基于无监督学习的镓掺杂硅片特性对太阳能电池填充因子与效率的影响机制及制造优化

语 本研究针对镓掺杂硅片在双面太阳能电池中的应用，通过无监督机器学习模型分析生产数据，揭示了硅片厚度（160–164 μm）、电阻率（0.5–0.8 Ω-cm）、载流子寿命（0.9–1.05 μs）对填充因子（FF）、开路电压（VOC）及效率（η）的显著影响。随机森林模型精准预测性能参数，为优化高稳定性太阳能电池制造提供数据驱动策略，推动光伏产业效率边界突破。

　　

论文解读

研究背景：破解光伏效率瓶颈的镓掺杂之路

双面太阳能电池凭借双面吸光能力，预计2030年将占全球光伏装机量的30%以上，但其性能受限于传统硼掺杂硅片的光致衰减（Light-Induced Degradation, LID）问题。镓掺杂硅片因抑制LID、提升电子稳定性成为新一代高效电池的核心材料。然而，硅片厚度、电阻率、载流子寿命等参数如何协同影响电池的填充因子（FF）、开路电压（V_OC）和效率（η），仍是制造优化的关键盲区。

研究方法：无监督学习驱动生产数据挖掘

印度Premier Energies公司提供的5000片镓掺杂硅片（尺寸182 mm2）生产数据构成研究基础。通过以下技术路径展开分析：

1. 数据预处理：整合硅片厚度、电阻率、载流子寿命及对应电池的FF、V_OC、η、短路电流（I_SC）等参数。
2. k均值聚类：无标签数据分组，揭示参数间隐含关联。
3. 随机森林分类器：构建预测模型，量化输入参数对性能的影响权重。

研究结果：关键参数的黄金区间

1. 厚度对填充因子的决定性影响

聚类分析表明，硅片厚度在160–164 μm时，FF达到峰值。过薄或过厚均导致载流子传输损耗增加，降低电荷收集效率。

2. 电阻率与性能的正相关

电阻率0.5–0.8 Ω-cm的硅片显著提升FF。该范围平衡了载流子迁移率与复合速率，优化了p-n结电场分布。

3. 载流子寿命的临界阈值

载流子寿命0.9–1.05 μs时FF最优。短寿命加剧复合损失，长寿命则因杂质散射效应削弱电池响应速度。

4. 参数协同效应

随机森林模型证实：单一参数优化无法替代协同调控。三者共同达标时，FF提升幅度超15%，效率η突破22%。

结论与意义：光伏制造的数据革命

本研究通过无监督学习破解了镓掺杂硅片参数与电池性能的复杂映射关系，得出三大制造准则：

1. 厚度精密控制：160–164 μm为FF最优窗口；
2. 电阻率靶向设计：0.5–0.8 Ω-cm实现载流子输运平衡；
3. 寿命工艺优化：0.9–1.05 μs抑制复合损失。

该成果发表于《Engineering Applications of Artificial Intelligence》，为光伏产业带来三重突破：

• 技术层面：指导钝化发射极和背面电池（Passivated Emitter and Rear Cell, PERC）等工艺的镓掺杂硅片适配；
• 产业层面：Premier Energies基于此优化产线，电池效率提升1.5%；
• 学术层面：首创生产数据驱动的无监督学习范式，为钙钛矿叠层电池等新材料研发提供分析模板。

镓掺杂硅片凭借“零LID”特性，有望推动双面组件在高反照率场景的普及。结合机器学习的数据挖掘能力，光伏制造正式迈入“参数可预测、生产可调控”的智能时代。