可解释的深度学习在SCAPS驱动的CuInSe太阳能电池传输层工程和热稳定性分析中的应用

《Solid State Communications》:Explainable deep learning for SCAPS-driven investigation of transport layer engineering and thermal stability analysis in CuInSe 2 solar cells

【字体: 大 中 小 】 时间:2026年09月30日 来源:Solid State Communications 2.8

编辑推荐:

  •Hybrid SCAPS–深度学习框架,用于建模和优化CuInSe2太阳能电池。 •提出了对ETL(电子传输层)、HTL(空穴传输层)、界面缺陷和温度效应的系统性优化方法。 •开发了可解释的深度学习方法,以识别影响光伏电池性能的关键参数。 •在现实条件下实现了高效率

  •Hybrid SCAPS–深度学习框架,用于建模和优化CuInSe2太阳能电池。
•提出了对ETL(电子传输层)、HTL(空穴传输层)、界面缺陷和温度效应的系统性优化方法。
•开发了可解释的深度学习方法,以识别影响光伏电池性能的关键参数。
•在现实条件下实现了高效率和改进的热稳定性。

**引言**
全球能源需求的持续增长以及缓解气候变化的紧迫性,推动了高效和环境可持续光伏技术的研究[[1], [2], [3]]。尽管晶体硅主导了商业市场,但薄膜太阳能电池具有显著优势,包括降低材料消耗、低温制造、轻量化配置以及与柔性基板的兼容性。在这方面,钙钛矿、CIGS(铜铟硒)和CZTS(铜锌锡)太阳能电池因其高效率潜力及可调的光电性能而受到广泛关注[[4], [5], [6], [7], [8], [9]]。然而,一些限制因素仍阻碍了它们的大规模部署和长期稳定性。例如,钙钛矿太阳能电池因其高效率、低制造成本和可调的光电性能而成为最有前景的光伏技术之一。钙钛矿材料通常采用ABX3晶体结构,其中A代表单价阳离子(如Cs+, MA+, FA+),B是二价金属阳离子(如Pb2+或Sn2+),X是卤化物阴离子(如Cl?, Br?或I?)。这种结构具有优异的性能,如可调的带隙(1.3–2.2?eV)、高吸收系数和长载流子扩散长度,从而奠定了其卓越的光伏性能基础。除了传统的ABX3结构外,还探索了其他钙钛矿结构以解决毒性和稳定性问题。特别是A3BX3空位有序钙钛矿和A2BB'X6双钙钛矿作为无铅且更稳定的替代品受到了关注。这些材料提高了化学稳定性并减少了环境影响,尽管在实现同等效率方面仍存在挑战。最近的研究重点集中在成分工程、缺陷钝化和界面优化上,以提升这些新兴钙钛矿系统的效率和长期稳定性[[4], [5], [6]]。尽管取得了快速进展,但热不稳定性、界面复合和可扩展性问题仍限制了钙钛矿太阳能电池的广泛应用。这些挑战突显了传输层工程和缺陷控制的重要性,这也是本文研究的CuInSe2太阳能电池性能优化的关键。基于CIGS的器件虽然高效,但涉及复杂的成分控制和使用稀有的昂贵元素(如镓和铟),这使得大规模制造变得复杂[7,8]。同样,CZTS太阳能电池提供了一种丰富且环保的替代方案;然而,其性能仍受到严重缺陷形成、次生相分离和显著的开路电压缺陷的限制[6,9]。相比之下,CuInSe2(CIS)因其简单的三元组成、出色的晶体质量及更可控的缺陷化学性质而成为有前景的吸收材料。此外,CIS具有约1.36?eV的直接带隙和超过105?cm?1的高光吸收系数,能够在非常薄的层中实现高效的光子吸收。其优异的辐射耐受性和良好的载流子传输性能也增强了器件的稳定性和可靠性。这些内在优势使CIS成为开发高性能和热稳定薄膜太阳能电池的理想候选材料,同时缓解了其他新兴光伏技术中的材料复杂性和缺陷相关问题[[10], [11], [12], [13]]。尽管钙钛矿、CIGS和CZTS光伏技术取得了快速进展,但与热不稳定性、缺陷引起的复合、材料复杂性和长期操作可靠性相关的问题仍限制了它们的大规模部署。这些限制突显了传输层工程、界面钝化和缺陷控制在薄膜太阳能电池中的重要性。在这种背景下,CuInSe2(CIS)因其简单的三元组成、有利的晶体质量和更可控的缺陷化学性质而成为有前景的吸收材料。此外,CIS具有约1.36?eV的直接带隙、超过105?cm?1的高光吸收系数以及出色的载流子传输性能,使其特别适合开发高效且热稳定的薄膜太阳能电池。这些内在优势激发了本文对CuInSe2基光伏器件中传输层优化、界面缺陷工程和热可靠性分析的研究。尽管具有这些内在优势,CuInSe2基太阳能电池的性能仍受到异质界面复合、非最佳带对齐和热激活缺陷状态的强烈限制[10]。在传统器件架构中,CdS被广泛用作电子传输层(ETL);然而,其毒性和导带不对齐可能导致界面复合损失[[13], [14], [15]]。同样,缺乏优化的空穴传输层(HTL)也会导致背面复合,从而限制开路电压(Voc)和填充因子(FF)。因此,传输层工程已成为提高器件效率和长期稳定性的关键策略。使用SCAPS-1D进行的最新仿真研究表明,仔细调整带偏移、缺陷密度和掺杂浓度对光伏性能有显著影响[[10], [11], [12], [13], [14]]。然而,大多数报道的研究采用传统的参数扫描方法,即独立变化每个参数。虽然这种方法提供了物理见解,但它没有量化相互作用设计变量的相对重要性,也无法进行大维度参数空间的预测建模。此外,对于高温下传输层选择和界面陷阱密度联合影响的关注有限,而这对于实际户外应用至关重要。在实际安装中,太阳能模块通常在接近70–80?°C的温度下运行[16]。高温会增加固有载流子浓度,增强Shockley–Read–Hall复合效应,缩小带隙,并加速缺陷激活。这些效应会降低Voc和整体光电转换效率(PCE)。因此,评估热稳定性不仅是一项学术任务,也是面向可靠性的器件设计的必要条件。然而,结合ETL/HTL工程和界面缺陷敏感性的系统温度依赖性比较分析在CuInSe2薄膜太阳能电池中仍然很少见。与基于物理的建模并行,深度学习技术最近在捕捉材料参数与器件输出之间的非线性关系方面表现出色。当在足够大的仿真数据集上训练时,深度神经网络可以准确预测光伏参数,同时大幅降低计算成本[[17], [18], [19]]。更重要的是,特征重要性分析有助于识别控制器件退化的主导物理机制。然而,将深度学习与SCAPS仿真结合用于CuInSe2太阳能电池的重要性评估和热可靠性分析的研究尚未得到充分探索。虽然有几项研究探讨了将SCAPS仿真与机器学习技术结合用于光伏优化,但大多数方法仅限于单温度分析、基于回归的预测或孤立参数扫描。相比之下,本研究提出了一个全面的、可解释的框架,同时考虑了传输层工程、界面缺陷敏感性和实际操作条件下的热可靠性。所提出的方法超越了传统的黑盒预测,通过结合特征重要性分析,实现了对控制器件性能的主导物理参数的定量识别。此外,采用基于分类的深度学习策略结合贝叶斯超参数优化来提高模型的鲁棒性和可解释性。重要的是,该研究提供了25?°C与80?°C的多温度比较分析,直接评估了热诱导的退化机制,这对CuInSe2太阳能电池来说仍是一个未被充分探索的领域。因此,这种集成且面向可靠性的方法代表了现有SCAPS–机器学习研究的重大进步。

