钙钛矿太阳能电池诊断方法 —— 适用方法详编

编制：覆水 (Fushui) | 夔嵬专属 | 2026-06-05 / 更新 2026-06-06

文献来源：CNKI 知网 9 篇核心中文论文 + WOS 86 篇英文论文（7 类关键词检索，2026-06-05 批量导出） 完整数据：G:\OpenClaw-Workspace\literature_survey\wos_final.json 方法论报告：G:\OpenClaw-Workspace\literature_survey\METHODOLOGY_REPORT.md

目录

1. EIS 电化学阻抗谱
2. TPC/TPV 瞬态光电流/光电压
3. PL/TRPL 稳态与时间分辨光致发光
4. SHAP 可解释性机器学习
5. PICTS/DLTS 深能级缺陷瞬态谱
6. 五法互证体系
7. 实施路线图
8. 参考文献来源

1. EIS 电化学阻抗谱

1.1 基本原理

对太阳能电池施加小幅交流电压扰动（典型幅度 10–20 mV），测量电流的幅值和相位响应，计算复数阻抗：

Z(ω) = Z’(ω) + j Z”(ω) = V_ac / I_ac · e^(jφ)

通过 Nyquist 图（Z’ vs −Z”）和 Bode 图（|Z| vs f, φ vs f），结合等效电路模型拟合，将器件的不同物理过程拆分为独立的 RC 元件。

1.2 等效电路模型

基础模型（适用于多数钙钛矿太阳能电池）：

         Rs         R1          R2
    ───/\/\/────┬──/\/\/───┬──/\/\/───
                │          │
               === C1     === C2
                │          │
    ────────────┴──────────┴─────────

Nyquist 图典型特征与诊断（ASCII 示意）：

-Im(Z) ↑
       │    ┌─────────────┐
       │    │ 高频半圆(小)  │  ← 界面电荷转移
       │    └──────┬───────┘
       │           │
       │  ┌──────────────────┐
       │  │  低频半圆(大)      │  ← 体相复合
       │  └──────────────────┘
       │
       └───────────────────────────→ Re(Z)
            Rs↑(截距)

诊断规则：

1.3 实验方案

测试设置：

频段-物理过程对应：

1.4 数据处理（Python 等效电路拟合）

import numpy as np
from scipy.optimize import curve_fit
 
def rc_parallel(R, C, f):
    """单个 RC 并联支路的阻抗"""
    omega = 2 * np.pi * f
    return R / (1 + 1j * omega * R * C)
 
def two_rc_model(f, Rs, R1, C1, R2, C2):
    """Rs + (R1||C1) + (R2||C2)"""
    Z = Rs + rc_parallel(R1, C1, f) + rc_parallel(R2, C2, f)
    return np.hstack([Z.real, Z.imag])
 
# 拟合
f_data = np.array([...])  # 频率 (Hz)
Z_data = np.array([...])  # 复数阻抗
p0 = [10, 1000, 1e-9, 5000, 1e-7]  # 初始猜测
popt, _ = curve_fit(two_rc_model, f_data,
                     np.hstack([Z_data.real, Z_data.imag]),
                     p0=p0)
Rs, R1, C1, R2, C2 = popt
print(f"Rs={Rs:.1f} Ω, R1={R1:.0f} Ω, C1={C1:.2e} F, R2={R2:.0f} Ω, C2={C2:.2e} F")

1.5 与 J-V 分析的联动

1.6 来源

CNKI 知网：

• 知网 EIS 相关论文 20 篇（literature_survey/papers_round6c.json）
• 典型诊断论文：「钙钛矿太阳能电池工作机理、回滞、降解研究」
• 标准参考：Bisquert, J. et al. J. Phys. Chem. Lett. (2014–2021) — 钙钛矿 EIS 理论奠基系列

WOS 英文补充（检索结果 715 篇 → 精选 10 篇核心）：

核心价值： Guerrero (2021) 发表在 Chem. Rev. 的综述是 EIS 等效电路分析的最高级别参考，涵盖离子迁移、化学电容、巨介电效应等钙钛矿特有现象的电路建模。

