電致發(fā)光（EL）成像技術作為光伏電池缺陷檢測與性能評估的重要手段，目前主要基于實驗室暗室環(huán)境下獲取的高分辨率CMOS圖像進行模型開發(fā)與驗證。然而，隨著該技術在現場檢測中的推廣應用，實際應用中面臨著成像條件差異帶來的挑戰(zhàn)：現場檢測通常使用分辨率較低但對硅發(fā)光波段更敏感的InGaAs相機，且日光環(huán)境會引入背景輻照噪聲，這些因素對現有功率損失仿真模型準確性的影響尚未明確。美能PL/EL一體機測試儀的EL電致發(fā)光成像通過探針上電，可以分析電池的缺陷，尤其是電極和接觸異常，屬于接觸式測試，適合測試成品電池片。

本研究選取代表性分析模型bELMO與數據驅動模型DTU ML，通過設計對照實驗，采集包括完好與不同裂紋程度的電池樣本在多種成像條件下的EL圖像（涵蓋CMOS與InGaAs相機、暗室與不同輻照度日光環(huán)境），重點考察相機類型、圖像分辨率及日光噪聲對功率損失估算精度的影響。研究旨在明確現有模型在實際應用場景中的局限性，為EL技術從實驗室走向現場檢測的標準化提供關鍵依據。

電致發(fā)光（EL）成像技術的應用

Millennial Solar

不同成像條件下獲取的裂紋4主柵電池EL圖像及其對應直方圖

電致發(fā)光（EL）成像是光伏電池表征的核心技術之一。自該技術問世以來，其早期應用主要集中在黑暗實驗室；但近年來，隨著大型光伏電站運維需求的提升，EL 成像在日光現場檢測中的應用愈發(fā)廣泛。

EL圖像的核心用途有兩類：一是識別光伏電池及組件中的缺陷與退化問題，二是量化光伏電池的功率損失—— 具體而言，可將 EL 圖像轉換為“空間分辨的電池電壓與串聯電阻（Rs）分布圖”，再借助這些電參數圖實現電池與組件級別的功率輸出模擬。

在技術路徑上，目前主要分為兩類方法：

分析型方法：基于“發(fā)光強度與電壓的關聯關系”開發(fā)，可將 EL 強度轉換為圖像中每個像素的電壓值。對于含裂紋的電池，行業(yè)通常假設“退化主要影響串聯電阻”，因此可將電壓圖進一步轉換為Rs圖，再融入單二極管模型完成功率輸出模擬。

數據驅動型方法：即基于機器學習的模型，需依托大量“EL 圖像 - IV 曲線”配對數據集訓練，通過學習圖像特征與電性能的關聯，實現功率損失模擬。

然而，當前多數模型的開發(fā)、訓練和測試，均依賴“黑暗實驗室 + 高分辨率 CMOS 相機”獲取的 EL 圖像；但實際現場檢測中，常用的是低分辨率 InGaAs 相機（這類相機在硅材料的發(fā)射帶隙處靈敏度更高）。目前，相機探測器類型、分辨率差異對模型估算精度的影響，尚未得到明確驗證。

實驗設計

Millennial Solar

實驗配置與成像參數匯總

樣本設置：25個單晶硅電池樣本，涵蓋2-5主柵及背接觸結構，包含完好與不同裂紋程度樣本

圖像采集：

實驗室暗室：CMOS相機 vs InGaAs相機

戶外日光：低輻照度（<200W/m2）vs 高輻照度（>800W/m2）

分析方法：

bELMO模型：基于雙偏壓EL圖像生成串聯電阻分布圖

DTU ML模型：基于圖像標準差和裂紋面積比例進行預測

bELMO模型表現

Millennial Solar

bELMO模型生成的裂紋4主柵電池串聯電阻分布圖

bELMO模型仿真絕對誤差百分比分布（參考電池 vs 退化電池）

bELMO模型功率仿真誤差指標

對完好電池預測誤差<4%，與文獻一致

嚴重裂紋電池誤差最高達40%

InGaAs相機圖像中裂紋區(qū)域呈現更高串聯電阻值

日光條件（尤其高輻照度）導致誤差顯著增大

DTU機器學習模型表現

Millennial Solar

DTU機器學習模型仿真絕對誤差百分比分布（參考電池 vs 退化電池）

DTU機器學習模型功率仿真誤差指標

對完好電池預測準確，日光條件下表現更優(yōu)

嚴重裂紋電池誤差明顯上升

相機分辨率變化影響較小

高輻照度條件下誤差離散度增大

討論與結論

Millennial Solar

各電池組別在bELMO與DTU ML模型下的平均絕對誤差百分比對比

參考電池與裂紋退化電池的I-V特性曲線對比

穩(wěn)定性對比：bELMO在不同條件下表現更穩(wěn)定，DTU ML在日光條件下誤差波動更大

關鍵發(fā)現：

圖像分辨率對兩類模型影響有限

日光噪聲是模型性能下降主因

復雜裂紋（伴隨串聯/旁路電阻同步退化）是現有模型的共同挑戰(zhàn)

改進方向：

分析模型需突破"純電阻退化"假設

機器學習模型需要擴充包含復雜退化模式的訓練數據

應用建議：現場檢測應重點考慮日光噪聲抑制措施，并對嚴重裂紋電池的功率損失估算保持謹慎

本研究通過系統(tǒng)評估分析模型bELMO與數據驅動模型DTU ML在不同成像條件下的性能表現，得出以下結論：兩種模型對輕微損傷電池均能保持較高預測精度，但在處理嚴重裂紋電池時誤差顯著增大；日光條件特別是高輻照度環(huán)境會明顯降低模型性能，其中bELMO表現出更好的整體穩(wěn)定性。研究發(fā)現相機分辨率變化對兩類模型影響有限，而日光噪聲是導致性能下降的主要因素。特別值得注意的是，當電池裂紋伴隨串聯電阻和旁路電阻同時退化時，兩類模型均出現較大誤差，這暴露了分析模型基于"純電阻退化"假設的局限性，以及機器學習模型訓練數據覆蓋不足的問題。該研究為EL技術在現場檢測中的實際應用提供了重要依據，指出未來模型優(yōu)化應著重提升對復雜退化模式的表征能力和日光環(huán)境的適應性。

美能PL/EL一體機測試儀

Millennial Solar

美能PL/EL一體機測試儀模擬太陽光照射鈣鈦礦太陽能電池片，均勻照亮整個樣品，并用專業(yè)的鏡頭采集光致發(fā)光（PL）信號，獲得PL成像；電致發(fā)光（EL）信號，獲得EL成像。通過圖像算法和軟件對捕獲的PL/EL成像進行處理和分析，并識別出PL/EL缺陷，根據其特征進行分析、分類、歸納等。

• EL/PL成像，500萬像素，實現多種成像精度切換
• 光譜響應范圍：400nm~1200nm
• PL光源：藍光（可定制光源尺寸、波長等)
• 多種缺陷識別分析(麻點、發(fā)暗、邊緣入侵等)可定制缺陷種類

美能PL/EL一體機測試儀對晶硅太陽能電池片內部的缺陷，如晶體缺陷、雜質等，進行高精度檢測從而幫助生產人員及時調整工藝參數，提高產品質量。

原文參考：Benchmarking Power Loss Simulation Models for Cracked Photovoltaic Cells Using Electroluminescence Images: The Effect of Daylight and Image Resolution