2020-11-01  –  2024-12-31

229.267,00 EUR

Technische Universität München - Fakultät für Elektrotechnik und Informationstechnik - Professur für Simulation von Nanosystemen für Energiewandlungen, München, Hessen

03EE1070A

Dünnschichttechnologien Sonstige Materialien/Technologien [EB1028]

01217814/1  –  PrOperPhotoMiLe - Vorhersage der Betriebslebensdauer von Perowskit-Photovoltaik: Beschleunigungsfaktoren ermittelt durch in einer Stabilitätsstudie durch maschinelles Lernen

Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)

Forschungszentrum Jülich GmbH (PT-J.ESE1)

Energie

Perowskit-Solarzellen (PSZ) basierend auf Metall-Haloiden haben die Entwicklung der Photovoltaik in den letzten Jahren stark vorangetrieben. Im Moment erreichen sie einen Wirkungsgrad von über 25 % bei niedrigen Kosten und einfacher Herstellung. Weiterhin kann die Kombination von Perowskiten mit vorhandenen Siliziumsolarzellen in einer sogenannten Tandemarchitektur entscheidend zu einer CO2-neutralen Wirtschaft und somit zur Energiewende beitragen. Allerdings stellt die begrenzte Lebensdauer von PSZ ein großes Fragezeichen hinsichtlich einer möglichen Kommerzialisierung dar. Daher sind beschleunigte Stabilitätstests für PSZ erforderlich, um vielversprechende Materialien und Solarzellen-Architekturen zu identifizieren sowie deren maximale Lebensdauer vorherzusagen. Trotz weltweiten Bemühungen in Bezug auf Stabilitätsuntersuchungen ist eine große Varianz zwischen verschiedenen Solarzellentypen, experimentellen Verfahren und berichteten Prozessparametern festzustellen. Die Antragsteller haben vor kurzem ein Konsens-Papier veröffentlicht, das Richtlinien für den Test der PSZ-Stabilität und für die Berichterstattung von zukünftigen Datenerhebungen vorgibt. Die Analyse großer Datenmengen stellt jedoch eine ebenso große Herausforderung dar. Die Entwicklung eines Alterungsprotokolls für Perowskit-Solarzellen, um die Degradation zu testen und Beschleunigungsfaktoren zu definieren, ist ebenfalls ein herausforderndes Problem. Zugrunde liegt die Komplexität des Bauelements, die große Zahl an Einflußparametern und die verbundenen großen Datenmengen. Die Technischen Universität München (TUM) soll neue Machine-Learning-Modelle entwickeln, um die Entdeckung von Korrelationen zwischen verschiedenen Degradationsparametern zu automatisieren und die wichtigsten Beschleunigungsfaktoren zu finden. Die Ausführung dieser Aufgabe erfordert die Entwicklung neuartiger Machine- Learning-Architekturen und strukturierter Datenbanken für den Degradationsprozess von Perowskit-Solarzellen.