يتم استخدام الذكاء الاصطناعي لتسريع تقدم تكنولوجيا الطاقة الشمسية أكثر من أي وقت مضى

سوق خلايا الألواح الشمسية يتقدم بسرعة. وفقًا للتقديرات المتاحة للجمهور، بلغت قيمة سوق الألواح الشمسية عالميًا حوالي US$82 مليار في عام 2023 ومن المتوقع أن تصل إلى US$260 مليار في عام 2031، أي نمو يزيد عن ثلاثة أضعاف خلال ثماني سنوات.

يتوقف تقدم الطاقة الشمسية على تحسينات في خلايا الشمسية، المكوّنات الأساسية للألواح الشمسية. تُصنع الألواح من خلايا سيليكون أحادية أو متعددة البلورات ملحومة معًا ومغلفة تحت غطاء زجاجي مضاد للانعكاس. بلا شك، أي تقدم في تكنولوجيا الطاقة الشمسية يعتمد على تحسينات في خلايا الشمسية. سنناقش أحد هذه الاختراقات في الفقرة التالية.

نشر التعلم الآلي لتسريع البحث عن جزيئات شبه موصلية جديدة لخلايا شمسية بيروفسكايت

تمكن الباحثون في معهد كارلسروه للتكنولوجيا، كجزء من فريق دولي، من العثور على جزيئات عضوية جديدة تُزيد كفاءة خلايا شمسية بيروفسكايت زيادة كفاءة خلايا شمسية بيروفسكايت^1. لتحقيق مهمتهم، استخدم فريق الباحثين مزيجًا ذكيًا من الذكاء الاصطناعي وتوليف عالي الإنتاجية مؤتمت. كما يبرز التقرير، يتوافق البحث مع تطبيقات في مجالات أخرى من بحوث المواد، بما في ذلك البحث عن مواد بطاريات جديدة. 

تشير الورقة العلمية التي تفصل البحث إلى أن التصميم العكسي للجزيئات العضوية المخصصة لأجهزة ضوئية إلكترونية محددة ذات تعقيد عالٍ يحمل إمكانات هائلة لم تُستغل بعد. النماذج التي كانت موجودة قبل ظهور نتائج البحث اعتمدت على مجموعات بيانات ضخمة عادةً ما لا توجد في المجالات البحثية المتخصصة.

أظهر الباحثون سير عمل حلقي مغلق يجمع بين توليف عالي الإنتاجية لأشباه الموصلات العضوية لإنشاء مجموعات بيانات ضخمة وتحسين بايزي لاكتشاف مواد نقل شحنات إيجابية جديدة بخصائص مخصصة لتطبيقات الخلايا الشمسية. كانت النماذج التنبؤية مبنية على أوصاف جزيئية مكنت العلماء من ربط بنية هذه المواد بأدائها. 

بشكل عام، تمكن البحث من تحديد سلسلة من الجزيئات عالية الأداء من اقتراحات قليلة إلى تحقيق كفاءة تحويل طاقة تصل إلى 26.2% (معتمدة 25.9%) في خلايا شمسية بيروفسكايت.

بينما قد يبدو الشرح العلمي لما حققته فريق البحث معقدًا جدًا للفهم، هناك طرق أسهل لفهم نقاط الألم وكيف ظهرت الحلول. 

مهمة اكتشاف أي من مليون جزيء مختلف يمكنه نقل الشحنات الإيجابية وجعل خلايا شمسية بيروفسكايت أكثر كفاءة تتطلب توليف واختبار جميعها. ساعد نشر الذكاء الاصطناعي في تقليل هذا العبء الضخم، حيث قاد فريق الباحثين الأستاذ باسكال فريدريش (أستاذ مسار دائم) المتخصص في تطبيقات الذكاء الاصطناعي في علم المواد في معهد نانو تكنولوجيا بجامعة كارلسروه، والأستاذ كريستوف برابيك من معهد هيلموتز إرلنجن-نورنبرغ (HI ERN)، نموذجًا للذكاء الاصطناعي لخدمة هدفهم بأقل عدد ممكن من المحاولات.

وفقًا لبرابيك:

“مع 150 تجربة مستهدفة فقط، تمكنا من تحقيق اختراق كان سيتطلب مئات الآلاف من الاختبارات.”

كان الباحثون يعتقدون أن سير العمل الذي طوروه يمكن أن يفتح طرقًا جديدة لاكتشاف مواد عالية الأداء بسرعة وبشكل اقتصادي لمجموعة واسعة من التطبيقات. 
لكن كيف حقق الباحثون ما فعلوه؟ دعونا نتعمق أكثر قليلًا!

