创新的检测手段，让晶体硅光伏电池缺陷“无处可逃”

湖南大学电气与信息工程学院、长沙学院土木工程学院、武汉大学电气自动化学院、无损检测技术福建省高等学校重点实验室（福建师范大学福清分校）的研究人员杨瑞珍、杜博伦、何赟泽、黄守道、张宏，在《电工技术学报》上撰文（论文标题为“晶体硅光伏电池电磁感应激励红外热辐射缺陷检测与成像技术”）指出，晶体硅光伏电池中的缺陷会影响电池的效率和使用寿命，甚至会对并网运行的光伏发电系统造成严重损害。

本文旨在建立晶体硅光伏电池在电磁感应主动激励下的红外热成像缺陷检测方法，相比基于机器视觉的硅光伏电池表面缺陷检测方法，该方法具有检测灵敏度高、可发现内部缺陷、检测缺陷种类多等优势。

首先建立数字化电磁感应热成像检测系统，并在脉冲式和锁相式两种激励模式下获得了硅电池的热成像序列，采用傅里叶变换、独立分量分析（ICA）和主成分分析（PCA）等方法处理了热像图序列。*终实现了晶体硅光伏电池中热斑、裂纹、断栅、重掺杂等缺陷的可视化检测。

实验结果显示所提方法能很好地区分背景和缺陷，可为硅光伏电池的研发、测试、制造、服役和维修提供一种可靠、快速的检测手段。

随着全球气候变暖、环境污染的日益严重和化石能源的逐渐枯竭，寻找高效、实用的可再生绿色能源已成为亟待解决的问题。在我国能源转型目标的实现过程中，光伏发电具有*其重要的作用。光伏电池及组件作为光伏发电中*前端和*关键的一环，现已成为能源转型的关键设备和部件。光伏电池的质量直接影响着光伏组件的发光效率和安全运行。

随着我国光伏产业的快速成长，业界对光伏电池片的检测技术也提出了更高的要求。光伏电池在工作过程中，光伏电池及组件因为缺陷而严重影响光伏系统正常发电并降低光伏电池工作寿命，这些问题急需解决。

光伏电池缺陷的种类基本可以分为三类：硅片原材料阶段的污染、电池片成品生产过程中的损伤和电池组件的缺陷。硅片缺陷是指在硅片的定向凝固、切片、清洗包装等过程中的生成缺陷等；电池片制造缺陷是指在电池片的制绒、印刷、烧结等制造过程中产生的缺陷；电池组件缺陷是指在电*焊接、层压等组件制造过程中产生的缺陷，如裂纹、虚焊等。这些缺陷都对应着不同的红外热图像特征。

以晶体硅光伏电池为例，在原材料的生产过程中受到污染会出现黑芯片、暗晶粒片、滑移错位、重掺杂等缺陷；在晶体硅光伏电池生产制作过程会出现隐裂、刮痕、断栅、热斑、烧结异常等缺陷。

在成像系统方面，近几年热成像技术、深度学习和人工智能在电力及新能源行业故障检测的研究和应用逐渐增多。例如，机器视觉系统目前已经成熟应用于被动式的光伏电池及其组件的生产、服役过程的缺陷识别和检测定位。

八旋翼遥控飞机搭载热像仪对电池组件热斑故障进行在线检测，利用热像仪采集的缺陷处温度数据，经过算法处理，这套系统还可以实现对在役运行过程中的光伏电站进行被动式在线故障检测。

在检测手段方面，光伏电池缺陷检测技术随着现代物理学、光电学的发展取得了长足的进步。BolunDu综述了现有的硅基、薄膜、多结光伏电池检测技术，其中典型的光伏电池检测手段有：电参数测量、激光束诱导电流、暗锁相红外热成像、电致发光、激光太赫兹发射显微镜等。

现有的光伏电池缺陷检测方法的优缺点，这些方法基本都是被动式检测，相较之下，本文提出的主动式电磁激励的热成像技术则具有非接触、检测灵敏度高、空间分辨率高等优势，可以实现电池全局性能快速检测，也能实现电池细微缺陷检测。

因此，本文旨在建立基于主动式电磁激励红外辐射光伏电池缺陷检测方法，采用非接触电磁感应加热，得到更好的热辐射信息，利用FLIRA310热像仪采集缺陷处的温度场信息，采用快速傅里叶变换（FastFourierTransform,FFT）、主成分分析（PrincipalComponentAnalysis,PCA）、独立分量分析（IndependentComponentAnalysis,ICA）等算法，建立具备非接触、快速检测、高分辨率、高灵敏度、可检测内部缺陷的晶体硅光伏电池检测技术及系统，为光伏电池的性能测试、失效分析和损伤检测提供有效的理论和方法。

本文对比了电磁激励红外热辐射检测技术与现有常规光伏电池检测的优缺点，突出了主动式非接触感应加热的创新性，其具备快速检测、高分辨率、高灵敏度的优点。搭建了数字化电磁感应热成像检测系统，得到脉冲式和锁相式两种激励模式下的晶体硅光伏电池的热成像序列，利用FFT、PCA、ICA算法对热像图进行处理，在很大程度上消除了检测过程的背景噪声和干扰噪声，显著地提高了对缺陷检测的识别能力，实现了晶体硅光伏电池热斑、裂纹、断栅、重掺杂等缺陷的检测。数字化电磁感应热成像检测系统具有自动化程度高、准确度高、可定量分析等特点。

本文的局限性在于本系统目前在使用便捷性、功率损耗和成本上还不具优势。并且由于硅光伏电池表面的缺陷种类繁多，例如还包括油污、微粒、杂质等，本系统并没有对以上缺陷的检测、识别加以研究，因此希望在以后的工作中对这些缺陷进行快速、准确有效的检测。同时本文所提出的检测算法运行时间稍长，实时性方面还有待提高。

未来，随着光伏电池检测产业朝着智能化方向发展，红外机器视觉系统将更多地应用于光伏电池检测的快速缺陷定位和*缺陷测量领域，可以结合本实验系统实现生产线上硅光伏电池的自动可视化的在线检测与缺陷分类。