使用基于电致发光的自适应神经模糊推理系统评估光伏电池内部功率损耗

《AppliedMath》：Assessment of Internal Power Losses in Photovoltaic Cells Using an Adaptive Neuro-Fuzzy Inference System Based on Electroluminescence

　　

串联电阻（Rs）是限制光伏电池性能的关键参数；然而，其基于电流-电压（I-V）测量的传统估计需要电接触和受控测试条件。在本研究中，研究人员提出了一种基于电致发光（EL）图像和Sugeno型自适应神经模糊推理系统（ANFIS）的无损图像方法，用于估计晶体硅光伏电池的Rs。使用归一化灰度直方图描述符处理了666张EL图像的数据集，并从I-V特性中获得了参考Rs值。三个对应于低、中、高像素强度分数的全局辐射测量描述符被用作模型输入。ANFIS模型实现了高预测性能，测试集均方根误差（RMSE）为0.0065 Ω，决定系数（R2）大于0.98。这些结果表明，全局EL强度分布包含与电阻损耗相关的信息。然而，在实地部署之前，需要进一步在不同采集条件下并使用独立数据集进行验证。所提出的方法提供了一个紧凑且可解释的框架，用于基于电致发光成像的快速光伏电池筛选，补充了受控实验室条件下的传统电学特性表征。

**论文解读：基于电致发光成像与自适应神经模糊推理系统评估光伏电池串联电阻**

**研究背景与问题**
在光伏（PV）技术快速发展的背景下，串联电阻（Rs）作为限制电池性能的核心参数，直接影响功率耗散、填充因子和转换效率。传统基于电流-电压（I-V）曲线的Rs估计方法虽准确可靠，但需直接电接触和受控测试条件，不适用于大规模现场诊断，且会中断系统发电。电致发光（EL）成像作为一种无损检测技术，可揭示电池内部电学与复合现象，但现有方法通常需多张偏压依赖图像或复杂深度学习模型，缺乏可解释性和高效性。因此，本研究旨在开发一种基于EL图像灰度直方图特征的无损方法，利用自适应神经模糊推理系统（ANFIS）估计全局Rs，以兼顾预测精度与规则透明性，填补传统电学方法与黑箱数据驱动方法之间的空白。

**研究内容与结论**
研究人员收集了666张晶体硅（单晶与多晶）光伏电池的EL图像（约40%单晶，60%多晶），并在受控实验室条件下（25°C，注入电流为短路电流Isc）同步获取I-V曲线。通过倒数斜率法在开路电压（Voc）附近提取参考Rs值（±0.005 Ω不确定度），并采用Savitzky-Golay滤波平滑数据。从EL图像中提取三个归一化灰度直方图描述符——低强度（0-0.35）、中强度（0.35-0.70）和高强度（0.70-1.00）像素比例，作为ANFIS输入。模型采用零阶Sugeno型五层架构，包含45个可调参数（18个前提参数和27个结论参数），通过混合学习算法（最小二乘与梯度下降）训练，数据集按固定60/20/20比例划分（400训练、133验证、133测试）。结果表明，ANFIS模型预测性能优异，测试集RMSE为0.0065 Ω，R² > 0.98，MAPE < 2%。与线性回归、支持向量回归和梯度提升回归相比，ANFIS在各项指标上均表现最优。物理验证表明，预测Rs与实验I-V曲线斜率高度一致（如TC1、TC2、TC3三例，Rs分别为0.014、0.025、0.123 Ω）。推理曲面分析进一步揭示了直方图特征与Rs之间的非线性物理关系。研究意义在于：提供了一种紧凑、可解释且计算高效的无损筛选框架，可减少对全I-V表征的依赖，但需在不同采集条件和独立数据集下进一步验证。

**关键技术与方法**
1. **EL图像采集**：使用Hamamatsu InGaAs相机（C12741-03）在短波红外波段（~1100 nm）采集，暗箱热稳定，温度25±1°C，注入电流设定为Isc。
2. **参考Rs提取**：通过Keithley 2400源测量单元记录I-V曲线，采用Savitzky-Golay滤波（二阶多项式，窗口11点）平滑，在Voc附近计算dV/dI倒数斜率，获得参考Rs。
3. **灰度直方图特征**：将每个EL图像归一化至[0,1]，基于统计阈值（0.35和0.70）分为低、中、高三个强度区间，计算各区间像素比例，形成三个无量纲特征。
4. **ANFIS模型**：零阶Sugeno型，三个输入各用三个高斯隶属函数，共27条模糊规则，45个可调参数，混合学习算法训练，60/20/20数据分割，650个epoch。
样本队列来源：666张EL图像来自之前实验数据与本次新采集，涵盖单晶与多晶硅电池，Rs范围约0.01–0.15 Ω。

**研究结果**
**3.1 ANFIS模型性能**
模型包含78个结构节点和45个可调参数（18个前提参数+27个结论参数）。训练400、验证133、测试133个样本，经650个epoch混合优化后，预测值与参考值在训练、验证和测试集上均紧密对齐，表明灰度直方图特征与Rs存在强相关性。

**3.2 评价指标**
测试集RMSE为0.0065 Ω，训练RMSE为0.0049 Ω，验证RMSE为0.0059 Ω；训练R² > 0.985，测试R² > 0.98；MAPE < 2%。表明三个直方图描述符足以高精度预测电阻损耗。

**3.3 对比性能评估**
与线性回归、支持向量回归（RBF核，C=10, γ=0.1, ε=0.01）和梯度提升回归（200估计器，学习率0.1，最大深度5）相比，ANFIS在所有指标上最优，测试RMSE最低（0.0065 Ω），R²最高（>0.98），证实神经模糊架构在捕捉非线性关系上的优势。

**讨论与结论**
**讨论总结**：预测性能验证了全局EL强度分布编码了载流子传输效率信息，灰度直方图特征虽不保留空间缺陷拓扑，但足以估计全局Rs。物理验证通过三例代表性电池的I-V曲线（TC1、TC2、TC3）证实了模型预测与实验电学行为的一致性。推理曲面分析表明，模型学习到的规则与物理预期一致：高比例黑像素（低强度）对应高Rs，高比例白像素（高强度）指示低Rs。与现有方法比较，该框架兼具可解释性（规则透明）和计算效率，优于黑箱深度学习模型。局限性包括：特征为全局直方图，缺乏空间信息；模型仅基于实验室条件训练，未在异质采集环境或PERC、HJT、TOPCon等新型电池结构上验证；数据集规模有限且未进行k折交叉验证；参考Rs提取存在±0.005 Ω不确定度。未来可探索集成卷积神经网络（CNN）进行空间特征提取，结合ANFIS增强精度与可解释性。
**结论翻译**：本研究证明了使用电致发光衍生直方图特征和可解释的ANFIS回归模型估计晶体硅光伏电池全局串联电阻的可行性。结果表明，全局EL强度分布包含与电阻损耗和载流子传输限制相关的信息，在受控实验室条件下，666张图像的数据集上实现了高预测精度（测试RMSE = 0.0065 Ω，R² > 0.98）。然而，未来需使用独立数据集和额外光伏技术进行验证，以评估该框架的工业适用性。所提出的方法可作为受控实验室条件下电致发光成像的快速无损补充工具，减少筛选应用中重复全I-V表征的需求，但应被视为补充而非替代诊断方法。