La IA se está utilizando para impulsar la tecnología solar más rápido que nunca

El mercado de células y paneles solares está avanzando rápidamente. Según estimaciones públicas, el valor del mercado de paneles solares a nivel mundial se situó en torno a US$82 mil millones en 2023 y se prevé alcanzar US$260 mil millones en 2031, más de un crecimiento triple en ocho años.

El progreso de la energía solar depende de mejoras en las células solares, los componentes fundamentales de los paneles solares. Los paneles están hechos de células solares de silicio monocristalino o policristalino soldadas entre sí y selladas bajo una cubierta de vidrio antirreflectante. Sin duda, cualquier avance en la tecnología solar depende de mejoras en las células solares. Discutiremos uno de esos avances en el siguiente segmento.

Desplegando Aprendizaje Automático para Acelerar la Búsqueda de Nuevas Moléculas Semiconductoras para Células Solares de Perovskita

Investigadores del Instituto Tecnológico de Karlsruhe, trabajando como parte de un equipo internacional, pudieron encontrar nuevas moléculas orgánicas que aumentaron la eficiencia de las células solares de perovskita^1. Al lograr su misión, el equipo de investigadores utilizó una combinación inteligente de IA y síntesis automatizada de alto rendimiento. Como destaca el informe, la investigación es compatible con aplicaciones en otras áreas de la investigación de materiales, incluida la búsqueda de nuevos materiales para baterías. 

El artículo científico que detalla la investigación afirma que el diseño inverso de moléculas orgánicas a medida para dispositivos optoelectrónicos específicos de alta complejidad posee un enorme potencial que aún no se ha realizado. Los modelos que existían antes de que salieran los resultados de la investigación se basaban en grandes conjuntos de datos que generalmente no existían para campos de investigación especializados.

Los investigadores demostraron un flujo de trabajo de bucle cerrado que combinó la síntesis de alto rendimiento de semiconductores orgánicos para crear grandes conjuntos de datos y la optimización bayesiana para descubrir nuevos materiales de transporte de huecos con propiedades a medida para aplicaciones en células solares. Los modelos predictivos se basaron en descriptores moleculares que permitieron a los científicos vincular la estructura de estos materiales con su rendimiento. 

En conjunto, la investigación pudo identificar una serie de moléculas de alto rendimiento a partir de sugerencias mínimas hasta alcanzar hasta un 26,2% (certificado 25,9%) de eficiencia de conversión de energía en células solares de perovskita.

Aunque la explicación científica de lo que el equipo de investigación logró puede sonar demasiado técnica para comprenderla, existen formas más sencillas de entender los puntos críticos y cómo surgieron las soluciones. 

El trabajo de averiguar cuál de un millón de moléculas diferentes conduciría cargas positivas y haría que las células solares de perovskita fueran particularmente eficientes requeriría sintetizar y probar todas ellas. El despliegue de IA ayudó a reducir esta carga engorrosa, ya que el equipo de investigadores, encabezado por el profesor titular Pascal Friederich, especializado en aplicaciones de IA en ciencia de materiales en el Instituto de Nanotecnología del KIT, y el profesor Christoph Brabec del Instituto Helmholtz Erlangen-Nürnberg (HI ERN), desplegó un modelo de IA para cumplir su objetivo con el menor número posible de intentos.

Según Brabec:

“Con solo 150 experimentos dirigidos, pudimos lograr un avance que de otro modo habría requerido cientos de miles de pruebas.”

Los investigadores creían que el flujo de trabajo que desarrollaron podría abrir nuevas vías para descubrir de forma rápida y económica materiales de alto rendimiento para una amplia gama de aplicaciones. 

¿Pero cómo lograron los investigadores lo que hicieron? ¡Profundicemos un poco más!

Entrenando IA con Datos Moleculares

Todo comenzó en el Instituto Helmholtz Erlangen-Nürnberg (HI ERN), con una base de datos llena de fórmulas estructurales de aproximadamente un millón de moléculas virtuales que podían sintetizarse a partir de sustancias comercialmente disponibles. Los investigadores seleccionaron 13.000 al azar de estas moléculas virtuales. Para determinar sus niveles de energía, polaridad, geometría y otras propiedades, los investigadores del KIT utilizaron métodos cuánticos establecidos. 

La selección de 101 moléculas de entre las 13.000 se basó en la diversidad de sus propiedades moleculares. En otras palabras, los científicos eligieron esas 101 con las mayores diferencias en sus propiedades.

Posteriormente, los científicos sintetizaron estas moléculas con sistemas robóticos para producir células solares que, de otro modo, eran idénticas. Medir la eficiencia de estas células solares fue uno de los aspectos más cruciales de esta investigación.

Al hablar de esta evaluación de eficiencia, Brabec dijo:

“Poder producir muestras verdaderamente comparables gracias a nuestra plataforma de síntesis altamente automatizada, y así poder determinar valores de eficiencia fiables, fue crucial para el éxito de nuestra estrategia.”

