AI bruges til at fremskynde solenergi‑teknologi hurtigere end nogensinde

Markedet for solceller og -paneler udvikler sig hurtigt. Ifølge offentligt tilgængelige estimater var markedsværdien for solpaneler på verdensplan omkring US$82 milliarder i 2023 og er prognostiseret at nå US$260 milliarder i 2031, mere end tredobbelt vækst på otte år.

Fremskridtet inden for sol paneler afhænger af forbedringer i solceller, de grundlæggende komponenter i solpaneler. Panelerne er lavet af monokrystallinske eller polykrystallinske siliciumsolceller, der er loddet sammen og forseglet under et antirefleksglasdække. Uden tvivl afhænger enhver fremgang inden for solteknologi af forbedringer i solceller. Vi vil diskutere et sådant gennembrud i det næste afsnit.

Implementering af maskinlæring for at fremskynde søgningen efter nye halvledermolekyler til perovskite-solceller

Forskere ved Karlsruhe Institute of Technology, som arbejder som en del af et internationalt team, kunne finde nye organiske molekyler, der øgede effektiviteten af perovskite-solceller^1. For at nå deres mål brugte forskerholdet en intelligent kombination af AI og automatiseret høj‑gennemløbs‑syntese. Som rapporten fremhæver, er forskningen kompatibel med anvendelser inden for andre områder af materialeforskning, herunder søgning efter nye batterimaterialer. 

Det videnskabelige papir, der beskriver forskningen, fastslår, at den inverse design af skræddersyede organiske molekyler til specifikke optoelektroniske enheder af høj kompleksitet rummer et enormt uudnyttet potentiale. De modeller, der eksisterede før forskningsresultaterne blev offentliggjort, var afhængige af store datasæt, som generelt ikke fandtes inden for specialiserede forskningsområder.

Forskerne demonstrerede en lukket kredsløbs‑workflow, der kombinerede høj‑gennemløbs‑syntese af organiske halvledere for at skabe store datasæt og Bayesisk optimering for at opdage nye hul‑transportmaterialer med skræddersyede egenskaber til solcelle‑applikationer. De forudsigende modeller var baseret på molekylære beskrivelser, der gjorde det muligt for forskerne at forbinde strukturen af disse materialer med deres ydeevne. 

Alt i alt kunne forskningen identificere en række højtydende molekyler fra minimale forslag til opnå op til 26,2 % (certificeret 25,9 %) konverteringseffektivitet i perovskite-solceller.

Selvom den videnskabelige forklaring på, hvad forskerteamet har opnået, kan lyde for teknisk til at forstå, findes der enklere måder at forstå udfordringerne og hvordan løsningerne kom i fremdrift. 

Arbejdet med at finde ud af, hvilke af en million forskellige molekyler der ville lede positive ladninger og gøre perovskite-solceller særligt effektive, ville kræve syntese og test af dem alle. Implementeringen af AI hjalp med at reducere denne besværlige byrde, da forskerholdet, ledet af Tenure‑track professor Pascal Friederich, som specialiserer sig i AI‑applikationer inden for materialvidenskab ved KIT’s Institut for Nanoteknologi, og professor Christoph Brabec fra Helmholtz Institute Erlangen‑Nürnberg (HI ERN), implementerede en AI‑model for at opnå deres formål med så få forsøg som muligt.

Ifølge Brabec:

“Med kun 150 målrettede eksperimenter var vi i stand til at opnå et gennembrud, som ellers ville have krævet hundredtusinder af tests.”

Forskerne mente, at den workflow, de udviklede, kunne åbne nye måder at hurtigt og økonomisk opdage højtydende materialer til en bred vifte af anvendelser. 

Men hvordan opnåede forskerne, hvad de gjorde? Lad os dykke lidt dybere!

Træning af AI med molekylære data

Det hele startede ved Helmholtz Institute Erlangen‑Nürnberg (HI ERN) med en database fuld af strukturelle formler for cirka én million virtuelle molekyler, som kunne syntetiseres fra kommercielt tilgængelige stoffer. Forskerne udvalgte tilfældigt 13.000 af disse virtuelle molekyler. For at bestemme deres energiniveauer, polaritet, geometri og andre egenskaber brugte KIT-forskerne etablerede kvantemekaniske metoder. 

Udvælgelsen af 101 molekyler ud af de 13.000 var baseret på mangfoldigheden af deres molekylære egenskaber. Med andre ord valgte forskerne disse 101 med de største forskelle i deres egenskaber.

Derefter syntetiserede forskerne disse molekyler med robotsystemer for at producere solceller, der ellers var identiske. Måling af effektiviteten af disse solceller var et af de mest afgørende aspekter af denne forskning.

Om denne effektivitetsevaluering sagde Brabec følgende:

“At kunne producere virkelig sammenlignelige prøver takket være vores højt automatiserede synteseplatform, og dermed kunne bestemme pålidelige effektivitetstal, var afgørende for vores strategis succes.”