تدريب الذكاء الاصطناعي ببيانات جزيئية

بدأ كل شيء في معهد هيلموتز إرلنجن-نورنبرغ (HI ERN)، بقاعدة بيانات مليئة بالمعادلات التركيبية لحوالي مليون جزيء افتراضي يمكن توليفه من مواد متاحة تجاريًا. اختار الباحثون 13,000 جزيء عشوائيًا من هذه الجزيئات الافتراضية. لتحديد مستويات الطاقة، القطبية، الهندسة، وغيرها من الخصائص، استخدم باحثو KIT طرقًا ميكانيكية كمية معتمدة. 

تم اختيار 101 جزيء من بين الـ13,000 استنادًا إلى تنوع خصائصها الجزيئية. بعبارة أخرى، اختار العلماء هذه الـ101 التي لديها أكبر اختلافات في خصائصها.

بعد ذلك، قام العلماء بتوليف هذه الجزيئات باستخدام أنظمة روبوتية لإنتاج خلايا شمسية متطابقة في غير ذلك. كان قياس كفاءة هذه الخلايا الشمسية أحد الجوانب الأكثر حيوية في هذا البحث.

عند الحديث عن تقييم الكفاءة، قال برابيك:

“القدرة على إنتاج عينات قابلة للمقارنة حقًا بفضل منصتنا للتوليف المؤتمت عالي المستوى، وبالتالي القدرة على تحديد قيم كفاءة موثوقة، كان أمرًا حاسمًا لنجاح استراتيجيتنا.”

نموذج الذكاء الاصطناعي الذي دربه الباحثون وطوره اقترح 48 جزيءً آخر لتوليفها. استندت هذه التوصيات إلى معيارين:

• كفاءة متوقعة عالية
• خصائص غير متوقعة

أدت توصية الذكاء الاصطناعي إلى نتائج إيجابية. مكنت الجزيئات المقترحة من الذكاء الاصطناعي من بناء خلايا شمسية ذات كفاءة فوق المتوسطة. بعض هذه الجزيئات قد يتجاوز حتى قدرات أكثر المواد تقدمًا اليوم. 
أكدت النتيجة للباحثين قرارهم باستخدام الذكاء الاصطناعي. عند توصيف مستوى الإنجاز، قال فريدريش:

“لا يمكننا التأكد من أننا وجدنا بالفعل الأفضل من بين مليون جزيء، لكننا بالتأكيد قريبون من المثلى.”

كان نشر الذكاء الاصطناعي مشجعًا حقًا، حيث ساعد الباحثين على الحصول على رؤى حول الجزيئات التي اقترحها. استندت اقتراحات الذكاء الاصطناعي جزئيًا إلى وجود مجموعات كيميائية معينة، مثل الأمينات، التي كان الكيميائيون قد أغفلوها سابقًا. إن إبراز هذه المجموعات الكيميائية التي تم تجاهلها كان بلا شك نتيجة إيجابية هامة لنشر الذكاء الاصطناعي.

بشكل عام، ليس نشر الذكاء الاصطناعي لتقدم تكنولوجيا الطاقة الشمسية أمرًا جديدًا. قامت الوكالة الدولية للطاقة المتجددة بإجراء دراسة شاملة حول كيفية تحسين تطبيقات الذكاء الاصطناعي لعمليات دمج الطاقة المتجددة، خاصة تلك المتعلقة بالطاقة الريحية والشمسية. 

في الفقرة التالية، نستعرض بعض رؤى التقرير للحصول على نظرة شاملة حول كيف يمكن للذكاء الاصطناعي أن يكون فعالًا في تكنولوجيا الطاقة الشمسية. 

تطبيقات متنوعة للذكاء الاصطناعي في تقدم تكنولوجيا الطاقة الشمسية

يمكن للذكاء الاصطناعي أن يساعد تكنولوجيا الطاقة الشمسية على أن تصبح أكثر كفاءة من خلال توليد توقعات محسنة لإنتاج الطاقة المتجددة. يمكن للبيانات الضخمة والذكاء الاصطناعي إنتاج توقعات دقيقة لتوليد الطاقة تجعل من الممكن دمج طاقة متجددة أكبر في الشبكة. يذكر التقرير مثال IBM، التي في عام 2015 تمكنت من إظهار تحسين بنسبة 30% في توقعات الطاقة الشمسية أثناء تعاونها مع مبادرة SunShot التابعة لوزارة الطاقة الأمريكية. 

استفادت تقنية نموذج الطقس المتعلم ذاتيًا وتوقع توليد الطاقة المتجددة من مجموعات بيانات ضخمة تشمل بيانات تاريخية وقياسات في الوقت الفعلي مدمجة من محطات طقس محلية، شبكات حساسات، أقمار صناعية، وكاميرات صور السماء.

يمكن لمشغلي النظام أيضًا الاستفادة من ذلك من خلال توقعات دقيقة على المدى القصير، مما يحسن التزام الوحدات، يزيد من كفاءة الإرسال، يقلل من مشكلات الاعتمادية، ويقلل من الاحتياطات التشغيلية المطلوبة في النظام.  