2. TPC/TPV 瞬态光电流/光电压

2.1 基本原理

TPC（Transient Photocurrent）：脉冲光激发 → 短路条件 (V=0) → 记录电流衰减 → 反映电荷提取/输运过程 → 输出传输时间 τ_tr

TPV（Transient Photovoltage）：脉冲光激发 → 开路条件 (J=0) → 记录电压衰减 → 反映载流子复合过程 → 输出复合寿命 τ_rec

2.2 电学调制 TPC（石将建方法）

核心创新： 在直流偏压上叠加脉冲调制。

双时间尺度响应的发现：

微秒响应关键发现：

• 有 HTM（空穴传输材料）：有效阻挡载流子反向输运
• 无 HTM 体系：背表面复合明显，不利于电荷收集
• 可用半导体电荷输运理论定量描述

秒响应关键发现：

• 标准硅电池无此过程（钙钛矿特有）
• 与脉冲调制电压的初末态电压和时间都相关
• 可能反映离子迁移或陷阱充放电 —— 迟滞的来源

2.3 实验方案

光路设置：

电路设置：

• TPC：采样电阻 50 Ω（短路条件近似）
• TPV：示波器输入阻抗 1 MΩ（开路条件近似）
• 带宽 ≥ 100 MHz，需屏蔽电磁干扰

偏压调制设置（石将建方法）：

偏压序列：V_bias = {0, 0.2, 0.4, 0.6, 0.8, 1.0} × V_built-in
每个偏压下采集 100 次瞬态取平均（提高信噪比）

2.4 数据处理

import numpy as np
from scipy.optimize import curve_fit
 
# 双指数模型（用于区分陷阱充放电）
def double_exp(t, A1, tau1, A2, tau2):
    return A1 * np.exp(-t / tau1) + A2 * np.exp(-t / tau2)
 
t = np.array([...])  # 时间轴
I = np.array([...])  # 信号
popt, _ = curve_fit(double_exp, t[50:], I[50:],  # 跳过激发脉冲前沿
                     p0=[I[50], 1e-6, 0.1*I[50], 1e-3])
tau1, tau2 = popt[1], popt[3]
 
# 诊断逻辑
if tau2 > 10 * tau1:
    print(f"慢过程主导：τ_slow = {tau2:.2e} s")
    if tau2 > 0.1:  # >100 ms
        print("→ 离子迁移特征")
    else:
        print("→ 深陷阱充放电")

2.5 与 J-V 分析的联动

2.6 来源

CNKI 知网：

• 石将建 等. 钙钛矿太阳能电池不同时间尺度下的电荷响应——电学调制瞬态光电流研究 [C]. 第二届新型太阳能电池学术研讨会, 2015. （中科院物理所孟庆波课题组）

WOS 英文补充（检索结果 295 篇 → 精选 4 篇核心）：

核心价值： Li (2024) 开创性地将机器学习（具体为 SHAP）与 TPV 瞬态数据结合，实现对缺陷的快速分析和分类——这是 TPC/TPV 方法论的最前沿发展方向。

3. PL/TRPL 稳态与时间分辨光致发光

3.1 基本原理

稳态 PL：连续光激发 → 电子跃迁到导带 → 与空穴辐射复合 → 发光

• PL 强度 ∝ 辐射复合速率
• PL 淬灭 = 非辐射复合路径增强（缺陷/界面导致）

TRPL：脉冲光激发 → 记录 PL 强度随时间衰减

• PL(t) = PL₀ · exp(−t / τ)
• τ 越小 → 非辐射复合越严重
• 包含所有复合通道：1/τ = 1/τ_rad + 1/τ_SRH + 1/τ_Auger + 1/τ_surface

3.2 显微 PL/TRPL 成像（梁梦楠方法）

三组实验设计（直接可迁移）：

3.3 实验方案

稳态 PL：

TRPL：

3.4 数据处理

import numpy as np
from scipy.optimize import curve_fit
 
def biexponential(t, A1, tau1, A2, tau2):
    return A1 * np.exp(-t / tau1) + A2 * np.exp(-t / tau2)
 
popt, _ = curve_fit(biexponential, t, PL,
                     p0=[0.5, 10e-9, 0.5, 100e-9])
A1, tau1, A2, tau2 = popt
 