AI‑modellen, som forskerne trænede og udviklede, foreslog 48 andre molekyler til syntese. Disse anbefalinger var baseret på to kriterier:

• Høj forventet effektivitet
• Uforudsigelige egenskaber

AI‑anbefalingen gav positive resultater. De AI‑foreslåede molekyler gjorde det muligt at bygge solceller med over gennemsnitlig effektivitet. Nogle af disse kunne endda overgå kapaciteterne hos dagens mest avancerede materialer. 

Resultatet bekræftede forskernes beslutning om at anvende AI. Mens de karakteriserede niveauet af opnåelse, sagde Friedrich følgende:

“Vi kan ikke være sikre på, at vi virkelig har fundet den bedste ud af en million molekyler, men vi er bestemt tæt på optimum.”

Implementeringen af AI var virkelig opmuntrende, da den hjalp forskerne med at få indsigt i de molekyler, den foreslog. AI‑forslagene var delvist baseret på tilstedeværelsen af visse kemiske grupper, såsom aminer, som kemikere tidligere havde overset. At fremhæve disse oversete kemiske grupper var uden tvivl et betydningsfuldt positivt resultat af AI‑implementeringen.

Generelt er implementeringen af AI for at fremme solteknologi ikke ny. Den International Renewable Energy Agency gennemførte en omfattende undersøgelse af, hvordan AI‑applikationer kunne forbedre integrationen af vedvarende energi, især dem der involverer vind- og solenergi. 

I det næste afsnit ser vi på nogle af rapportens indsigter for at få et omfattende overblik over, hvordan AI kan vise sig effektiv i solteknologi. 

Mangfoldig anvendelse af AI i fremme af solteknologi

AI kan hjælpe solteknologi med at blive mere effektiv ved at generere forbedrede prognoser for vedvarende energiproduktion. Big data og AI kan producere præcise prognoser for energiproduktion, hvilket gør det muligt at integrere meget mere vedvarende energi i nettet. Rapporten nævner eksemplet IBM, som i 2015 var i stand til at vise en forbedring på 30 % i solprognoser, mens de arbejdede med US Energy Departments SunShot Initiative. 

Den selv‑lærende vejrmodel og teknologi til prognoser for vedvarende energiproduktion udnyttede store datasæt af historiske data og real‑time målinger integreret fra lokale vejrstationer, sensornetværk, satellitter og himmelbilledkameraer.

Systemoperatører kunne også drage fordel af den med præcise kort‑sigtede prognoser, forbedring af enhedsplanlægning, øget dispatch‑effektivitet, reduktion af pålidelighedsproblemer og mindskelse af de nødvendige driftsreserver i systemet.  

Rapporten fremhævede to projekter. Det ene var EWeLiNE, et tysk forskningsprojekt, der brugte maskinlæringssoftware og sluttede i 2017. Det andet var Gridcast, opfølgeren. Begge brugte AI til at forudsige energiproduktion. De hentede data fra solsensorer, vindmøller og vejrudsigter. Dette hjalp med at reducere spild af energi.

AI kan også spille en afgørende rolle i at opretholde netstabilitet og pålidelighed. Fire virksomheder (Adaptricity, AEK, Alpiq og Landis+Gyr (LAND.SW )) sammen med kantonen Solothurn tester, hvordan AI‑løsninger kan sikre fremtidig netstabilitet og minimere investeringer i dyr netudvidelse i et pilotprojekt kaldet SoloGrid. 

Det blev observeret, at AI kunne øge kapaciteten i elnet og reducere behovet for nye linjer ved at udnytte eksisterende linjer bedre baseret på vejrbetingelser. AI‑baserede systemer, der bruger store mængder vejrinformation, kunne sikre optimal udnyttelse af eksisterende elnet ved at tilpasse driften til vejrbetingelser til enhver tid, hvilket reducerer overbelastning.

AI kan også forbedre sikkerhed, pålidelighed og effektivitet i elsystemer ved automatisk at opdage forstyrrelser. AI‑modeller, trænet med eksempler på typiske systemnedbrud, kan gradvist lære at skelne – og præcist kategorisere – normal driftsdata fra definerede systemfejl. Som resultat kan algoritmen træffe beslutninger på brøkdele af et sekund om tilstedeværelsen af en anomali eller fejl, samt dens type og placering. Mere specifikt kan algoritmen nå en beslutning inden for 20–50 ms, hvilket giver tilstrækkelig tid til at implementere de passende fuldautomatiske modforanstaltninger.

AI kan også styrke solteknologi ved at forbedre efterspørgselsprognoser. Rapporten gav et eksempel: BeeBryte, en fransk startup. Den brugte AI til at forudsige en bygningens termiske energibehov. Dette gør det muligt at producere opvarmning og køling på de rette tidspunkter. Kunder kunne sætte et drifts‑temperaturinterval, og AI holdt det stabilt. Dette førte til besparelser på op til 40 % på energiregninger.

AI hjalp også med at forlænge levetiden for lagringsenheder. Den brugte forudsigende logik til at optimere opladning og afladning. Rapporten nævnte Athena, et AI‑system udviklet af det californiske firma Stem. Det kortlagde energiforbruget og sporede udsving i energipriser. Dette gør det muligt for kunder at bruge lagring mere effektivt.

