退役光伏组件二次利用鉴定中的数据驱动I-V分析方法

《Solar Energy Materials and Solar Cells》：Data driven I-V analysis for qualification of decommissioned PV modules for second life deployment

　　

摘要：退役光伏（PV）组件的再利用需要可扩展的筛选方法，以同时评估其性能与安全性。当前实践主要依赖电流-电压（I-V）曲线分析，并通常辅以目视检查和电致发光（EL）成像，然而这些方法在多大程度上能够捕获与绝缘电阻相关的退化仍不明确。本研究提出了一种定量、两阶段的基于I-V的筛选框架，应用于包含3749块组件的大型多样化数据集，该数据集涵盖100多家制造商，并辅以采用IEC 61215“湿漏电”（WL）方法进行的1963项绝缘电阻测量。这种自动化、数据驱动的方法引入了明确且可复现的验收标准，相比人工筛选提高了透明度和一致性，同时能够估算剩余使用寿命（RUL）作为剩余服务价值的指标。敏感性分析表明，筛选结果强烈依赖于阈值选择，尤其是最小填充因子（FF）标准。此外，人工EL分类被评估为结构退化的补充指标。与WL结果的比较表明，约14%通过I-V与EL联合筛选的组件未能通过绝缘电阻测试，这与仅采用I-V或仅采用EL方法时的观察结果一致。这些发现表明，通过I-V测量的电性能与通过EL分析检测的结构缺陷与绝缘电阻结果仅呈弱相关，而绝缘电阻同时影响运行可靠性和电气安全。因此，尽管I-V分析和EL成像可支撑基于性能的可扩展组件再利用筛选方法，但它们不足以作为独立的鉴定工具。

**退役光伏组件二次利用鉴定中的数据驱动I-V分析：研究解读**

**一、研究背景与问题提出**

过去二十年间，光伏（PV）系统部署的快速增长导致退役组件进入废物流的数量持续攀升。部分组件因长期退化而达到寿命终点，但越来越多的组件因系统升级和公用事业规模电站的再供电而被提前拆除。相关报告显示，在澳大利亚，高达30%的退役组件在达到标称设计寿命之前即被移除，其中许多组件在运行不足10年后即告退役。因此，大量退役组件仍保有可观的剩余使用寿命，二次利用成为延长服务寿命、保留蕴含能量、避免过早更换、减少原材料需求以及推迟回收或处置要求的有效策略。

大规模组件再利用面临的关键技术障碍在于缺乏可靠、可扩展的旧组件状态评估方法。再利用流程通常依赖电流-电压（I-V）测量，因其能够快速评估并捕获组件性能的多项指标。然而，尽管I-V测量适用于高通量筛选，实际中I-V曲线的解读往往依赖人工操作，导致组件分类不一致和再利用决策的不确定性。电致发光（EL）成像等附加诊断技术虽能提供电池缺陷的空间分辨信息，但其与安全关键失效模式的相关性尚不明确。特别值得关注的是绝缘完整性——这一影响运行可靠性和电气安全的关键因素，却常被忽视。绝缘退化、湿气侵入和漏电路径可能导致危险运行状况，即使组件表现出可接受的电气性能。IEC标准中定义的湿漏电（WL）测试虽能全面评估绝缘完整性，但耗时且资源密集，限制了其在高通量筛选中的适用性。

本研究旨在开发并应用一种定量、两阶段的I-V筛选框架，以解决上述问题。具体目标包括：(i)评估自动化I-V筛选相对人工方法的一致性和稳健性；(ii)确定I-V和EL诊断在多大程度上能够预测WL测试所测得的绝缘完整性结果。

**二、研究内容与数据集**

研究人员通过澳大利亚智能能源委员会的昆士兰太阳能板回收计划，收集了4153块退役光伏组件，涵盖100多个组件品牌，额定功率范围160W至370W，反映了实际退役流中遇到的多样性。其中3749块组件具有适合详细分析的I-V数据集，3679块具有匹配的EL数据，1963块组件接受了IEC 61215湿漏电方法测试。测量活动于2024年12月至2025年6月间在布里斯班的Pan Pacific Recycling进行，共18个测试日，平均每天处理约230块组件。I-V测量在约0.5个太阳辐照度的人工照明条件下进行，并通过简化的辐照度修正转换为约1000 W m^?2条件。