# 加权平均寿命
tau_avg = (A1*tau1**2 + A2*tau2**2) / (A1*tau1 + A2*tau2)
 
print(f"τ₁ (快, 表面/界面淬灭) = {tau1*1e9:.1f} ns")
print(f"τ₂ (慢, 体相SRH复合)   = {tau2*1e9:.1f} ns")
print(f"τ_avg = {tau_avg*1e9:.1f} ns")

诊断规则：

3.5 与 J-V 分析的联动

J-V 分析 → Voc_loss 量化 (非辐射复合占比)
    ↕
TRPL → τ_eff → 非辐射复合速率
    ↕
PLQY → 辐射效率 → 与 Voc_loss_th 比较

诊断示例：

J-V 分析得出 Voc 损失中非辐射复合贡献 0.15 V → TRPL 测 τ_avg = 80 ns（对比高质量器件的 ~500 ns）→ EIS 测 Rrec 偏低 → 三角验证一致 → 问题锁定在钙钛矿体相，非界面

3.6 来源

CNKI 知网：

• 梁梦楠. 钙钛矿光伏器件降解过程的稳态/瞬态显微光致发光成像研究 [D]. 佛山大学, 2025.

WOS 英文补充（检索结果 370 篇 → 精选 4 篇核心）：

核心价值： Hüpkes (2025) 在 Adv. Energy Mater. 的陷阱深度-PL 关系理论，为 TRPL 诊断缺陷类型提供了定量物理基础，远超传统双指数拟合的精度。Mosquera-Lois (2025) 的 Nat. Rev. Chem. 综述是钙钛矿缺陷容忍度领域的最高级别参考。

4. SHAP 可解释性机器学习

4.1 基本原理

SHAP（SHapley Additive exPlanations）源自博弈论 Shapley 值——计算每个玩家对团队总收益的”公平贡献”。在 ML 中，“玩家”= 输入特征，“收益”= 预测值。

SHAP 值与物理诊断的对应：

4.2 两种应用模式

模式A：工艺参数优化（梁锐权，2025）

Pipeline：数据集构建 → 特征工程（Pearson 相关 + SMOTE 平衡）→ Gradient Boosting → SHAP 可视化 → 实验验证

成果：宽禁带 (1.65 eV) 钙钛矿 PCE 从基线 18% → 21.81%

模式B：材料/添加剂筛选（孟江涛，2026）

Pipeline：DFT 高通量计算分子描述符 → CatBoost 分类 → SHAP 设计准则 → 实验验证

成果：SHAP 给出设计窗口（HOMO: −7.5~−6.3 eV, 浓度: 2.5–6.5 mg/mL, O≤2, C<5）→ PCE 达 24.05%

4.3 适配你的 J-V 分析工作流

直接用 J-V 参数作为特征：

import pandas as pd
import shap
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.model_selection import train_test_split
 
# 特征：J-V 拟合输出参数
df = pd.read_csv("device_data.csv")
X = df[['Voc', 'Jsc', 'FF', 'Rs', 'Rsh', 'n', 'J0']]
y = (df['PCE'] > 20.0).astype(int)  # 二分类：高效率/低效率
 
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y)
 
model = GradientBoostingClassifier()
model.fit(X_train, y_train)
 
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)
 
# 全局特征重要性
shap.summary_plot(shap_values, X_test)
# 单个特征最优窗口
shap.dependence_plot("J0", shap_values, X_test)
# 单个器件诊断
shap.waterfall_plot(explainer.expected_value,
                     shap_values[0,:], X_test.iloc[0,:])

4.4 SHAP 诊断示例输出

SHAP Summary Plot 显示：
  1. J0 (29%) ── 最重要！J0 高 → PCE 低
  2. Rs  (18%) ── 接触问题影响明显
  3. n   (15%) ── 理想因子偏离 → 复合机制异常
  4. tau (13%) ── TRPL 寿命短 → 非辐射复合
  5. Rsh (10%) ── 漏电通道存在