El modelo de IA que los investigadores entrenaron y desarrollaron sugirió 48 moléculas adicionales para sintetizar. Estas recomendaciones se basaron en dos criterios:

• Alta eficiencia esperada
• Propiedades impredecibles

La recomendación de la IA dio resultados positivos. Las moléculas sugeridas por la IA permitieron construir células solares con una eficiencia superior a la media. Algunas de ellas incluso podrían superar las capacidades de los materiales más avanzados de hoy. 

El resultado tranquilizó a los investigadores sobre su decisión de desplegar IA. Al caracterizar el nivel de logro, Friedrich dijo:

“No podemos estar seguros de haber encontrado realmente la mejor de un millón de moléculas, pero ciertamente estamos cerca del óptimo.”

El despliegue de IA fue realmente alentador, ya que ayudó a los investigadores a obtener información sobre las moléculas que sugería. Las sugerencias de la IA se basaron en parte en la presencia de ciertos grupos químicos, como las aminas, que los químicos habían pasado por alto anteriormente. Resaltar estos grupos químicos ignorados fue sin duda un resultado positivo significativo del despliegue de IA.

En términos generales, el despliegue de IA para avanzar en la tecnología solar no es nuevo. La Agencia Internacional de Energía Renovable realizó un estudio exhaustivo sobre cómo las aplicaciones de IA podrían mejorar los procesos de integración de energía renovable, especialmente los que involucran energía eólica y solar. 

En el siguiente segmento, analizaremos algunas de las ideas del informe para obtener una visión completa de cómo la IA podría resultar eficaz en la tecnología solar. 

Aplicaciones Diversas de la IA en el Avance de la Tecnología Solar

La IA puede ayudar a que la tecnología solar sea más eficiente al generar pronósticos mejorados de generación de energía renovable. El big data y la IA podrían producir pronósticos precisos de generación de energía que harían factible integrar mucha más energía renovable a la red. El informe cita el ejemplo de IBM, que, en 2015, logró una mejora del 30% en la previsión solar mientras trabajaba con la Iniciativa SunShot del Departamento de Energía de EE. UU. 

El modelo meteorológico de autoaprendizaje y la tecnología de pronóstico de generación renovable aprovecharon grandes conjuntos de datos históricos y mediciones en tiempo real integradas de estaciones meteorológicas locales, redes de sensores, satélites y cámaras de imágenes del cielo.

Los operadores del sistema también podrían beneficiarse con pronósticos precisos a corto plazo, mejorando la asignación de unidades, aumentando la eficiencia de despacho, reduciendo problemas de fiabilidad y disminuyendo las reservas operativas necesarias en el sistema.  

El informe destacó dos proyectos. Uno fue EWeLiNE, un proyecto de investigación alemán que utilizó software de aprendizaje automático y finalizó en 2017. El otro fue Gridcast, su continuación. Ambos usaron IA para predecir la generación de energía. Obtuvieron datos de sensores solares, turbinas eólicas y pronósticos meteorológicos. Esto ayudó a reducir la energía desperdiciada.

La IA también podría desempeñar un papel crucial en el mantenimiento de la estabilidad y fiabilidad de la red. Cuatro empresas (Adaptricity, AEK, Alpiq y Landis+Gyr (LAND.SW )), junto con el cantón de Solothurn, están probando cómo las soluciones de IA pueden garantizar la estabilidad futura de la red y minimizar las inversiones en costosa expansión de la red en un proyecto piloto llamado SoloGrid. 

Se observó que la IA podría aumentar la capacidad de las redes eléctricas y reducir la necesidad de nuevas líneas al aprovechar mejor las líneas existentes según las condiciones meteorológicas. Los sistemas basados en IA, que utilizan grandes cantidades de datos climáticos, podrían asegurar un uso óptimo de las redes eléctricas existentes adaptando las operaciones a las condiciones meteorológicas en cualquier momento, reduciendo así la congestión.

La IA también podría mejorar la seguridad, fiabilidad y eficiencia en los sistemas eléctricos al detectar automáticamente perturbaciones. Los modelos de IA, entrenados con ejemplos de fallas típicas del sistema, podrían aprender gradualmente a distinguir —y categorizar con precisión— los datos de operación normal de los fallos definidos del sistema. Como resultado, el algoritmo podría tomar decisiones en fracciones de segundo sobre la presencia de una anomalía o falla, así como su tipo y ubicación. Más específicamente, el algoritmo podría llegar a una decisión en 20–50 ms, proporcionando tiempo suficiente para implementar las contramedidas totalmente automatizadas apropiadas.

La IA también podría impulsar la tecnología solar mejorando la previsión de la demanda. El informe dio un ejemplo: BeeBryte, una startup francesa. Utilizó IA para predecir la demanda de energía térmica de un edificio. Esto le permite producir calefacción y refrigeración en los momentos adecuados. Los clientes pueden establecer un rango de temperatura de operación, y la IA lo mantiene constante. Esto condujo a ahorros de hasta un 40% en las facturas de servicios públicos.

La IA también ayudó a prolongar la vida útil de las unidades de almacenamiento. Utilizó lógica predictiva para optimizar la carga y descarga. El informe mencionó a Athena, un sistema de IA desarrollado por la empresa californiana Stem. Mapeó el uso de energía y siguió las fluctuaciones en las tarifas energéticas. Esto permite a los clientes usar el almacenamiento de manera más eficiente.

