基于人工智能,波形辅助预测矿太阳能电池的长期户外性能
Ioannis Kouroudis1, Kenedy Tabah Tanko2, Masoud Karimipour2
1Department of Electrical Engineering, School of Computation, Information and Technology, Technical University of Munich, Hans-Piloty Strasse 1, 85748 Garching bei Munich,Germany.
ACS energy letters
|April 18, 2024
概括
商业化矿太阳能电池 (PSC) 通过加速室内稳定性测试更快. 机器学习预测室外降解,识别关键压力因素,以改善设备寿命和更广泛的采用.
科学领域:
- 光伏和可再生能源. 光伏和可再生能源.
- 材料科学与工程.
- 科学中的人工智能.
背景情况:
- 矿太阳能电池 (PSC) 的商业化受到长期户外降解研究的阻碍.
- 确定设备寿命对于PSC采用至关重要,但传统方法耗时.
- 了解降解途径对于提高光伏技术的稳定性至关重要.
研究的目的:
- 开发一种方法,使用加速室内稳定性分析来预测PSC的室外降解.
- 确定影响PSC降解途径的关键压力因素.
- 建立适用于其他光伏技术的框架.
主要方法:
- 利用机器学习管道和数学分解来加速室内稳定性分析.
- 在各种室内稳定性数据集上训练算法,以识别退化模式.
- 室内压力因素与室外退化行为相关联.
主要成果:
- 成功预测了PSC的户外退化行为.
- 确定了导致PSC退化的最相关的压力因素.
- 证明了机器学习方法在稳定性预测方面的有效性.
结论:
- 加速室内稳定性分析可以准确预测PSC的室外退化.
- 开发的方法加速了PSC设备寿命的评估.
- 这种方法可应用于其他光伏技术,促进其在市场上普及.
