性能优化和机器学习引导的无KGeCl矿太阳能电池的参数灵敏度分析3
Tanzir Ahamed1,2, Md Mehedi Hasan Bappy1,2, Mohammad Rahimul Islam1
1Department of Electrical and Electronic Engineering, CCN University of Science and Technology Cumilla-3503 Bangladesh tanzir.eee2k15@gmail.com.
RSC advances
|February 16, 2026
概括
这项研究探讨了使用KGeCl3吸收器的无基基矿太阳能电池 (PSC). WS2电子传输层 (ETL) 配置实现了最高的功率转换效率 (PCE) 21.39%.
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:
- 矿太阳能电池 (PSC) 提供有前途的光伏性能.
- 开发无PSC对于环境可持续性至关重要.
- 基于的矿正在成为基材料的可行替代品.
研究的目的:
- 调查无基基 PSC 的性能.
- 为了评估基于KGeCl3吸收器的设备的不同电子传输层 (ETL).
- 通过模拟和机器学习优化PSC参数.
主要方法:
- 使用SCAPS-1D进行设备模拟,以优化材料参数 (厚度,兴奋剂,缺陷,阻力,温度,工作功能).
- 使用KGeCl3吸收器和各种ETL (WS2,ZnSe,PC60BM,SNS2) 的PSC的制造和表征.
- 机器学习的应用 (随机森林,XGBoost,CatBoost,决策树) 用于特征重要性分析.
主要成果:
- 在FTO/CFTS/KGeCl3/WS2/Au太阳能电池配置中,显示出最高的功率转换效率 (PCE) 为21.39%.
- 其他ETL产生的PCE分别为21.38% (ZnSe),21.05% (PC60BM) 和20.43% (SnS2).
- 在评估材料特征重要性时,CatBoost机器学习模型获得了高准确率 (99.344%) 和R2 (0.984).
结论:
- 带有KGeCl3吸收器的无Ge基PSC是非常有效的.
- WS2是提高这些太阳能电池性能的最佳ETL.
- 机器学习为PSCs的材料参数优化提供了宝贵的见解.