Además de startups innovadoras e ingeniosas, varias grandes empresas han utilizado IA para avanzar en aplicaciones de tecnología solar. En los próximos segmentos, discutiremos dos de esas compañías y cómo aplicaron IA para impulsar la tecnología solar. 

1. Google

Google es conocido por usar sus sistemas de IA DeepMind para predecir la producción de sus granjas solares, proporcionando pronósticos precisos que ayudan a optimizar el consumo de energía y reducir costos. Un informe sugiere que redujo la energía utilizada para refrigeración en un centro de datos de Google en un 40% (una reducción total del 15% en el uso de energía) utilizando solo datos históricos de sensores dentro del centro de datos (p. ej., temperaturas, energía, velocidades de bombas, puntos de ajuste) para mejorar la eficiencia energética. El sistema de IA predice la temperatura y presión futuras del centro de datos durante la próxima hora y brinda recomendaciones sobre si activar o desactivar el consumo.

Inspirada por su éxito, la compañía llevó estas innovaciones al siguiente nivel, donde, en lugar de que sus recomendaciones fueran implementadas por personas, el sistema de IA controló directamente la refrigeración del centro de datos mientras permanecía bajo la supervisión experta de los operadores del centro de datos.

En 2015, Google lanzó el Proyecto Sunroof para ayudar a los propietarios a estimar su potencial de ahorro solar. Basándose en la experiencia adquirida en ese proyecto, la compañía lanzó una nueva herramienta Solar API en 2023. Utilizó recursos de mapeo y computación para proporcionar datos detallados del potencial solar de techos para más de 320 millones de edificios en 40 países, incluidos EE. UU., Francia y Japón.

Google entrenó su modelo de IA para extraer información 3D sobre la geometría del techo directamente de imágenes aéreas, junto con detalles sobre árboles y sombras, mientras la Solar API tuvo en cuenta factores como los patrones climáticos históricos de la zona, los costos de energía y más. El objetivo es permitir a los instaladores solares comprender el potencial solar y los costos antes de visitar una zona. 

El 29 de octubre de 2024, Alphabet Inc. (GOOG ) anunció sus resultados financieros del trimestre que finalizó el 30 de septiembre de 2024. Los ingresos consolidados de Alphabet en el tercer trimestre de 2024 aumentaron un 15%, o un 16% en moneda constante, año tras año, hasta $88.3 mil millones, reflejando un fuerte impulso en todo el negocio. 

2. GE

En 2023, GE Vernova (GEV ) lanzó Fleet Orchestration, un nuevo software que aprovechó la IA y el aprendizaje automático para ayudar a las compañías eléctricas a maximizar el uso de energía renovable.

Al hablar sobre la utilidad y los beneficios que la solución ofrecía, Linda Rae, directora general de generación de energía y petróleo y gas para el negocio digital de GE Vernova, dijo lo siguiente:

“Las energías renovables como el viento y el sol juegan un papel importante en la transición energética. Son clave para reducir la (dependencia) del mundo de los combustibles fósiles. El desafío es que estas fuentes de energía son inherentemente variables —el viento no siempre sopla, y el sol no siempre brilla. Pero la gente siempre espera que sus luces se enciendan al accionar el interruptor. Aquí es donde soluciones de software, como Fleet Orchestration, pueden ayudar a reducir esta incertidumbre para las compañías eléctricas, dándoles la confianza necesaria para garantizar la estabilidad de la red mientras simultáneamente reducen las emisiones.”

Según un estudio publicado por ISO New England, los márgenes de reserva podrían necesitar aumentarse del 15% al 300% para 2040 para alcanzar un 56% de uso de renovables. GE cree que la capacidad de su software para ayudar a establecer márgenes adecuados —la cantidad de recursos adicionales para mantener los sistemas eléctricos fiables en momentos de estrés— llega en el momento oportuno.

Hace una semana, GE Vernova publicó sus resultados financieros del cuarto trimestre y del año completo que finalizó el 31 de diciembre de 2024. La compañía reportó ingresos anuales de $34.9 mil millones, +5%, +7%, impulsados orgánicamente por Electrificación y Energía. 

La IA y la Tecnología Solar Caminarán de la Mano en el Futuro

Para ser más útil al régimen de la tecnología solar, la IA deberá dar ciertos pasos en el futuro. Primero, debe existir un mecanismo robusto para recopilar datos útiles. El siguiente paso implicaría una operativización eficiente de esos datos mediante una estructuración adecuada para que sean accionables. En tercer lugar, debe asegurarse que diferentes conjuntos de datos se comuniquen eficazmente y aporten valor. Finalmente, los modelos de IA deberán optimizarse y ajustarse finamente para ofrecer el máximo rendimiento posible. 

Haga clic aquí para obtener una lista de las principales acciones solares en las que invertir.

Referencia del Estudio:

^{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). Flujo de diseño inverso descubre materiales de transporte de huecos a medida para células solares de perovskita. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}