基于多维EL成像的光伏组件像素级电学参数表征方法及系统与流程
本发明属于光伏发电与半导体器件检测,尤其是涉及基于多维el成像的光伏组件像素级电学参数表征方法及系统。
背景技术:
1、随着光伏产业从追求规模扩张向追求质量效益转型,光伏组件的可靠性检测与精细化性能评估变得愈发重要。电致发光成像技术作为一种无损检测手段,因其能够直观显示晶体硅电池内部的隐裂、断栅、烧结缺陷等问题,已广泛应用于组件生产下线检测及电站现场运维中。然而,现有的商用电致发光检测系统及光伏组件表征方法仍存在显著的技术局限性。
2、传统的电致发光检测通常仅在单一的高输入电流水平下采集图像,例如短路电流或其倍数。这种单帧图像虽然能够通过明暗对比定性地显示严重的欧姆接触不良即串联电阻偏大或明显的晶体缺陷,但无法揭示仅在低输入水平下才显著的复合中心,例如空间电荷区复合。此外,高电流输入容易导致焦耳热效应,引起电池温度漂移,从而干扰对温度敏感的暗饱和电流的测量精度。
3、现有技术是将电致发光图像视为普通的灰度照片,依赖人工经验或基于卷积神经网络的计算机视觉算法进行外观缺陷识别。然而,这种视觉识别无法回答物理问题,即该裂纹是否切断了电流路径,是否导致了严重的功率衰减。现有的电流电压测试仪虽然能测出组件整体的功率曲线,但其获得的是全组件六十片或七十二片电池的集总参数,无法将性能损失精确解耦到单个电池片甚至单个像素点。
4、现有的缺陷检测方案通常是纯数据驱动的人工智能模型,缺乏半导体物理机制的支撑。例如,人工智能可能会将不影响电性能的表面浅层划痕误报为严重缺陷,或者漏报外观不明显但电学复合严重的隐性缺陷,如电位诱导效应早期的漏电。同时,传统的双二极管模型参数提取算法在处理全电压范围数据时,常因高压区大电流数据的权重过大,导致对低压区微弱复合信号的拟合失效,难以准确提取反映电池本质质量的参数。
5、绝大多数电致发光系统仅关注正向偏置下的发光特性,而忽略了组件在反向偏置下的击穿行为。实际上,局部反向击穿电压的降低是导致组件在遮挡条件下产生热斑效应的主要原因。缺乏对反向电学特性的空间成像表征,使得现有技术难以预测组件在实际运行中的热失控风险。
6、综上所述,业界亟需一种能够将微观物理机制与宏观图像特征深度耦合的检测技术。具体而言,需要一种能够从多维电致发光图像序列中重构出像素级全象限电流电压曲线,并基于此实现缺陷精准定位、机理溯源及功率损耗量化的新型表征系统和方法。
技术实现思路
1、有鉴于此,本发明旨在提出基于多维el成像的光伏组件像素级电学参数表征方法及系统,以解决如下技术问题:
2、1.解决现有检测技术仅能在单一高输入电流下进行定性成像,无法获取组件内部局部电池片乃至像素级的独立电学参数,且难以量化缺陷对功率损耗影响的问题。
3、2.解决传统参数提取算法在处理全电压范围数据时,因高压区大电流数据主导而导致低压区微弱复合信号拟合失效,无法准确提取反映电池本质质量的复合电流参数,从而难以检测出早期隐性缺陷(如电位诱导衰减初期、微细隐裂)的问题。
4、3.解决现有检测系统忽略组件反向偏置特性,无法在组件出厂前识别出反向耐压不足的微观区域,进而无法预测组件在实际运行中热斑风险的问题。
5、4.解决纯人工智能视觉检测缺乏物理机制支撑导致误报率高,以及纯物理模型计算量过大难以实现工业化快速检测的问题。
6、为达到上述目的,本发明的技术方案是这样实现的:
7、本发明提供了基于多维el成像的光伏组件像素级电学参数表征系统,包括多模式精密激励子系统、多光谱高保真成像子系统、环境屏蔽与接触子系统以及主控与边缘计算子系统。
8、所述多模式精密激励子系统包括四象限源测量单元和序列脉冲发生器,所述序列脉冲发生器用于控制所述四象限源测量单元输出非连续的阶梯式脉冲波形;
9、所述多光谱高保真成像子系统包括深度制冷型相机和自动滤光轮,所述自动滤光轮装载有全通片和长波通滤光片;
10、所述环境屏蔽与接触子系统包括全遮光暗室和四探针接触平台,所述四探针接触平台采用开尔文四线法连接待测光伏组件;
11、所述主控与边缘计算子系统包括时序同步控制器和高速图像采集接口卡,所述时序同步控制器通过硬件触发线连接所述四象限源测量单元与所述深度制冷型相机,以实现电流输入与图像曝光的同步控制。
12、进一步的,所述四探针接触平台将激励回路与电压测量回路物理分离;所述激励回路承载大电流输入,所述电压测量回路独立于所述激励回路,直接从组件汇流带根部采样电压;由于所述电压测量回路输入阻抗极高,流经的电流为零,测得的电压即为组件真实的端口电压,以消除外部线缆电阻和接触电阻的误差。
13、基于同一方面构思,本发明提供了基于多维el成像的光伏组件像素级电学参数表征方法,包括以下步骤:
14、步骤s1,多维数据序列采集与预处理:采用脉冲式扫描策略采集多帧电致发光图像序列,并进行暗电流扣除、几何校正和配准;
15、步骤s2,缺陷区域智能定位:利用语义分割网络对高输入水平下的电致发光图像进行处理,输出缺陷区域的掩模,并为后续物理参数提取生成初值约束条件;
