2 minute read

trainiertes neuronales Netzwerk

3.1 Parameterextraktion von Silizium-Solarzellen durch ein mit simulierten Daten trainiertes neuronales Netzwerk

Simulationen können die Optimierung von Solarzellen unterstützen, indem sie wichtige Zelleigenschaften vorhersagen. Zu diesem Zweck haben wir ein neuronales Netzwerk (NN) mit simulierten Elektrolumineszenz (EL)-Bildern trainiert und anschliessend die vorhergesagten Parameter mit einer EL-Messung einer Silizium-Solarzelle mit einem absichtlich eigebauten Defekt validiert.

Advertisement

Mitwirkende: M. Battaglia, E. Comi, E. Knapp, B. Ruhstaller Partner: Fluxim AG Finanzierung: Innosuisse Dauer: 2019–2021

Im AIPV-Projekt arbeitet das ICP mit der Fluxim AG zusammen, die Simulationssoftware und Messhardware für die Industrie und den akademischen Bereich anbietet. Eine der kommerziell verfügbaren Softwares ist Laoss, die für Simulationen von grossflächigen Solarzellen und OLEDs verwendet wird, bei denen die oberen und unteren Elektroden auf 2D-Domänen reduziert und mit einer lokalen IV-Kurve gekoppelt sind. In diesem Projekt wollen wir herausfinden, ob die manuelle Anpassung von Zellparametern durch maschinelles Lernen ersetzt werden kann. Zu diesem Zweck haben wir ein NN mit einem Trainingsset von 150'000 EL-Bildern trainiert, die in Laoss simuliert wurden. Das erfolgreiche Training von neuronalen Netzen erfordert eine grosse Menge an Daten. Aus diesem Grund sind synthetische Daten aus Simulationen für diesen Zweck ideal geeignet, da sie in grossen Mengen inklusive Parametervariationen erzeugt werden können. Bei den simulierten Trainingsdaten muss jedoch sichergestellt werden, dass die Eigenschaften einer real gemessenen Zelle sorgfältig nachmodelliert werden, um die Übertragbarkeit des NN für eine genaue Vorhersage der Zellparameter zu gewährleisten. Die simulierte Zelle bestand aus einem Shunt, einer aktiven Zellfläche und mehreren gut leitenden Metallfingern. Die gewünschten Parameter aus diesen drei Subdomains (Innenwiderstand, Schichtwiderstand und Dunkelsättigungsstrom) wurden für das Training des NNs zufällig variiert. Abbildung 1 a) zeigt die EL-Messung einer geshunteten Siliziumzelle und das simulierte EL-Bild ist in Abbildung 1 b) dargestellt. Das gemessene EL-Bild wurde dann verwendet, um die Zellparameter der drei Subdomains zu bestimmen. Die Zelle wurde anschliessend mit diesen Parametern erneut simuliert und mit der Messung verglichen. Dies ist in Abbildung 1 c) anhand eines horizontalen Querschnitts im Bereich des Shunts und des Vergleichs der Sperrschichtspannung dargestellt. Diese Ergebnisse zeigen, dass es möglich ist, mit einem neuronalen Netz, das mit synthetischen Bilddaten trainiert wurde, Zellparameter zu bestimmen.

Abbildung 1: Gemessenes (a) und mit Laoss simuliertes (b) EL-Bild einer Silizium-Solarzelle mit einem absichtlich eingebauten Shunt und Metallfingern (vertikale Linien) sowie einem horizontalen Querschnitt der resultierenden Sperrschichtspannung, wenn das Gerät mit den vorhergesagten Parametern aus dem NN, trainiert mit zwei verschiedenen Trainingssätzen, erneut simuliert wird (c).

This article is from: