电致发光（EL）成像中日光与分辨率的变量，对光伏电池裂纹功率损失仿真模型基准测试

电致发光（EL）成像技术作为光伏电池缺陷检测与性能评估的重要手段，目前主要基于实验室暗室环境下获取的高分辨率CMOS图像进行模型开发与验证。然而，随着该技术在现场检测中的推广应用，实际应用中面临着成像条件差异带来的挑战：现场检测通常使用分辨率较低但对硅发光波段更敏感的InGaAs相机，且日光环境会引入背景辐照噪声，这些因素对现有功率损失仿真模型准确性的影响尚未明确。美能PL/EL一体机测试仪的EL电致发光成像通过探针上电，可以分析电池的缺陷，尤其是电极和接触异常，属于接触式测试，适合测试成品电池片。

本研究选取代表性分析模型bELMO与数据驱动模型DTU ML，通过设计对照实验，采集包括完好与不同裂纹程度的电池样本在多种成像条件下的EL图像（涵盖CMOS与InGaAs相机、暗室与不同辐照度日光环境），重点考察相机类型、图像分辨率及日光噪声对功率损失估算精度的影响。研究旨在明确现有模型在实际应用场景中的局限性，为EL技术从实验室走向现场检测的标准化提供关键依据。

电致发光（EL）成像技术的应用

Millennial Solar

不同成像条件下获取的裂纹4主栅电池EL图像及其对应直方图

电致发光（EL）成像是光伏电池表征的核心技术之一。自该技术问世以来，其早期应用主要集中在黑暗实验室；但近年来，随着大型光伏电站运维需求的提升，EL 成像在日光现场检测中的应用愈发广泛。

EL图像的核心用途有两类：一是识别光伏电池及组件中的缺陷与退化问题，二是量化光伏电池的功率损失—— 具体而言，可将 EL 图像转换为“空间分辨的电池电压与串联电阻（Rs）分布图”，再借助这些电参数图实现电池与组件级别的功率输出模拟。

在技术路径上，目前主要分为两类方法：

分析型方法：基于“发光强度与电压的关联关系”开发，可将 EL 强度转换为图像中每个像素的电压值。对于含裂纹的电池，行业通常假设“退化主要影响串联电阻”，因此可将电压图进一步转换为Rs图，再融入单二极管模型完成功率输出模拟。

数据驱动型方法：即基于机器学习的模型，需依托大量“EL 图像 - IV 曲线”配对数据集训练，通过学习图像特征与电性能的关联，实现功率损失模拟。

然而，当前多数模型的开发、训练和测试，均依赖“黑暗实验室 + 高分辨率 CMOS 相机”获取的 EL 图像；但实际现场检测中，常用的是低分辨率 InGaAs 相机（这类相机在硅材料的发射带隙处灵敏度更高）。目前，相机探测器类型、分辨率差异对模型估算精度的影响，尚未得到明确验证。

实验设计

Millennial Solar

实验配置与成像参数汇总

样本设置：25个单晶硅电池样本，涵盖2-5主栅及背接触结构，包含完好与不同裂纹程度样本

图像采集：

实验室暗室：CMOS相机 vs InGaAs相机

户外日光：低辐照度（<200W/m²）vs 高辐照度（>800W/m²）

分析方法：

bELMO模型：基于双偏压EL图像生成串联电阻分布图

DTU ML模型：基于图像标准差和裂纹面积比例进行预测

bELMO模型表现

Millennial Solar

bELMO模型生成的裂纹4主栅电池串联电阻分布图

bELMO模型仿真绝对误差百分比分布（参考电池 vs 退化电池）

bELMO模型功率仿真误差指标

对完好电池预测误差<4%，与文献一致

严重裂纹电池误差最高达40%

InGaAs相机图像中裂纹区域呈现更高串联电阻值

日光条件（尤其高辐照度）导致误差显著增大

DTU机器学习模型表现

Millennial Solar

DTU机器学习模型仿真绝对误差百分比分布（参考电池 vs 退化电池）

DTU机器学习模型功率仿真误差指标

对完好电池预测准确，日光条件下表现更优

严重裂纹电池误差明显上升

相机分辨率变化影响较小

高辐照度条件下误差离散度增大

讨论与结论

Millennial Solar

各电池组别在bELMO与DTU ML模型下的平均绝对误差百分比对比

参考电池与裂纹退化电池的I-V特性曲线对比

稳定性对比：bELMO在不同条件下表现更稳定，DTU ML在日光条件下误差波动更大

关键发现：

图像分辨率对两类模型影响有限

日光噪声是模型性能下降主因

复杂裂纹（伴随串联/旁路电阻同步退化）是现有模型的共同挑战

改进方向：

分析模型需突破"纯电阻退化"假设

机器学习模型需要扩充包含复杂退化模式的训练数据

应用建议：现场检测应重点考虑日光噪声抑制措施，并对严重裂纹电池的功率损失估算保持谨慎

本研究通过系统评估分析模型bELMO与数据驱动模型DTU ML在不同成像条件下的性能表现，得出以下结论：两种模型对轻微损伤电池均能保持较高预测精度，但在处理严重裂纹电池时误差显著增大；日光条件特别是高辐照度环境会明显降低模型性能，其中bELMO表现出更好的整体稳定性。研究发现相机分辨率变化对两类模型影响有限，而日光噪声是导致性能下降的主要因素。特别值得注意的是，当电池裂纹伴随串联电阻和旁路电阻同时退化时，两类模型均出现较大误差，这暴露了分析模型基于"纯电阻退化"假设的局限性，以及机器学习模型训练数据覆盖不足的问题。该研究为EL技术在现场检测中的实际应用提供了重要依据，指出未来模型优化应着重提升对复杂退化模式的表征能力和日光环境的适应性。

美能PL/EL一体机测试仪

Millennial Solar

美能PL/EL一体机测试仪模拟太阳光照射钙钛矿太阳能电池片，均匀照亮整个样品，并用专业的镜头采集光致发光（PL）信号，获得PL成像；电致发光（EL）信号，获得EL成像。通过图像算法和软件对捕获的PL/EL成像进行处理和分析，并识别出PL/EL缺陷，根据其特征进行分析、分类、归纳等。

• EL/PL成像，500万像素，实现多种成像精度切换
• 光谱响应范围：400nm~1200nm
• PL光源：蓝光（可定制光源尺寸、波长等)
• 多种缺陷识别分析(麻点、发暗、边缘入侵等)可定制缺陷种类

美能PL/EL一体机测试仪对晶硅太阳能电池片内部的缺陷，如晶体缺陷、杂质等，进行高精度检测从而帮助生产人员及时调整工艺参数，提高产品质量。

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