電致發光（EL）成像技術作為光伏電池缺陷檢測與性能評估的重要手段，目前主要基于實驗室暗室環境下獲取的高分辨率CMOS圖像進行模型開發與驗證。然而，隨著該技術在現場檢測中的推廣應用，實際應用中面臨著成像條件差異帶來的挑戰：現場檢測通常使用分辨率較低但對硅發光波段更敏感的InGaAs相機，且日光環境會引入背景輻照噪聲，這些因素對現有功率損失仿真模型準確性的影響尚未明確。美能PL/EL一體機測試儀的EL電致發光成像通過探針上電，可以分析電池的缺陷，尤其是電極和接觸異常，屬于接觸式測試，適合測試成品電池片。

本研究選取代表性分析模型bELMO與數據驅動模型DTU ML，通過設計對照實驗，采集包括完好與不同裂紋程度的電池樣本在多種成像條件下的EL圖像（涵蓋CMOS與InGaAs相機、暗室與不同輻照度日光環境），重點考察相機類型、圖像分辨率及日光噪聲對功率損失估算精度的影響。研究旨在明確現有模型在實際應用場景中的局限性，為EL技術從實驗室走向現場檢測的標準化提供關鍵依據。

電致發光（EL）成像技術的應用

Millennial Solar

不同成像條件下獲取的裂紋4主柵電池EL圖像及其對應直方圖

電致發光（EL）成像是光伏電池表征的核心技術之一。自該技術問世以來，其早期應用主要集中在黑暗實驗室；但近年來，隨著大型光伏電站運維需求的提升，EL 成像在日光現場檢測中的應用愈發廣泛。

EL圖像的核心用途有兩類：一是識別光伏電池及組件中的缺陷與退化問題，二是量化光伏電池的功率損失—— 具體而言，可將 EL 圖像轉換為“空間分辨的電池電壓與串聯電阻（Rs）分布圖”，再借助這些電參數圖實現電池與組件級別的功率輸出模擬。

在技術路徑上，目前主要分為兩類方法：

分析型方法：基于“發光強度與電壓的關聯關系”開發，可將 EL 強度轉換為圖像中每個像素的電壓值。對于含裂紋的電池，行業通常假設“退化主要影響串聯電阻”，因此可將電壓圖進一步轉換為Rs圖，再融入單二極管模型完成功率輸出模擬。

數據驅動型方法：即基于機器學習的模型，需依托大量“EL 圖像 - IV 曲線”配對數據集訓練，通過學習圖像特征與電性能的關聯，實現功率損失模擬。

然而，當前多數模型的開發、訓練和測試，均依賴“黑暗實驗室 + 高分辨率 CMOS 相機”獲取的 EL 圖像；但實際現場檢測中，常用的是低分辨率 InGaAs 相機（這類相機在硅材料的發射帶隙處靈敏度更高）。目前，相機探測器類型、分辨率差異對模型估算精度的影響，尚未得到明確驗證。

實驗設計

Millennial Solar

實驗配置與成像參數匯總

樣本設置：25個單晶硅電池樣本，涵蓋2-5主柵及背接觸結構，包含完好與不同裂紋程度樣本

圖像采集：

實驗室暗室：CMOS相機 vs InGaAs相機

戶外日光：低輻照度（<200W/m2）vs 高輻照度（>800W/m2）

分析方法：

bELMO模型：基于雙偏壓EL圖像生成串聯電阻分布圖

DTU ML模型：基于圖像標準差和裂紋面積比例進行預測

bELMO模型表現

Millennial Solar

bELMO模型生成的裂紋4主柵電池串聯電阻分布圖

bELMO模型仿真絕對誤差百分比分布（參考電池 vs 退化電池）

bELMO模型功率仿真誤差指標

對完好電池預測誤差<4%，與文獻一致

嚴重裂紋電池誤差最高達40%

InGaAs相機圖像中裂紋區域呈現更高串聯電阻值

日光條件（尤其高輻照度）導致誤差顯著增大

DTU機器學習模型表現

Millennial Solar

DTU機器學習模型仿真絕對誤差百分比分布（參考電池 vs 退化電池）

DTU機器學習模型功率仿真誤差指標

對完好電池預測準確，日光條件下表現更優

嚴重裂紋電池誤差明顯上升

相機分辨率變化影響較小

高輻照度條件下誤差離散度增大

討論與結論

Millennial Solar

各電池組別在bELMO與DTU ML模型下的平均絕對誤差百分比對比

參考電池與裂紋退化電池的I-V特性曲線對比

穩定性對比：bELMO在不同條件下表現更穩定，DTU ML在日光條件下誤差波動更大

關鍵發現：

圖像分辨率對兩類模型影響有限

日光噪聲是模型性能下降主因

復雜裂紋（伴隨串聯/旁路電阻同步退化）是現有模型的共同挑戰

改進方向：

分析模型需突破"純電阻退化"假設

機器學習模型需要擴充包含復雜退化模式的訓練數據

應用建議：現場檢測應重點考慮日光噪聲抑制措施，并對嚴重裂紋電池的功率損失估算保持謹慎

本研究通過系統評估分析模型bELMO與數據驅動模型DTU ML在不同成像條件下的性能表現，得出以下結論：兩種模型對輕微損傷電池均能保持較高預測精度，但在處理嚴重裂紋電池時誤差顯著增大；日光條件特別是高輻照度環境會明顯降低模型性能，其中bELMO表現出更好的整體穩定性。研究發現相機分辨率變化對兩類模型影響有限，而日光噪聲是導致性能下降的主要因素。特別值得注意的是，當電池裂紋伴隨串聯電阻和旁路電阻同時退化時，兩類模型均出現較大誤差，這暴露了分析模型基于"純電阻退化"假設的局限性，以及機器學習模型訓練數據覆蓋不足的問題。該研究為EL技術在現場檢測中的實際應用提供了重要依據，指出未來模型優化應著重提升對復雜退化模式的表征能力和日光環境的適應性。

美能PL/EL一體機測試儀

Millennial Solar

美能PL/EL一體機測試儀模擬太陽光照射鈣鈦礦太陽能電池片，均勻照亮整個樣品，并用專業的鏡頭采集光致發光（PL）信號，獲得PL成像；電致發光（EL）信號，獲得EL成像。通過圖像算法和軟件對捕獲的PL/EL成像進行處理和分析，并識別出PL/EL缺陷，根據其特征進行分析、分類、歸納等。

• EL/PL成像，500萬像素，實現多種成像精度切換
• 光譜響應范圍：400nm~1200nm
• PL光源：藍光（可定制光源尺寸、波長等)
• 多種缺陷識別分析(麻點、發暗、邊緣入侵等)可定制缺陷種類

美能PL/EL一體機測試儀對晶硅太陽能電池片內部的缺陷，如晶體缺陷、雜質等，進行高精度檢測從而幫助生產人員及時調整工藝參數，提高產品質量。

原文參考：Benchmarking Power Loss Simulation Models for Cracked Photovoltaic Cells Using Electroluminescence Images: The Effect of Daylight and Image Resolution