KI wird eingesetzt, um Solartechnologie schneller als je zuvor voranzutreiben

Der Markt für Solarzellen und -module entwickelt sich rasant. Laut öffentlich verfügbaren Schätzungen lag der Marktwert von Solarmodulen weltweit im Jahr 2023 bei etwa US$82 Milliarden und wird prognostiziert, dass er US$260 Milliarden im Jahr 2031 erreichen wird, ein mehr als dreifaches Wachstum in acht Jahren.

Der Fortschritt von Solarmodulen beruht auf Verbesserungen der Solarzellen, den grundlegenden Komponenten von Solarmodulen. Die Module werden aus monokristallinen oder polykristallinen Silizium‑Solarzellen hergestellt, die zusammengelötet und unter einer antireflektierenden Glasscheibe versiegelt sind. Zweifellos hängt jeder Fortschritt in der Solartechnologie von Verbesserungen der Solarzellen ab. Wir werden einen solchen Durchbruch im nächsten Abschnitt besprechen.

Einsatz von Machine Learning zur Beschleunigung der Suche nach neuen Halbleitermolekülen für Perowskit‑Solarzellen

Forscher am Karlsruher Institut für Technologie, die im Rahmen eines internationalen Teams arbeiten, konnten neue organische Moleküle finden, die die Effizienz von Perowskit‑Solarzellen steigerten^1. Um ihr Ziel zu erreichen, nutzte das Forscherteam eine intelligente Kombination aus KI und automatisierter Hochdurchsatz‑Synthese. Wie der Bericht hervorhebt, ist die Forschung mit Anwendungen in anderen Bereichen der Materialforschung kompatibel, einschließlich der Suche nach neuen Batteriematerialien. 

Das wissenschaftliche Papier, das die Forschung detailliert, stellt fest, dass das inverse Design maßgeschneiderter organischer Moleküle für spezifische optoelektronische Geräte hoher Komplexität ein enormes, bislang ungenutztes Potenzial birgt. Die Modelle, die vor den Forschungsergebnissen existierten, basierten auf großen Datensätzen, die für spezialisierte Forschungsbereiche im Allgemeinen nicht vorhanden waren.

Die Forscher zeigten einen geschlossenen Arbeitsablauf, der die Hochdurchsatz‑Synthese organischer Halbleiter zur Erstellung großer Datensätze mit der Bayesschen Optimierung kombinierte, um neue ladungstragende Materialien mit maßgeschneiderten Eigenschaften für Solarzellenanwendungen zu entdecken. Die prädiktiven Modelle basierten auf molekularen Deskriptoren, die es den Wissenschaftlern ermöglichten, die Struktur dieser Materialien mit ihrer Leistung zu verknüpfen. 

Insgesamt konnte die Forschung eine Reihe von Hochleistungsmolekülen aus minimalen Vorschlägen identifizieren, die bis zu 26,2 % (zertifiziert 25,9 %) Wirkungsgrad bei der Stromumwandlung in Perowskit‑Solarzellen erreichen.

Während die wissenschaftliche Erklärung dessen, was das Forschungsteam erreicht hat, zu technisch klingen mag, gibt es einfachere Wege, die Schmerzpunkte und die Lösungen zu verstehen. 

Die Aufgabe, herauszufinden, welche von einer Million verschiedener Moleküle positive Ladungen leiten und Perowskit‑Solarzellen besonders effizient machen würden, würde das Synthese‑ und Testen aller erfordern. Der Einsatz von KI half, diese mühsame Belastung zu reduzieren, da das Forscherteam, geleitet von Tenure‑Track‑Professor Pascal Friederich, der sich auf KI‑Anwendungen in der Materialwissenschaft am KIT‑Institut für Nanotechnologie spezialisiert hat, und Professor Christoph Brabec vom Helmholtz‑Institut Erlangen‑Nürnberg (HI ERN), ein KI‑Modell einsetzte, um ihr Ziel mit möglichst wenigen Versuchen zu erreichen.

Laut Brabec:

“Mit nur 150 gezielten Experimenten konnten wir einen Durchbruch erzielen, der sonst Hunderttausende von Tests erfordert hätte.”

Die Forscher glaubten, dass der von ihnen entwickelte Arbeitsablauf neue Wege eröffnen könnte, hochleistungsfähige Materialien schnell und wirtschaftlich für ein breites Anwendungsspektrum zu entdecken. 

Aber wie haben die Forscher das erreicht, was sie getan haben? Lassen Sie uns etwas tiefer eintauchen!

