基于机器学习的硅异质结太阳能电池中氢致退化动力学
材料科学
2023-09-07 v1
摘要
在硅基太阳能电池中，异质结电池保持着世界效率纪录。然而，其市场接受度受限于开路电压每年初始 0.5% 的退化，这使电池整体退化率翻倍。本文研究了晶体硅/非晶硅:H 异质结叠层的性能退化。首先，我们实验测量了一年内的界面缺陷密度，其为退化的主要驱动因素。其次，我们开发了 SolDeg，一种多尺度分层模拟器，通过结合机器学习、分子动力学、密度泛函理论、微动弹性带方法与分析建模来分析该退化。我们发现移动氢的化学势形成梯度，迫使氢从界面漂移，留下复合活性缺陷。我们发现了计算所得与实验确定的缺陷生成动力学之间的定量对应。最后，我们提出了一种非晶硅:H 层的反向硅密度梯度结构，有望将初始开路电压退化从每年 0.5% 降至 0.1%。
引用
@article{arxiv.2309.02573,
title = {Hydrogen-induced degradation dynamics in silicon heterojunction solar cells via machine learning},
author = {Andrew Diggs and Zitong Zhao and Reza Vatan and Davis Unruh and Salman Manzoor and Mariana Bertoni and Stephen Goodnick and Gergely Zimanyi},
journal= {arXiv preprint arXiv:2309.02573},
year = {2023}
}