从小到大的顺序，依次选择对应的电致发光图像，按照步骤三和步骤四的方法，获得每个注入电流密度下的理想电致发光图像，根据太阳能电池电致发光强度与内部电压的互易关系，获得如图5所示的注入电流密度与理想内部电压的关系曲线，输出太阳能电池的理想伏安特性；

步骤六：遍历每个注入电流密度下的实际电致发光图像，根据太阳能电池电致发光强度与内部电压的互易关系，输出太阳能电池的实际伏安特性，并与利用步骤五获得的理想伏安特性进行对比评估。

进一步的，所述电池理想伏安特性评估模块输出如图6所示的太阳能电池理想和实际的伏安特性对比图，包括伏安特性曲线(部分)和开路电压。

参阅图6，利用本发明方法得到的太阳能电池缺陷导致性能损耗曲线相比实际伏安特性曲线向右偏移，理想开路电压相比实际开路电压增大。这说明缺陷对太阳能电池质量存在一定的影响，若消除这些缺陷，能够带来至少0.17mV的开路电压提升。

本发明的保护内容不局限于以上实施例。在不背离发明构思的精神和范围下，本领域技术人员能够想到的变化和优点都被包括在本发明中，并且以所附的权利要求书为保护范围。

Claims (9)

1.一种太阳能电池缺陷导致性能损耗的自动评估系统，其特征在于，所述系统包括：输入模块、电池边缘检测模块、电池缺陷恢复模块、电池伏安特性计算模块和电池性能损耗评估模块；其中，

所述输入模块，用于读取太阳能电池片的电致发光光谱、外量子效率和不同正向注入电流密度下采集的一组电致发光图像；

所述电池边缘检测模块，用于确定太阳能电池在电致发光图像中的准确位置；

所述电池缺陷恢复模块，用于识别太阳能电池表面的缺陷区，计算各个缺陷区的预测发光强度并对缺陷进行恢复，得到不同注入电流密度下的预测电致发光图像；

所述电池伏安特性计算模块，根据实际或者预测电致发光强度与电池内部电压的关系，得到太阳能电池实际或者预测的伏安特性曲线；

所述电池性能损耗评估模块，根据实际或者预测的伏安特性曲线，获得电池实际或者预测的性能参数并进行对比，定量评估由于缺陷导致的太阳能电池性能损耗。

2.如权利要求1所述的太阳能电池缺陷导致性能损耗的自动评估系统，其特征在于，

输入模块读取太阳能电池片的电致发光光谱、外量子效率和在不同注入电流密度下的电致发光图像，并将上述数据信息传输给电池边缘检测模块；

电池边缘检测模块通过高斯滤波和大津算法对输入的电致发光图像进行阈值化处理后，获得阈值化图像中白色轮廓所对应的外接矩形区域，即为太阳能电池在电致发光图像中的准确位置；

根据太阳能电池的准确位置，电池缺陷恢复模块选择某一注入电流密度对应的电致发光图像，遍历整个电致发光图像获得所有的缺陷区D₁到D_i；

根据所有缺陷区D₁到D_i，电池缺陷恢复模块将缺陷区的电致发光强度逐一替换为缺陷区的预测电致发光强度，获得太阳能电池的预测电致发光图像；

电池缺陷恢复模块按照注入电流密度从小到大的顺序，依次选择对应的电致发光图像，获得每个注入电流密度下的预测电致发光图像；

电池伏安特性计算模块计算电池在每个注入电流密度下的实际或者预测电致发光强度，根据太阳能电池实际或者预测电致发光强度和内部电压的互易关系，获得注入电流密度与实际或者预测内部电压的关系曲线，输出太阳能电池的实际或者预测伏安特性；

电池性能损耗评估模块根据实际或者预测伏安特性曲线，获得电池的实际或者预测性能参数并进行对比，定量评估电池实际性能与电池预测性能的差异，即缺陷导致的电池性能损耗。

3.如权利要求2所述的自动评估系统，其特征在于，所述太阳能电池电致发光图像用CCD照相机或CMOS照相机拍摄得到，所述电致发光光谱由光谱仪获得，所述外量子效率由太阳能电池外量子效率测试仪获得；所述注入电流密度的范围为0到太阳能电池的短路电流密度；所述太阳能电池的短路电流密度与太阳能电池的材料类型、制造工艺有关。

4.如权利要求2所述的自动评估系统，其特征在于，所述高斯滤波是指一种线性平滑算法，用于图像处理的降噪过程，从而改善太阳能电池边缘的毛刺，获得信噪比更高的电致发光图像；所述高斯滤波的窗口大小为S，S为正整数；所述大津算法是一种自适应选择阈值的算法，程序使用该方法自动给电致发光图像设定阈值，从而获得阈值化的图像。

5.如权利要求2所述的自动评估系统，其特征在于，所述缺陷区的定义为该区域的电致发光强度同时满足以下条件：1)该区域内存在一个电致发光强度最低的点P_i，点P_i的强度值低于指定区域N1平均强度值的1/k1，k1为一个给定的系数；2)该区域内所有点的强度值均低于指定区域N2平均强度值的1/k2，k2为一个给定的系数；i为正整数。

6.如权利要求5所述的自动评估系统，其特征在于，指定区域N1和N2是以点P_i为中心，指定不同边长或半径的方形或圆形区域，且缺陷区D_i包含于N1和N2；对于同一个电致发光图像，多个缺陷区的边长或者半径保持一致，且不同缺陷区的N1或者不同缺陷区的N2各自不发生重叠；所述系数k1和k2均为大于1的实数。

7.如权利要求2所述的自动评估系统，其特征在于，所述缺陷区的预测电致发光强度定义为区域N2中除缺陷区D_i以外部分的平均电致发光强度。

8.如权利要求2所述的自动评估系统，其特征在于，实际或者预测电致发光强度与太阳能电池内部电压的关系为：

其中V(I)为太阳能电池在注入电流I时的内部电压，k为玻尔兹曼常数，T为开尔文温度，q为电子电量，

为实际或者预测的电致发光强度，F(I)为衰减倍数，A(I)为校准因子，R_n(I)为像素点n的像素值，R_min(I)为该图像最低像素值，t(I)为曝光时间，S为电池面积，EQE为实验测得的太阳能电池外量子效率，<EQE>_EL为电池在电致发光光谱的波长范围内的平均量子效率，

为黑体辐射光谱的光子密度随光子能量的分布，h为普朗克常数，c为真空光速，E_g为电池的禁带宽度，E为能量；太阳能电池在光照工作条件下，I_sun＝q∫EQE(E)S_AM1.5G(E)dE，I_sun为在空气质量AM1.5G的光谱S_AM1.5G条件下的电流密度，内部电压V(I)与(I_sun-I)的关系即光照条件下太阳能电池的伏安特性。

9.如权利要求2所述的自动评估系统，其特征在于，所述用于对比评估的太阳能电池性能参数包括以下参数中的一种或几种：伏安特性曲线、开路电压、填充因子和转换效率；

其中计算机自动寻找伏安特性曲线与电压轴的交点，为开路电压；

填充因子＝伏安特性曲线上各点与坐标轴所构成最大矩形的面积/(开路电压×I_sun)；

转换效率＝填充因子×(开路电压×I_sun)/空气质量AM1.5G太阳光辐照的功率密度；所述空气质量AM1.5G太阳光辐照的功率密度为1000W/m²。

Images