KI‑Training mit molekularen Daten

Alles begann am Helmholtz‑Institut Erlangen‑Nürnberg (HI ERN) mit einer Datenbank voller Strukturformeln für etwa eine Million virtueller Moleküle, die aus kommerziell erhältlichen Substanzen synthetisiert werden konnten. Die Forscher wählten zufällig 13.000 dieser virtuellen Moleküle aus. Um ihre Energieniveaus, Polarität, Geometrie und andere Eigenschaften zu bestimmen, nutzten die KIT‑Forscher etablierte quantenmechanische Methoden. 

Die Auswahl von 101 Molekülen aus den 13.000 basierte auf der Vielfalt ihrer molekularen Eigenschaften. Mit anderen Worten, die Wissenschaftler wählten diese 101 aus, die die größten Unterschiede in ihren Eigenschaften aufwiesen.

Anschließend synthetisierten die Wissenschaftler diese Moleküle mit robotergestützten Systemen, um Solarzellen zu produzieren, die ansonsten identisch waren. Die Messung der Effizienz dieser Solarzellen war einer der entscheidendsten Aspekte dieser Forschung.

Zum Thema dieser Effizienzbewertung sagte Brabec:

“Die Möglichkeit, dank unserer hochautomatisierten Syntheseplattform wirklich vergleichbare Proben zu erzeugen und damit zuverlässige Effizienzwert zu bestimmen, war entscheidend für den Erfolg unserer Strategie.”

Das KI‑Modell, das die Forscher trainierten und entwickelten, schlug 48 weitere Moleküle zur Synthese vor. Diese Empfehlungen basierten auf zwei Kriterien:

• Hohe erwartete Effizienz
• Unvorhersehbare Eigenschaften

Die Empfehlung der KI brachte positive Ergebnisse. Die von der KI vorgeschlagenen Moleküle ermöglichten den Bau von Solarzellen mit überdurchschnittlicher Effizienz. Einige davon konnten sogar die Leistungsfähigkeit der heutigen fortschrittlichsten Materialien übertreffen. 

Das Ergebnis bestärkte die Forscher in ihrer Entscheidung, KI einzusetzen. Bei der Charakterisierung des Erreichungsgrades sagte Friedrich:

“Wir können nicht sicher sein, dass wir das beste von einer Million Molekülen gefunden haben, aber wir sind sicherlich nahe am Optimum.”

Der Einsatz von KI war wirklich ermutigend, da er den Forschern Einblicke in die von ihr vorgeschlagenen Moleküle ermöglichte. Die KI‑Vorschläge basierten teilweise auf dem Vorhandensein bestimmter chemischer Gruppen, wie Aminen, die Chemiker zuvor übersehen hatten. Das Hervorheben dieser übersehenen chemischen Gruppen war zweifellos ein bedeutendes positives Ergebnis des KI‑Einsatzes.

Im Großen und Ganzen ist der Einsatz von KI zur Förderung der Solartechnologie nicht neu. Die Internationale Agentur für Erneuerbare Energien führte eine umfassende Studie darüber durch, wie KI‑Anwendungen die Prozesse der Integration erneuerbarer Energien verbessern könnten, insbesondere bei Wind- und Solarenergie. 

Im nächsten Abschnitt betrachten wir einige Erkenntnisse des Berichts, um einen umfassenden Überblick darüber zu erhalten, wie KI in der Solartechnologie wirksam sein könnte. 

Vielseitige Anwendung von KI zur Weiterentwicklung der Solartechnologie

KI kann die Solartechnologie effizienter machen, indem sie verbesserte Prognosen für die Erzeugung erneuerbarer Energie ermöglicht. Big Data und KI könnten genaue Stromerzeugungsprognosen erzeugen, die die Integration deutlich mehr erneuerbarer Energie ins Netz ermöglichen würden. Der Bericht nennt das Beispiel von IBM, das 2015 in Zusammenarbeit mit der SunShot‑Initiative des US-Energieministeriums eine Verbesserung von 30 % bei der Solarprognose erzielen konnte. 

Das selbstlernende Wettermodell und die Technologie zur Vorhersage erneuerbarer Erzeugung nutzten große Datensätze historischer Daten sowie Echtzeitmessungen von lokalen Wetterstationen, Sensornetzwerken, Satelliten und Himmelbildkameras.

Systembetreiber könnten ebenfalls von genauen Kurzfristprognosen profitieren, was die Einheitszuweisung verbessert, die Dispatch‑Effizienz erhöht, Zuverlässigkeitsprobleme reduziert und die für das System benötigten Betriebsvorräte verringert.  

