浙大团队用无人机单张发光图定量光伏组件功率损失，300 块组件验证误差仅 0.5%
无人机拍一张发光图，就能知道光伏电站每块电池的损失，误差仅0.5%
浙江大学兰东辰团队提出用轻量级 AI 识别光伏组件主导衰减机制、再由器件物理模型反推功率损失分布的方法，仅需一张发光图像即可完成定量分析。在 300 块现场回收的晶体硅组件上，重建功率与实测功率总体误差约 0.5%，成果被选为 Matter & Light 期刊 10 月刊封面。
原创 胡巍巍 2026-10-19 11:01 北京
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。
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。
这个判断能够给后面的物理模型提供约束条件。在知道组件主要是哪类衰减之后，器件物理模型就可以从一张图像里，反推出来局部的电学行为和功率损失分布。功率的定量结果来自于物理模型，AI 只需负责识别主导衰减类型，完全不需要大量训练数据来学习定量预测。
如前所述，该团队在 300 块从现场回收的晶体硅组件上做了验证。这些组件来自于不同的生产批次以及不同的运行环境，衰减模式和故障表现也都不一样。每一块组件在固定的注入电流下拍摄一张发光的图像，借此重建出来最大功率，然后再和实验室里的标准电流电压测试结果对比。测试结果显示，重建功率和实测功率总体误差仅 0.5% 左右。
这项成果的一个意外发现是，使用更少的图像反而可能能够提高定量准确性。多次拍摄需要图像之间的精确对齐和互相比较，而改变组件工作状态的时候，器件行为本身也会发生一些细微变化。通过采用单一固定工作点的测量方法，就能绕开这些额外的误差来源。该团队在交流中提到，他们原本只是想让检测更简单，结果发现简单的方法反而可能更准确。
图 | 论文封面（来源：Matter & Light）
他们还把此次方法带到了实际电站做测试。那是一个装机容量达到 186 千瓦的电站，里面安装了 342 块组件。他们在夜间使用无人机搭载相机的方式，在固定的注入电流之下去拍摄发光图像。
从拍摄出来的这一张图像中，通过功率损失可以解析到电池内部的细节。在一个代表性区域里面，24 块组件的平均功率损失为 7.53%，个别严重衰减的电池区域损失达到了 25% 左右。这些结果还能够被聚合到组件级别和组串级别，从而能够用来比较不同组串的衰减状况。研究中，他们选取了三个代表性组串。裂纹、线路断开、光致衰减等常见光伏组件衰减类型均可用此方法量化分析。
从应用的角度来看，这套方法的直接价值是提高光伏检测效率。传统方法必须多次拍摄和反复调整，此次新方法只需一次拍摄就能完成定量分析。对于大型电站而言，无人机一次飞行能够覆盖更大的面积，检测成本也会随之下降。
图 | 从左到右：浙江大学电气工程学院博士研究生彭定坤、博士生导师兰东辰（来源：论文作者）
该团队表示，下一步他们更关注如何把这套方法真正用于电站运维，比如定期给组件做检测等，从而可以了解每块组件到底损失了多少功率，以及这些损失是否会随着时间增加。预计这些数据能够帮助运维人员判断哪些组件需要优先维修或更换，也可以为电站长期的发电性能评估和运维决策提供更加可靠的数据。
与此同时，这套框架的适用性并不限于晶体硅组件。相关论文提到，同样的思路能被扩展到钙钛矿和叠层光伏组件，但由于不同技术的发光特性和衰减机制存在差异，因此需要重新设计和验证。
举个例子，钙钛矿组件和晶硅组件发出的光波长是不同的，这时就需要使用适合相应波段的相机。叠层组件的情况更加复杂，需要分别获取顶电池以及底电池的发光信号，还得考虑两层电池之间的电路连接方式。目前，该团队已经在实验室的钙钛矿光伏组件上做了初步验证。
从更宏观的视角来看，这项工作回应的其实是光伏产业规模扩大之后的一个基础问题。当前，全球光伏装机量已经超过太瓦级别，电站维护的效率和成本都会直接影响发电的经济性。发光成像本身不是一项新技术，它在在实验室和生产线上的应用已经比较成熟。而把这项技术从实验室和生产线推进到电站现场的大规模检测场景，则是这项研究希望解决的工程问题之一。
（来源：Matter & Light）
该团队并没有追求让 AI 直接去预测功率损失，实际上是让 AI 做了一件更简单的事，那就是让 AI 识别衰减类型，然后再把定量分析交给物理模型。这种分工的好处在于，定量结果存在明确的物理基础，无需依赖大量训练数据，也更加容易在不同组件类型和现场条件下实现迁移。
光伏电站的运维，说白了是一个和规模赛跑的问题。电站建得越大，需要检测的组件就越多，传统方法的成本也就越高。未来这种使用一张图像完成定量分析的方法，能否真正成为运维人员日常可用的工具，还取决于数据采集标准的建立、数据处理的自动化、无人机和计算终端的集成，以及分析结果是否可以接入现有的运维系统。等到这些工程问题解决之后，这项技术的价值将会从实验室的验证数据，变成可被电站现场采纳的决策依据。
如前所述，这项工作被选为 Matter & Light 期刊 10 月刊封面。论文的作者除了来自浙江大学之外，还有来自量化能源（南京）有限公司、浙江省光电功能材料与器件重点实验室，以及澳大利亚新南威尔士大学的合作者。
参考资料：
https://www.cell.com/matter-light/fulltext/S3117-5848(26)00140-7
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
来源：DeepTech深科技 · 微信公众号 · mp.weixin.qq.com