سلط التقرير الضوء على مشروعين. كان الأول EWeLiNE، مشروع بحثي ألماني استخدم برنامج تعلم آلي وانتهى في عام 2017. والثاني Gridcast، المتابعة له. استخدم كلاهما الذكاء الاصطناعي لتوقع توليد الطاقة. جمعوا بيانات من حساسات شمسية، توربينات رياح، وتوقعات الطقس. ساعد ذلك في تقليل الطاقة المهدرة.

يمكن للذكاء الاصطناعي أيضًا أن يلعب دورًا حاسمًا في الحفاظ على استقرار الشبكة وموثوقيتها. أربع شركات (Adaptricity، AEK، Alpiq، وLandis+Gyr (LAND.SW )) بالتعاون مع كانتون سولوتورن، يختبرون كيف يمكن لحلول الذكاء الاصطناعي ضمان استقرار الشبكة المستقبلية وتقليل الاستثمارات في توسيع الشبكة المكلف في مشروع تجريبي يُدعى SoloGrid. 

لوحظ أن الذكاء الاصطناعي يمكنه زيادة سعة شبكات الطاقة وتقليل الحاجة إلى خطوط جديدة من خلال تحسين استخدام الخطوط الحالية بناءً على ظروف الطقس. يمكن للأنظمة القائمة على الذكاء الاصطناعي، باستخدام كميات كبيرة من بيانات الطقس، ضمان الاستخدام الأمثل لشبكات الطاقة القائمة عن طريق تعديل العمليات وفقًا لظروف الطقس في أي وقت، وبالتالي تقليل الازدحام.

يمكن للذكاء الاصطناعي أيضًا تحسين السلامة والموثوقية والكفاءة في أنظمة الطاقة من خلال الكشف التلقائي عن الاضطرابات. يمكن لنماذج الذكاء الاصطناعي، المدربة بأمثلة على انقطاعات النظام النموذجية، أن تتعلم تدريجيًا التمييز—وتصنيف بدقة—بين بيانات التشغيل العادية والأعطال المحددة للنظام. نتيجة لذلك، يمكن للخوارزمية اتخاذ قرارات في جزء من الثانية حول وجود شذوذ أو عطل، وكذلك نوعه وموقعه. على وجه التحديد، يمكن للخوارزمية الوصول إلى قرار خلال 20–50 مللي ثانية، مما يوفر وقتًا كافيًا لتنفيذ الإجراءات المضادة المؤتمتة بالكامل.

يمكن للذكاء الاصطناعي أيضًا تعزيز تكنولوجيا الطاقة الشمسية من خلال تحسين توقع الطلب. قدم التقرير مثالًا: BeeBryte، شركة ناشئة فرنسية. استخدمت الذكاء الاصطناعي لتوقع طلب الطاقة الحرارية لمبنى. يتيح ذلك إنتاج التدفئة والتبريد في الأوقات المناسبة. يمكن للعملاء ضبط نطاق درجة حرارة تشغيل، ويحافظ الذكاء الاصطناعي على استقرارها. أدى ذلك إلى توفير يصل إلى 40% في فواتير الخدمات.

ساعد الذكاء الاصطناعي أيضًا في إطالة عمر وحدات التخزين. استخدم منطقًا تنبؤيًا لتحسين الشحن والتفريغ. ذكر التقرير Athena، نظام ذكاء اصطناعي طورته شركة Stem الأمريكية في كاليفورنيا. قام برسم خريطة لاستخدام الطاقة وتتبع تقلبات أسعار الطاقة. يتيح ذلك للعملاء استخدام التخزين بشكل أكثر كفاءة.

بعيدًا عن الشركات الناشئة المبتكرة والذكية، استخدمت عدة شركات كبرى الذكاء الاصطناعي لتطوير تطبيقات تكنولوجيا الطاقة الشمسية. في الفقرات القادمة، سنناقش شركتين من هذه الشركات وكيفية تطبيقهما للذكاء الاصطناعي لدفع تكنولوجيا الطاقة الشمسية قدمًا. 

1. Google

تُعرف Google باستخدامها أنظمة DeepMind للذكاء الاصطناعي لتوقع إنتاج مزارعها الشمسية، مما يوفر توقعات دقيقة تساعد على تحسين استهلاك الطاقة وتقليل التكاليف. يشير تقرير إلى أنها خفضت الطاقة المستخدمة للتبريد في مركز بيانات Google بنسبة 40% (انخفاض إجمالي بنسبة 15% في استهلاك الطاقة) باستخدام بيانات حساسات تاريخية فقط من داخل مركز البيانات (مثل درجات الحرارة، الطاقة، سرعات المضخات، نقاط الضبط) لتحسين كفاءة الطاقة. يتوقع نظام الذكاء الاصطناعي درجة الحرارة والضغط المستقبليين لمركز البيانات خلال الساعة القادمة ويقدم توصيات بشأن تشغيل أو إيقاف الاستهلاك.

