使用机器学习和SCAPS-1D模拟器提高硫化物吸收器和电荷传输层太阳能电池性能
Avijit Ghosh1, Nondon Lal Dey2, Mahbuba Moumita3
1Department of Electrical and Electronic Engineering, Begum Rokeya University, Rangpur 5400, Bangladesh. avijitghosheee@gmail.com.
Physical chemistry chemical physics : PCCP
|July 10, 2025
概括
这项研究优化了使用硫化 (SnS) 层的二氧化 (PbS) 太阳能电池,达到31.43%的功率转换效率 (PCE). 机器学习模型以83.75%的准确度预测性能,为具有成本效益的光伏设备铺平了道路.
科学领域:
- 材料科学与工程 材料科学与工程
- 可再生能源技术可再生能源技术
- 半导体物理 半导体物理
背景情况:
- 由于其优良的半导体特性,二硫化 (PbS) 太阳能设备显示出有前途.
- 目前的局限性包括带拓不匹配和在接口和接触处的载体重组.
- 优化层特性对于提高基于PbS的光伏电池的性能至关重要.
研究的目的:
- 研究硫化 (SnS) 电子输送层 (ETL) 和孔输送层 (HTL) 对PbS太阳能电池性能的影响.
- 为了优化Al/FTO/SnS2/PbS/SnS/Ni光细胞结构的层特性.
- 开发一种用于预测光伏设备性能的机器学习模型.
主要方法:
- 利用SCAPS模拟程序来分析和优化各种设备参数.
- 研究了缺陷度,层厚度,兴奋剂度,温度和金属对性能的影响.
- 开发并应用机器学习模型来预测输出参数.
主要成果:
- 优化的设备结构 (Al/FTO/SnS2/PbS/SnS/Ni) 实现了31.43%的功率转换效率 (PCE),比参考电池 (22.96%) 显著提高.
- 最佳的PbS层厚度为900 nm,接受器密度为1 × 10^17 cm^-3.
- 机器学习模型预测了光细胞的性能,准确度为83.75%.
结论:
- 集成SnS HTL和SnS2 ETL层有效地解决了接口问题,并提高了PbS太阳能电池的性能.
- 优化的Al/FTO/SnS2/PbS/SnS/Ni结构证明了通往高效PbS光伏设备的可行途径.
- 开发的机器学习方法为预测和优化太阳能电池性能提供了具有成本效益的方法.