Udover innovative og geniale startups har flere store virksomheder brugt AI til at fremme anvendelser af solteknologi. I de kommende afsnit diskuterer vi to sådanne virksomheder og hvordan de anvendte AI til at drive solteknologi fremad. 

1. Google

Google er kendt for at bruge sine DeepMind AI-systemer til at forudsige output fra sine solfarme, hvilket giver præcise prognoser, der hjælper med at optimere energiforbruget og reducere omkostningerne. En rapport antyder, at det reducerede energien, der blev brugt til køling i et Google-datacenter med 40 % (en samlet reduktion på 15 % i strømforbruget) ved kun at bruge historiske sensordata fra datacenteret (fx temperaturer, strøm, pumpens hastigheder, setpoints) for at forbedre energieffektiviteten. AI‑systemet forudsiger den fremtidige temperatur og tryk i datacenteret i den næste time og giver anbefalinger om, hvorvidt forbruget skal slås til eller fra.

Inspireret af sin succes tog virksomheden disse innovationer til næste niveau, hvor AI‑systemet i stedet for at få sine anbefalinger implementeret af mennesker, direkte styrede kølingen i datacenteret, mens det forblev under ekspertovervågning af datacenteroperatører.

I 2015 lancerede Google Project Sunroof for at hjælpe boligejere med at estimere deres potentielle solbesparelser. På baggrund af den ekspertise, der blev opnået fra det projekt, udgav virksomheden i 2023 et nyt Solar API‑værktøj. Det brugte kortlægnings‑ og beregningsressourcer til at levere detaljerede data om solpotentiale på tage for mere end 320 millioner bygninger i 40 lande, herunder USA, Frankrig og Japan.

Google trænede sin AI‑model til at udtrække 3D‑information om taggeometri direkte fra luftbilleder, sammen med detaljer om træer og skygge, mens Solar API’en tog højde for faktorer som historiske vejrmønstre i området, energipriser og mere. Målet er at give solinstallatører mulighed for at forstå solpotentiale og omkostninger, før de overhovedet besøger et område. 

Den 29. oktober 2024 annoncerede Alphabet Inc. (GOOG ) sine finansielle resultater for kvartalet, som sluttede den 30. september 2024. De samlede Alphabet‑indtægter i Q3 2024 steg med 15 % eller 16 % i konstant valuta år for år til 88,3 milliarder USD, hvilket afspejler stærk fremdrift på tværs af forretningen. 

2. GE

I 2023 lancerede GE Vernova (GEV ) Fleet Orchestration, en ny software, der udnyttede AI og maskinlæring til at hjælpe energiselskaber med at maksimere brugen af vedvarende energi.

Mens hun talte om nytten og fordelene, som løsningen kunne tilbyde, sagde Linda Rae, general manager for kraftproduktion og olie og gas for GE Vernova’s digitale forretning, følgende:

“Vedvarende energikilder som vind og sol spiller en vigtig rolle i energiovergangen. De er nøglen til at reducere verdens (afhængighed) af fossile brændstoffer. Udfordringen er, at disse energikilder er iboende variable – vinden blæser ikke altid, og solen skinner ikke altid. Men folk forventer altid, at deres lys tænder, når de slår kontakten. Det er hvor softwareløsninger, såsom Fleet Orchestration, kan hjælpe med at reducere denne usikkerhed for energiselskaber, give dem den nødvendige selvtillid til at sikre netstabilitet, mens de samtidig reducerer emissionerne.”

Ifølge en undersøgelse udgivet af ISO New England kan reservemarginerne skulle øges fra 15 % til 300 % inden 2040 for at nå 56 % brug af vedvarende energi. GE mener, at deres softwares evne til at hjælpe med at fastsætte passende marginer – mængden af ekstra ressourcer for at holde elsystemerne pålidelige i stressperioder – kommer på det rette tidspunkt.

For en uge siden udgav GE Vernova sine finansielle resultater for fjerde kvartal og fuldt år, der sluttede den 31. december 2024. Virksomheden rapporterede en samlet årsomsætning på 34,9 mia. USD, +5 %, +7 %, organisk drevet af elektrificering og kraft. 

AI og solteknologi vil gå hånd i hånd i fremtiden

For at blive mere nyttig for solteknologi‑regimet, skal AI i fremtiden tage visse skridt. Der skal etableres en robust mekanisme til indsamling af brugbare data. Det næste skridt vil involvere effektiv operationalisering af disse data ved at strukturere dem korrekt, så de kan anvendes. For det tredje skal det sikres, at forskellige datasæt kan kommunikere effektivt og levere værdi. Endelig skal AI‑modellerne optimeres og finjusteres for at levere deres maksimale potentiale. 

Klik her for en liste over de bedste solaktier at investere i.

Studierreference:

^{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). Omvendt design‑workflow opdager hul‑transportmaterialer skræddersyet til perovskite‑solceller. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}