Der Bericht hob zwei Projekte hervor. Eines war EWeLiNE, ein deutsches Forschungsprojekt, das maschinelle Lernsoftware einsetzte und 2017 endete. Das andere war Gridcast, dessen Nachfolger. Beide nutzten KI, um die Stromerzeugung vorherzusagen. Sie zogen Daten von Solarsensoren, Windturbinen und Wettervorhersagen heran. Das half, verschwendete Energie zu reduzieren.

KI könnte auch eine entscheidende Rolle bei der Aufrechterhaltung der Netzstabilität und -zuverlässigkeit spielen. Vier Unternehmen (Adaptricity, AEK, Alpiq und Landis+Gyr (LAND.SW )) zusammen mit dem Kanton Solothurn testen, wie KI‑Lösungen die zukünftige Netzstabilität sichern und Investitionen in teure Netzausweitungen in einem Pilotprojekt namens SoloGrid minimieren können.

Es zeigte sich, dass KI die Kapazität von Stromnetzen erhöhen und den Bedarf an neuen Leitungen verringern kann, indem sie vorhandene Leitungen basierend auf Wetterbedingungen besser nutzt. KI‑basierte Systeme, die große Mengen an Wetterdaten verwenden, könnten die optimale Nutzung bestehender Stromnetze sicherstellen, indem sie den Betrieb jederzeit an die Wetterbedingungen anpassen und so Engpässe reduzieren.

KI könnte auch Sicherheit, Zuverlässigkeit und Effizienz in Stromsystemen verbessern, indem sie Störungen automatisch erkennt. KI‑Modelle, die mit Beispielen typischer Systemausfälle trainiert wurden, könnten allmählich lernen, normale Betriebsdaten von definierten Systemfehlfunktionen zu unterscheiden und präzise zu kategorisieren. Infolgedessen könnte der Algorithmus in Bruchteilen einer Sekunde Entscheidungen über das Vorhandensein einer Anomalie oder eines Fehlers sowie dessen Art und Standort treffen. Konkret könnte der Algorithmus innerhalb von 20–50 ms zu einer Entscheidung kommen, was ausreichend Zeit bietet, um geeignete vollautomatisierte Gegenmaßnahmen umzusetzen.

KI könnte die Solartechnologie auch durch verbesserte Bedarfsprognosen stärken. Der Bericht nannte ein Beispiel: BeeBryte, ein französisches Startup. Es nutzte KI, um den thermischen Energiebedarf eines Gebäudes vorherzusagen. Dadurch konnte Heizung und Kühlung zum richtigen Zeitpunkt erzeugt werden. Kunden konnten einen Betriebstemperaturbereich festlegen, und die KI hielt diesen konstant. Das führte zu Einsparungen von bis zu 40 % bei den Nebenkosten.

KI half zudem, die Lebensdauer von Speichereinheiten zu verlängern. Sie nutzte prädiktive Logik, um Laden und Entladen zu optimieren. Der Bericht erwähnte Athena, ein KI‑System des kalifornischen Unternehmens Stem. Es kartierte den Energieverbrauch und verfolgte Schwankungen der Energiepreise. Dadurch können Kunden den Speicher effizienter nutzen.

Abgesehen von innovativen und genialen Startups haben mehrere große Unternehmen KI eingesetzt, um Anwendungen der Solartechnologie voranzutreiben. In den kommenden Abschnitten diskutieren wir zwei dieser Unternehmen und wie sie KI nutzten, um die Solartechnologie voranzubringen. 

1. Google

Google ist dafür bekannt, seine DeepMind‑KI‑Systeme zu nutzen, um die Leistung seiner Solarfarmen vorherzusagen, wobei genaue Prognosen bereitgestellt werden, die helfen, den Energieverbrauch zu optimieren und Kosten zu senken. Ein Bericht legt nahe, dass dadurch der für die Kühlung eines Google‑Rechenzentrums genutzte Energieverbrauch um 40 % (eine Gesamtreduktion des Stromverbrauchs um 15 %) gesenkt wurde, indem ausschließlich historische Sensordaten aus dem Rechenzentrum (z. B. Temperaturen, Leistung, Pumpengeschwindigkeiten, Sollwerte) zur Verbesserung der Energieeffizienz verwendet wurden. Das KI‑System sagt die zukünftige Temperatur und den Druck des Rechenzentrums für die nächste Stunde voraus und gibt Empfehlungen, ob der Verbrauch ein- oder ausgeschaltet werden soll.

Beeinflusst von diesem Erfolg hat das Unternehmen diese Innovationen auf die nächste Stufe gehoben, indem die Empfehlungen nicht mehr von Menschen umgesetzt wurden, sondern das KI‑System die Kühlung des Rechenzentrums direkt steuerte, jedoch weiterhin unter Aufsicht von Fachleuten.