→ 诊断结论：首要原因是 J0 偏高 (非辐射复合)
→ 不是 Rs，不是漏电，不是输运
→ 应优先改善钙钛矿薄膜质量/钝化缺陷

4.5 来源

CNKI 知网：

• 梁锐权 等. 加速钙钛矿太阳能电池开发：基于机器学习驱动框架的SHAP分析 [J]. 发光学报, 2025.
• 孟江涛 等. 机器学习辅助发现用于钙钛矿太阳能电池缺陷钝化的路易斯碱添加剂（英文）[J]. 燃料化学学报, 2026.
• 王爱丽 等. 机器学习在钙钛矿太阳能电池的应用研究进展 [J]. 中国科学: 技术科学, 2026.

📚 WOS 英文补充（检索结果 160 篇 → 40 篇 ML 相关 → 精选 8 篇代表性论文）：

📈 WOS ML 论文全景统计（40 篇）：

核心趋势： 2025 年后，SHAP 已成为钙钛矿 ML 论文的标配诊断工具。范式已从”ML预测PCE”升级为”ML+SHAP诊断→指导实验”，与你的 J-V 分析方法论完全契合。

5. PICTS/DLTS 深能级缺陷瞬态谱

5.1 基本原理

半导体中的深能级缺陷俘获自由载流子后，在热激发下释放——释放速率与温度呈 Arrhenius 关系：

e(T) = σ · v_th · N_c · exp(−E_a / k_B T)

Arrhenius 图：

ln(e / T²) = ln(σ · γ) − E_a / (k_B T)

从一条 Arrhenius 线提取三个缺陷参数：

5.2 DLTS vs PICTS

为什么无铅材料需要 PICTS：

“由于无铅钙钛矿衍生材料是近本征半导体，到目前为止已应用于卤化铅钙钛矿中的主流的基于电容的缺陷表征技术通常不适用于这些材料。” ——赵静, 2021

5.3 实验方案

设备要求：

测试流程： 固定温度 (80 K) → 脉冲激光激发 → 记录电流瞬态衰减 (0–10 ms) → 升温 (步长 1–2 K) → 重复至 350 K

5.4 数据处理

import numpy as np
 
# Step 1: 双时间窗口法提取发射率
def extract_emission_rate(t, I, t1, t2):
    I1 = np.interp(t1, t, I)
    I2 = np.interp(t2, t, I)
    e = np.log(I1 / I2) / (t2 - t1)
    return e
 
# Step 2: Arrhenius 拟合
def arrhenius_fit(T, e):
    kB = 8.617e-5  # eV/K
    y = np.log(e / T**2)
    x = 1 / (kB * T)
    slope, intercept = np.polyfit(x, y, 1)
    Ea = -slope  # eV
    gamma = 2.28e20  # 材料常数
    sigma = np.exp(intercept) / gamma  # cm²
    return Ea, sigma
 
# Step 3: 缺陷浓度
def defect_concentration(ΔI_max, I_dark, N_dop):
    return 2 * (ΔI_max / I_dark) * N_dop

5.5 单中心缺陷容忍度分析

（赵静论文独特方法论贡献——评估每个缺陷对器件性能的定量影响）

对每个缺陷 i：
  ├── 计算 SRH 复合率：R_SRH_i（使用测得的 Ea, σ, Nt）
  ├── 对 Voc 的影响：ΔVoc_i = (kT/q) × ln(1 − R_SRH_i / G)
  ├── 对外量子效率的影响：ΔEQE_i = R_SRH_i / G × 100%
  └── 比较容忍度 → 识别最有害的缺陷类型

5.6 与 J-V 分析的联动

J-V 暗态拟合 → n > 2 或异常 → 推断深能级 SRH 复合存在
                        ↓
                 PICTS/DLTS → 直接测缺陷: Ea=0.45 eV, Nt=3×10¹⁴ cm⁻³
                        ↓
                 SRH 复合率 = f(Ea, σ, Nt, n, p)
                        ↓
                 J0 计算值与 J-V 拟合 J0 比较
                        ↓
                 ✅ 自洽 → 缺陷诊断正确
                 ❌ 不一致 → 还有其他机制