16、步骤s3,局部发光动力学分析与虚拟探针重构:基于光电互易原理构建发光强度与局部pn结电压的动力学方程,提取分布式串联电阻及局部理想因子;
17、步骤s4,基于分布式模型的电压空间反演:计算每个像素点的宏观电压降和微观分布式压降,推算像素点pn结两端的真实结电压,并进行热漂移补偿;
18、步骤s5,分区加权参数提取:构建空间化双二极管物理模型,将电压数据序列划分为不同特征区间,构建分段加权目标函数并求解物理参数;
19、步骤s6,物理参数图谱生成与诊断:将物理参数矩阵转化为串联电阻图谱、复合电流密度图谱和局部反向击穿电压图谱,并计算功率损耗密度;
20、步骤s7,反向击穿风险评估与综合报告:根据发光强度随反向电压的变化曲线形态特征对像素点进行分类,判定局部击穿电压并生成诊断报告。
21、进一步的,在所述步骤s1中,所述脉冲式扫描策略具体为:在低电流输入阶段,设定较长的曝光时间以累积光子;在高电流输入阶段,自动缩短曝光时间以防像素饱和;在每个脉冲间隔,所述四象限源测量单元输出归零,使组件散热恢复热平衡。
22、进一步的,在所述步骤s3中,所述动力学方程为:
23、;
24、其中,为像素坐标x,y处的发光强度,为光电校准系数矩阵,q为电子电荷量,为局部pn结电压,为玻尔兹曼常数,t为绝对温度;
25、在强电流输入阶段,结合局部结电压与外部端电压的关系式,对多帧图像序列执行对数线性回归分析,通过拟合直线的斜率提取分布式串联电阻。
26、进一步的,在所述步骤s4中,像素i,j的结电压计算公式为:
27、;
28、其中,为第k次测量下像素i,j的结电压,为宏观平均端电压,为宏观电压降,为微观分布式压降;
29、所述宏观电压降由互连条和接线盒引线引起,所述微观分布式压降由细栅线和发射极引起。
30、进一步的,在所述步骤s5中,所述隐式双二极管方程为:
31、;
32、其中,j为电流密度,为光生电流,为扩散饱和电流,为复合饱和电流,为串联电阻,为并联电阻,v为电压,为理想因子,为热电压;
33、所述分段加权目标函数为:
34、;
35、其中,f(p)为目标函数,p为参数向量,为动态权重系数,为测量电流,为计算电流,为防止除零的微小量;所述动态权重系数在复合主导区赋予高权重,在电阻主导区赋予低权重。
36、进一步的,在所述步骤s7中,系统设定光强噪声阈值,当发光强度首次突破该阈值时,对应的电压定义为局部击穿电压:
37、;
38、其中,为局部击穿电压,为发光强度对电压的一阶导数,为噪声阈值;
39、若该像素的局部击穿电压小于旁路二极管的保护电压,系统将此特征标记为高危截断点。
40、相对于现有技术,本发明所述的基于多维el成像的光伏组件像素级电学参数表征方法及系统具有以下优势:
41、1.实现了从定性外观检测向像素级定量电学测量的跨越。本发明通过虚拟探针技术,在不破坏组件封装的前提下,无损重构出组件内部每个像素点的全象限电流-电压特性曲线。这使得对隐裂、断栅等缺陷的评估从传统的视觉描述提升为电学参数量化,能够精确计算出缺陷导致的电阻增加量和功率损失值,为组件的精细化分选和工艺优化提供了明确的数据支撑。
42、2.显著提升了微弱隐性缺陷的检测灵敏度。本发明采用分区加权遗传算法,针对光伏电池电流-电压特性的非线性特征,在低压复合主导区赋予极高权重,强制算法优先拟合微弱信号。这有效克服了传统算法中大电流数据掩盖小电流特征的缺陷,成功实现了串联电阻与复合电流的解耦提取,能够在组件功率尚未明显下降时,精准捕捉到由电位诱导衰减初期或微细隐裂引起的极微弱漏电流变化。
43、3.填补了潜在热斑风险预判的技术空白。本发明引入反向偏置电致发光成像机制,建立了反向发光强度与局部击穿电压的映射关系。能够在组件出厂前,直接识别出那些正向测试正常但反向耐压极差的微观区域,精准预测其在阴影遮挡条件下产生热斑并引发火灾的风险,从源头上提升了光伏组件的全生命周期安全性。
44、4.消除了环境及硬件引入的系统误差,保证了物理反演的边界条件精度。本发明采用阶梯式微秒脉冲激励架构,将单帧图像的采集热积累时间控制在毫秒级,彻底消除了焦耳热效应导致的温度漂移对物理参数提取的干扰;同时,采用开尔文四线法接触平台,将激励回路与电压测量回路物理隔离,消除了外部线缆及接触电阻引入的虚假压降,为像素级电压空间反演提供了高精度的边界条件。
45、5.兼顾了检测速度与准确度,显著降低了生产线的误判率。本发明提出了ai视觉感知与半导体物理模型深度耦合的闭环架构。利用ai快速分割缺陷区域以缩小物理算法的搜索空间,大幅缩减计算时间;再利用物理模型计算出的参数图谱对ai识别结果进行逻辑校验,有效避免了将表面划痕等无电学影响的伪缺陷误判为严重缺陷,在实现分钟级快速出图的同时,保证了极低的误报率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com