一张发光图测光伏组件功率损失，误差约0.5%
浙江大学兰东辰团队在 Matter & Light 发表研究（被选为10月刊封面）：先用轻量级 AI 模型从单张发光图像判断组件衰减的主导机制——缺陷复合损失或寄生电阻损失，再由器件物理模型反推局部电学行为与功率损失分布。团队在约 300 块来自不同批次和运行环境的现场回收晶硅组件上验证，重建最大功率与实验室标准电流电压测试结果相比总体误差约 0.5%。研究还在一个 186 千瓦、342 块组件的实际电站夜间用无人机搭载相机采集图像，代表性区域 24 块组件平均功率损失 7.53%，个别严重衰减电池区域损失约 25%。团队表示下一步关注将该方法用于电站日常运维检测，论文称该思路可扩展到钙钛矿与叠层组件，但需重新设计与验证。
报道指出，此前发光成像定量分析需在不同工作条件下拍摄多张图像，对大型电站而言测量负担限制了检测效率与覆盖面积；该研究以单张图像完成定量分析作为应对方向。
预测高达 300 块光伏组件的输出功率，总体误差仅有 0.5%。这个数字来自浙江大学兰东辰教授团队发表在 Matter & Light 上的研究。他们仅凭一张发光图像，就能对光伏组件内部功率损失做定量分析，并在实际光伏电站通过无人机采集图像做了验证，相关论文被选为 Matter & Light 期刊 10 月刊封面。
此前，使用发光成像做定量分析的时候，需要在不同工作条件之下拍摄多张图像。对于大型电站来讲，这种测量负担限制了检测效率以及覆盖面积。该团队告诉 DeepTech，他们的方法是先识别出组件的主导衰减机制，然后再用器件物理模型反推功率损失分布，这样一来一张图像就够了。
具体来说，他们先是让一个轻量级的 AI 模型看一张发光图像，借此判断这块组件衰减主要由哪类机制主导。光伏组件衰减依据其本质大致能被归为两类，第一类是电荷在器件内通过缺陷复合损失掉了，第二类是电流传输过程中因寄生电阻而损失。这两类损失机制在图像上呈现的空间图案存在区别，仅凭人工经验或轻量级 AI 可以识别出主导的是哪一类。
#Zhejiang University#Matter & Light#Dongchen Lan#Quantitative Energy (Nanjing)#University of New South Wales