利用机器学习和二极管物理来研究固态测量对顺序处理矿太阳能电池光伏性能的影响
Jeongbeom Cha1, Dohun Baek2, Haedam Jin1
1Graduate School of Integrated Energy-AI, Jeonbuk National University, Jeonju 54896, Republic of Korea.
ACS omega
|November 16, 2023
概括
研究人员使用Shockley二极管分析和机器学习优化矿太阳能电池. 这种方法准确地预测性能,并确定最佳的制造条件,加速开发高效的太阳能设备.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 太阳能光伏发电是如何实现的
背景情况:
- 有机-无机金属化物矿太阳能电池提供了出色的解决方案可加工性.
- 为了获得均的晶状矿膜,通常需要复杂的沉积技术.
- 优化制造条件对于提高光伏性能至关重要.
研究的目的:
- 开发一种精简的方法来优化矿太阳能电池的性能.
- 阐明实验变量与设备特征之间的关系.
- 为了减少对设备制造中广泛的试错的依赖.
主要方法:
- 基于Shockley二极管的统一数值分析与机器学习 (高斯过程回归).
- 使用Shockley二极管方程提取了光伏参数和预测的功率转换效率.
- 在电流-电压曲线上训练机器学习模型,以确定最佳的制造设置.
主要成果:
- 成功提取了关键的光伏参数和预测的设备效率.
- 确定了改善矿太阳能电池性能的最佳实验条件.
- 显著减少了对详尽实验测试的需求.
结论:
- 数值分析和机器学习的结合方法有效地优化矿太阳能电池.
- 这种方法加速了下一代太阳能电池技术的开发和微调.
- 提供了对设备物理和电荷重组机制的更深入的理解.