**三、主要技术方法**

本研究采用两阶段I-V筛选框架。第一阶段作为粗过滤器，通过检测子串失配、非二极管行为、早期电流塌陷和陡峭低压斜率等特征，快速拒绝明显缺陷的组件。第二阶段对通过第一阶段的组件进行定量评估，提取填充因子（FF）、串联电阻（R_s）和并联电阻（R_sh）等关键参数，并结合组件退化估计。此外，研究引入了剩余使用寿命（RUL）作为定量指标，基于观测退化、假设设计寿命和寿命终点最大可接受退化阈值进行估算。同时，采用两阶段分层EL分类方案，通过均匀性评分S₁和类内缺陷严重程度评分S₂构建综合EL评分。研究还进行了蒙特卡洛敏感性分析，在10,000次模拟中随机采样阈值参数，评估筛选框架对阈值选择的稳健性。

**四、研究结果**

**4.1 自动化与人工筛选结果比较**

人工筛选的总通过率为56.7%，自动化筛选为58.1%，两者总体相似。然而，人工筛选接受的组件覆盖更宽的退化范围，尤其在较高估计退化水平上。混淆矩阵显示，9.8%通过自动化筛选的组件未通过人工筛选，而10.2%未通过自动化筛选的组件通过人工筛选，分歧率大致平衡。自动化筛选的主要优势在于应用明确且可复现的阈值，提高模块鉴定的透明度和一致性。在所有自动化拒绝中，低填充因子是最常见的拒绝原因，其次是高估计退化和子串失配。

**4.2 剩余使用寿命分布**

通过第二阶段筛选的组件中，剩余使用寿命的中位数为12年。组件年龄中位数为13年，两者结合表明总服务寿命约为25年。值得注意的是，17.2%的通过组件表现出较低RUL（≤5年），表明仅通过I-V标准并不能保证经济可行性。

**4.3 I-V指标与湿漏电结果对比**

在1963块接受WL测试的组件中，14.4%通过I-V筛选但未通过WL测试。对于通过WL测试的组件，I-V通过和I-V失败组件的绝缘电阻分布非常相似，表明I-V分类与绝缘电阻之间关系甚微。WL失败并不局限于边缘案例，通常表现出显著降低的绝缘电阻。相反，超过90%通过WL测试的组件未通过第二阶段I-V筛选，表明绝缘合规并不意味可接受的性能。

**4.4 电致发光成像分析**

结合I-V和EL筛选时，仅0.6%通过自动化筛选的组件未通过人工评估，而人工筛选通过29.0%未通过数据驱动标准的组件。这表明结合I-V和EL筛选提高了基于性能筛选的可靠性。然而，I-V与EL联合方法仍有15.1%通过性能筛选但未通过WL测试的组件，与仅I-V分析(14.4%)和仅EL分类的结果非常相似，表明EL信息并未实质性改善绝缘相关失效模式的预测。

**五、讨论与结论**

本研究表明I-V分析、EL成像和WL测试评估了组件条件根本不同的方面。I-V分析提供电性能的稳健度量，EL成像捕获空间和结构缺陷，而WL测试直接评估电气绝缘完整性。I-V与EL筛选结果与WL结果之间的弱相关性表明，性能和绝缘电阻代表组件条件的很大程度上正交的维度。EL成像通过揭示可能尚未表现为可测量性能退化的结构缺陷，为I-V分析提供补充信息；然而，两种方法均不能可靠地改善绝缘失效的预测。

研究局限性包括：退化和RUL估计依赖简化假设；EL分类基于人工目视评估，存在潜在变异性。未来工作可探索自动化图像分析技术以提高可复现性。

研究结论明确指出：I-V和EL分析可支撑可扩展的性能筛选，但专用绝缘测试对于安全鉴定仍然不可或缺。将退役前目视检查和红外热成像等现场级诊断纳入评估，是否能显著减少通过I-V或EL筛选但未通过WL测试的组件比例，仍需进一步研究加以验证。