基于机器学习的有机太阳能电池效率衰减预测模型构建与性能优化研究

本研究针对有机太阳能电池(OSCs)稳定性与效率衰减问题，通过构建包含166组数据的多变量数据库，采用自动化机器学习框架ROBERT筛选出最优模型（RF-90-10），实现了对ITO/PEDOT:PSS/P3HT:PCBM/Al结构器件功率转换效率(PCE)随时间衰减的高精度预测（R2>0.96），揭示了HTL层溶剂含量和活性层比例的关键影响，为OSCs性能优化提供数据驱动方案。

　　

随着全球能源需求激增，光伏技术成为可再生能源领域的研究热点。有机太阳能电池(OSCs)因其低成本、轻量化和可持续生产等优势备受关注，其功率转换效率(PCE)已突破20%，但稳定性与效率衰减问题严重制约商业化进程。传统硅基太阳能电池虽成熟稳定，但高能耗制造工艺和刚性结构限制了应用场景。OSCs的降解机制复杂，涉及材料老化、界面劣化和环境因素等多重影响，亟需建立精准的预测模型指导材料优化和工艺改进。

为应对这一挑战，来自国内研究机构的研究团队在《Experimental Parasitology》发表研究，通过构建机器学习模型系统分析OSCs效率衰减规律。研究聚焦典型ITO/PEDOT:PSS/P3HT:PCBM/Al多层结构器件，采集5个OSC器件超过180天的166组数据，包含PCE值及7项制造参数与环境变量。研究采用自动化机器学习框架ROBERT进行模型筛选，结合特征重要性分析揭示关键影响因素。

关键技术方法包括：1）通过Keithley-2400设备获取电流密度-电压(J-V)曲线计算PCE；2）建立包含制造参数（HTL层溶剂量、P3HT/PCBM比例等）和环境变量（温湿度、露点等）的多维数据库；3）采用随机森林(RF)、梯度提升(GB)等7种算法进行模型训练；4）应用排列特征重要性(PFI)和SHAP值进行变量解析；5）通过外部验证集评估模型预测能力。

研究结果部分：

1. 材料与方法：制备的OSCs采用旋涂法制备PEDOT:PSS传输层（6000 rpm/60 s）和P3HT:PCBM活性层（300 rpm/3 min），真空蒸镀铝电极，在AM 1.5G光照条件下测试。

2. 经典回归分析：双高斯模型(gauss2)对单器件时间序列拟合最佳（平均R²=0.85），但需120天以上数据才能可靠预测180天PCE（RMSE=0.0138），且无法处理多变量关联。

3. 机器学习建模：RF-90-10模型在完整数据集上表现最优（R²=0.96，MAE=0.039），显著优于神经网络（R²=0.66）和多元线性回归（R²=0.81）。

4. 外部验证：对未参与训练的Cell4器件预测R²达0.88，5折交叉验证R²=0.89，证实模型泛化能力。

5. 特征分析：PFI和SHAP分析共同显示HTL层PEDOT:PSS含量（250-1000 μl）和P3HT:PCBM比例（1-1.25）是影响PCE稳定性的最关键因素，贡献度超环境变量3倍。

研究结论表明，机器学习方法可有效突破传统回归分析的单变量局限，实现多器件、多参数的PCE衰减联合建模。HTL层溶剂充足覆盖和适当提高给受体比例能显著提升OSCs稳定性，该发现为材料配方优化提供明确方向。研究建立的自动化建模框架（训练时间<10秒/模型）为OSCs的快速性能评估和反向设计奠定基础，推动有机光伏技术从实验室走向产业化。需要指出的是，当前模型精度受限于小样本数据，未来扩大数据集和引入物理约束将进一步提升预测可靠性。