Im Jahr 2015 startete Google das Projekt Sunroof, um Hausbesitzern das Potenzial ihrer Solareinsparungen zu schätzen. Aufbauend auf den im Rahmen dieses Projekts gewonnenen Erkenntnissen stellte das Unternehmen 2023 ein neues Solar‑API‑Tool vor. Es nutzte Kartierungs‑ und Rechenressourcen, um detaillierte Daten zum Solarpotenzial von Dächern für mehr als 320 Millionen Gebäude in 40 Ländern, darunter die USA, Frankreich und Japan, bereitzustellen.

Google trainierte sein KI‑Modell, um 3D‑Informationen über die Dachgeometrie direkt aus Luftbildern zu extrahieren, zusammen mit Details zu Bäumen und Schatten, während das Solar‑API Faktoren wie historische Wettermuster in der Region, Energiekosten und mehr berücksichtigte. Ziel ist es, Solarteuren zu ermöglichen, das Solarpotenzial und die Kosten zu verstehen, bevor sie ein Gebiet überhaupt besuchen. 

Am 29. Oktober 2024 gab Alphabet Inc. (GOOG ) seine Finanzergebnisse für das Quartal bekannt, das am 30. September 2024 endete. Der konsolidierte Umsatz von Alphabet im dritten Quartal 2024 stieg um 15 % bzw. 16 % in konstanter Währung gegenüber dem Vorjahr auf 88,3 Milliarden US‑Dollar, was das starke Momentum im gesamten Unternehmen widerspiegelt.

2. GE

Im Jahr 2023 brachte GE Vernova (GEV ) Fleet Orchestration auf den Markt, eine neue Software, die KI und maschinelles Lernen nutzt, um Energieversorgern zu helfen, die Nutzung erneuerbarer Energien zu maximieren.

Während sie über den Nutzen und die Vorteile der Lösung sprach, sagte Linda Rae, General Manager für Stromerzeugung und Öl‑ und Gasgeschäft von GE Vernova’s Digital Business, Folgendes:

“Erneuerbare Energien wie Wind und Sonne spielen eine wichtige Rolle beim Energiewandel. Sie sind entscheidend, um die Abhängigkeit der Welt von fossilen Brennstoffen zu reduzieren. Die Herausforderung besteht darin, dass diese Energiequellen von Natur aus variabel sind – der Wind weht nicht immer, und die Sonne scheint nicht immer. Aber die Menschen erwarten immer, dass das Licht angeht, wenn sie den Schalter umlegen. Dies ist der Punkt, an dem Softwarelösungen wie Fleet Orchestration dazu beitragen können, diese Unsicherheit für Energieunternehmen zu verringern, ihnen das nötige Vertrauen zu geben, um die Netzstabilität zu gewährleisten und gleichzeitig Emissionen zu reduzieren.”

Laut einer von ISO New England veröffentlichten Studie könnten die Reservekapazitäten bis 2040 von 15 % auf 300 % steigen, um einen Anteil von 56 % erneuerbarer Energien zu erreichen. GE ist der Ansicht, dass die Fähigkeit seiner Software, bei der Festlegung geeigneter Reserven – also der Menge zusätzlicher Ressourcen, um Stromsysteme in Stresszeiten zuverlässig zu halten – zu unterstützen, zum richtigen Zeitpunkt kommt.

Vor einer Woche veröffentlichte GE Vernova seine Finanzergebnisse für das vierte Quartal und das Gesamtjahr, das am 31. Dezember 2024 endete. Das Unternehmen meldete einen Jahresumsatz von 34,9 Milliarden US‑Dollar, ein Wachstum von +5 % bzw. +7 % organisch, getrieben durch Elektrifizierung und Energie.

KI und Solartechnologie werden in Zukunft Hand in Hand gehen

Damit KI für das Solartechnologie‑Regime nützlicher wird, muss sie in Zukunft bestimmte Schritte unternehmen. Es muss ein robustes System zur Sammlung nützlicher Daten geben. Der nächste Schritt wäre die effiziente Operationalisierung dieser Daten durch deren richtige Strukturierung, um sie nutzbar zu machen. Drittens muss sichergestellt werden, dass verschiedene Datensätze effektiv miteinander kommunizieren und Mehrwert bieten. Schließlich müssen die KI‑Modelle optimiert und feinabgestimmt werden, um ihr maximales Potenzial auszuschöpfen. 

Klicken Sie hier für eine Liste der Top‑Solaraktien zum Investieren.

Studienreferenz:

^{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). Inverse‑Design‑Workflow entdeckt ladungstragende Materialien, die für Perowskit‑Solarzellen maßgeschneidert sind. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}