**本工作概述**
在这项工作中,我们提出了一个混合SCAPS–深度学习框架,用于系统研究CuInSe2薄膜太阳能电池中的传输层工程、吸收层厚度和温度稳定性。所有层厚度均固定在其先前优化的值,以孤立材料选择、吸收层设计和界面属性对性能的影响,消除ETL、HTL和TCO的几何偏差。比较评估了三种电子传输层(WSe2、CdS和SnO2)和三种空穴传输层(SnS、Cu2O和Sb2S3),以评估带对齐质量、载流子选择性和复合行为。特别关注吸收层/ETL和吸收层/HTL结处的界面陷阱密度,这些因素已知会主导非辐射复合损失并限制开路电压。除了传统的参数扫描外,深度学习模型还在SCAPS生成的数据集上进行了训练,以捕捉非线性参数相互作用,并实现对设计变量的定量重要性排序。此外,在室温(25?°C)和高温(80?°C)下分析了器件性能,以分离热激活的退化机制并识别实际操作条件下的主导复合路径。所提出的方法为设计能在恶劣气候条件下稳定运行的坚固CuInSe2太阳能电池提供了可扩展和预测性的途径。

**章节摘要**
所研究的器件是由p型CuInSe2(CIS)吸收层组成的异质结构薄膜太阳能电池。基线配置遵循传统的基板架构:Glass/Mo/HTL/CuInSe2/ETL/TCO,其中钼(Mo)作为背接触,透明导电氧化物(TCO)作为前电极,如图1所示。CuInSe2吸收层具有约1.36?eV的直接带隙,负责光子吸收。

**CuInSe2太阳能电池的深度学习分析**
最近的研究表明,将SCAPS仿真与机器学习技术结合用于光伏优化具有潜力,特别是在钙钛矿太阳能电池中,其中系统地变化层厚度、掺杂浓度和缺陷密度等参数以预测器件性能。然而,大多数这些工作依赖于基于回归的模型,并且仅关注有限的参数空间或单温度条件。相比之下,本研究结合了SCAPS-1D数值仿真和可解释的深度学习技术,对CuInSe2薄膜太阳能电池进行了全面调查,以分析传输层工程和热可靠性。系统探索了不同的电子传输层(WSe2、CdS和SnO2)、空穴传输层(SnS、Cu2O和Sb2S3)、吸收层厚度和界面缺陷密度组合,在室温和高温(80?°C)下的表现。

**作者贡献声明**
F. Djeffal:撰写 – 审稿与编辑、撰写 – 原稿、验证、软件、方法论、调查、形式分析、概念化。
T. Berghout:撰写 – 原稿、验证、软件、调查、形式分析、数据管理。
S. Yahia:软件、调查、形式分析。
K. Kacha:撰写 – 原稿、软件、调查。

**利益冲突声明**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

F. Djeffal | T. Berghout | S. Yahia | K. Kacha
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号