استلهمت الشركة من نجاحها، وارتقت بهذه الابتكارات إلى المستوى التالي، حيث بدلاً من تنفيذ توصياتها بواسطة الأشخاص، تحكم نظام الذكاء الاصطناعي مباشرةً في تبريد مركز البيانات مع بقاء ذلك تحت إشراف خبراء مشغلي مراكز البيانات.

في عام 2015، أطلقت Google مشروع Sunroof لمساعدة أصحاب المنازل على تقدير إمكانات توفير الطاقة الشمسية لديهم. بناءً على الخبرة المكتسبة من ذلك المشروع، أصدرت الشركة أداة Solar API جديدة في عام 2023. استخدمت هذه الأداة موارد الخرائط والحوسبة لتوفير بيانات تفصيلية عن إمكانات الطاقة الشمسية على أسطح أكثر من 320 مليون مبنى في 40 دولة، بما في ذلك الولايات المتحدة، فرنسا، واليابان.

دربت Google نموذج الذكاء الاصطناعي الخاص بها لاستخراج معلومات ثلاثية الأبعاد عن هندسة السطح مباشرةً من الصور الجوية، إلى جانب تفاصيل عن الأشجار والظل، بينما أخذت Solar API في الاعتبار عوامل مثل أنماط الطقس التاريخية في المنطقة، تكاليف الطاقة، وغيرها. الهدف هو تمكين مُركبي الألواح الشمسية من فهم إمكانات الطاقة الشمسية وتكاليفها قبل زيارة المنطقة. 

2. GE

في عام 2023، أطلقت GE Vernova (GEV ) برنامج Fleet Orchestration، وهو برنامج جديد يستخدم الذكاء الاصطناعي وتعلم الآلة لمساعدة مرافق الطاقة على تعظيم استخدام الطاقة المتجددة.
أثناء حديثها عن الفائدة والفوائد التي يقدمها الحل، قالت ليندا راي، المديرة العامة لتوليد الطاقة والغاز والنفط لأعمال GE Vernova الرقمية، ما يلي:

“المصادر المتجددة مثل الرياح والطاقة الشمسية تلعب دورًا مهمًا في التحول الطاقي. إنها أساسية لتقليل اعتماد العالم على الوقود الأحفوري. التحدي هو أن هذه المصادر الطاقة بطبيعتها متقلبة — فالرياح لا تهب دائمًا، والشمس لا تشرق دائمًا. لكن الناس يتوقعون دائمًا أن تشتعل أضواؤهم عند تشغيل المفتاح. هذا هو المكان الذي يمكن فيه لحلول البرمجيات، مثل Fleet Orchestration، أن تساعد في تقليل هذا عدم اليقين لشركات الطاقة، مما يمنحها الثقة اللازمة لضمان استقرار الشبكة مع تقليل الانبعاثات في الوقت نفسه.”

وفقًا لدراسة صدرت عن ISO New England، قد تحتاج هوامش الاحتياطي إلى الزيادة من 15% إلى 300% بحلول عام 2040 للوصول إلى استخدام 56% من الطاقة المتجددة. تعتقد GE أن قدرة برنامجها على المساعدة في تحديد الهوامش المناسبة – كمية الموارد الإضافية للحفاظ على موثوقية أنظمة الطاقة في أوقات الضغط – تأتي في الوقت المناسب.

الذكاء الاصطناعي وتكنولوجيا الطاقة الشمسية سيسيران جنبًا إلى جنب في المستقبل

لكي يصبح أكثر فائدة لنظام تكنولوجيا الطاقة الشمسية، سيتعين على الذكاء الاصطناعي اتخاذ خطوات معينة في المستقبل. يجب أن يكون هناك آلية قوية لجمع البيانات المفيدة. الخطوة التالية ستتضمن تشغيلًا فعالًا لتلك البيانات من خلال هيكلتها بشكل صحيح لجعلها قابلة للتنفيذ. ثالثًا، يجب التأكد من أن مجموعات البيانات المختلفة تتواصل بفعالية وتقدم قيمة. أخيرًا، سيتعين تحسين نماذج الذكاء الاصطناعي وتعديلها بدقة لتقديم أقصى ما يمكن. 

انقر هنا للحصول على قائمة بأفضل أسهم الطاقة الشمسية للاستثمار فيها.

مرجع الدراسة:

^{1. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-W., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez-Ojeda, M. E., Seok, S. I., Friederich, P., & Brabec, C. J. (2024). سير عمل التصميم العكسي يكتشف مواد نقل الشحنات مخصصة لخلايا شمسية بيروفسكايت. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}