5.7 来源

CNKI 知网：

• 赵静. 基于光生电流瞬态谱的钙钛矿衍生材料的缺陷研究 [D]. 苏州大学, 2021. （导师：Vincenzo Pecunia, FUNSOM）

WOS 英文补充（检索结果 38/1 篇 → 精选 3 篇核心）：

📈 DLTS/PICTS 领域全景（WOS 搜索）：

核心价值： Zhu (2022) 发表在 Joule (IF~39) 的论文是钙钛矿 DLTS 领域的最高水平文献——直接测量了钙钛矿/聚合物界面的深能级陷阱，为理解降解机制提供了原子级视角。Capan (2026) 综述将结光谱方法推广到 2D 材料。PICTS 在钙钛矿领域几乎空白——这反而是研究空白 → 创新机会。

6. 五法互证体系

6.1 整体诊断架构

                    ┌──────────────────────┐
                    │   器件性能异常/PCE下降  │
                    └──────────┬───────────┘
                               │
         ┌─────────────────────┼─────────────────────┐
         ▼                     ▼                      ▼
  ┌────────────┐      ┌──────────────┐       ┌──────────────┐
  │  J-V 分析   │      │   EIS 阻抗谱   │       │   SHAP ML    │
  │  (你已有)   │      │              │       │              │
  │            │      │ 定位在哪      │       │ 发现哪个参数  │
  │ "掉在哪"   │      │ (界面/体相)   │       │ 最重要        │
  └─────┬──────┘      └──────┬───────┘       └──────┬───────┘
        │                    │                       │
        │           ┌────────┴────────┐              │
        │           ▼                 ▼              │
        │    ┌──────────┐     ┌──────────┐           │
        │    │ PL/TRPL   │     │ TPC/TPV  │           │
        │    │          │     │          │           │
        │    │ 非辐射    │     │ 电荷动    │           │
        │    │ 复合有    │     │ 力学异常   │           │
        │    │ 多严重    │     │          │           │
        │    └────┬─────┘     └────┬─────┘           │
        │         │                │                  │
        │         └───────┬────────┘                  │
        │                 ▼                           │
        │    ┌─────────────────────┐                  │
        │    │  PICTS/DLTS (如需)   │                  │
        │    │ "哪个具体缺陷导致"    │                  │
        │    └──────────┬──────────┘                  │
        │               │                             │
        └───────────────┼─────────────────────────────┘
                        ▼
             ┌──────────────────────┐
             │   根因确认 + 改进方案   │
             └──────────────────────┘

6.2 诊断链路总结

7. 实施路线图

Phase 1：立即可做（设备易得）

Phase 2：基于已有数据（无额外设备）

Phase 3：进阶（需要设备或合作）

推荐启动顺序

第1周:  EIS(光学)  + SHAP (用已有数据)
         ↓
第2周:  TRPL(单点) → 三角验证 EIS 结果
         ↓
第3-4周: 根据前两周发现，选 TPC 或 DLTS 深入

8. 参考文献来源

8.1 CNKI 知网（中文核心文献）

8.2 WOS 英文补充文献（7 类关键词检索，86 篇中精选 25 篇）

文献统计： CNKI 知网 8 篇 + WOS 22 篇精选 = 30 篇核心参考文献（从 1700+ 条原始搜索结果中筛选）

数据文件位置：

• CNKI PDF 原文：G:\论文库\
• CNKI 提取文本：G:\OpenClaw-Workspace\literature_survey\pdfs_txt\
• WOS 完整导出：D:\浏览器下载\savedrecs (3-5).ris
• WOS 结构化数据：G:\OpenClaw-Workspace\literature_survey\wos_final.json（86 篇元数据）
• 搜索记录 JSON：G:\OpenClaw-Workspace\literature_survey\papers_round*.json
• 方法论对比报告：G:\OpenClaw-Workspace\literature_survey\METHODOLOGY_REPORT.md

编制完毕。各方法的 Python 代码框架可直接复制使用。建议优先启动 EIS + SHAP 两条线——前者补充实验维度，后者挖掘已有数据价值。

有疑问随时讨论。 🌊