Tekoälyä käytetään edistämään aurinkoteknologiaa nopeammin kuin koskaan

Aurinkokennojen ja -paneelien markkinat kehittyvät nopeasti. Julkisesti saatavilla olevien arvioiden mukaan aurinkopaneelien maailmanlaajuinen markkina-arvo oli noin 82 miljardia Yhdysvaltain dollaria vuonna 2023, ja sen ennustetaan nousevan 260 miljardiin dollariin vuonna 2031, mikä on yli kolminkertainen kasvu kahdeksassa vuodessa.

Aurinkopaneelien kehitys perustuu aurinkokennojen parannuksiin, jotka ovat paneelien peruskomponentteja. Paneelit on valmistettu monikiteisistä tai polykiteisistä piisiläiskennöistä, jotka on juotettu yhteen ja suljettu heijastuksenestopinnoitteen alla olevaan lasikatteeseen. Epäilemättä aurinkoteknologian edistyminen riippuu kennojen parannuksista. Keskustelemme tästä läpimurrosta seuraavassa osiossa.

Koneoppimisen hyödyntäminen uusien puolijohdemolekyylien etsinnän nopeuttamiseksi perovskiittisolariselle soluille

Karlsruhen teknillisessä instituutissa (KIT) työskentelevät tutkijat, osana kansainvälistä tiimiä, löysivät uusia orgaanisia molekyylejä, jotka lisäsivät perovskiittisolaristen solujen tehokkuutta^1. Saavuttaessaan tavoitteensa, tutkijatiimi käytti älykästä yhdistelmää tekoälyä ja automatisoitua suurikapasiteettista synteesiä. Kuten raportti korostaa, tutkimus soveltuu myös muihin materiaalitutkimuksen alueisiin, kuten uusien akkumateriaalien etsintään. 

Tutkimusta kuvaavassa tieteellisessä artikkelissa todetaan, että räätälöityjen orgaanisten molekyylien käänteissuunnittelu erityisiin korkean monimutkaisuuden optoelektronisiin laitteisiin tarjoaa valtavan, vielä toteuttamattoman potentiaalin. Ennen tutkimustuloksia olevat mallit perustuivat suuriin aineistoihin, joita ei yleensä ollut erikoistuneille tutkimusaloille.

Tutkijat esittelivät suljetun silmukan työnkulun, jossa yhdistettiin orgaanisten puolijohteiden suurikapasiteettinen synteesi suurten aineistojen luomiseksi ja Bayesilainen optimointi uusien aukkojen kuljetusmateriaalien löytämiseksi, joilla on räätälöidyt ominaisuudet aurinkokennojen sovelluksiin. Ennustavat mallit perustuivat molekyylikuvauksiin, jotka mahdollistivat tutkijoille materiaalien rakenteen ja suorituskyvyn yhteyden.

Kaiken kaikkiaan tutkimus pystyi tunnistamaan sarjan suorituskykyisiä molekyylejä vähäisistä ehdotuksista saakka, saavuttaen jopa 26,2 % (sertifioitu 25,9 %) energianmuunnosasteen perovskiittisolarisissa soluissa.

Vaikka tutkimusryhmän saavuttaman tuloksen tieteellinen selitys saattaa kuulostaa liian tekniseltä, on olemassa helpompia tapoja ymmärtää ongelmakohdat ja miten ratkaisut nousivat esiin. 

Työ, jossa selvitetään, mikä miljoonasta eri molekyylistä johtaa positiivisia varauksia ja tekee perovskiittisolarisista soluista erityisen tehokkaita, vaatisi kaikkien niiden synteesiä ja testaamista. Tekoälyn käyttöönotto auttoi vähentämään tätä työlästä kuormaa, kun tutkijaryhmää, jota johti tenure-track -professori Pascal Friederich, joka on erikoistunut tekoälyn soveltamiseen materiaalitieteessä KIT:n nanoteknologian instituutissa, sekä professori Christoph Brabec Helmholtz Instituutista Erlangen-Nürnberg (HI ERN), ohjattiin tekoälymalli mahdollisimman vähäisillä yrityksillä.

Brabecin mukaan:

“Vain 150 kohdennettua kokeilua avulla pystyimme saavuttamaan läpimurron, joka muuten olisi vaatinut satoja tuhansia testejä.”

Tutkijat uskoivat kehittämänsä työnkulun avaavan uusia tapoja löytää nopeasti ja taloudellisesti suorituskykyisiä materiaaleja monenlaisiin sovelluksiin. 

Mutta miten tutkijat saavuttivat tämän? Sukelletaan hieman syvemmälle!

Tekoälyn kouluttaminen molekyylidatan avulla

Kaikki alkoi Helmholtz Institute Erlangen-Nürnbergissa (HI ERN), jossa oli tietokanta, joka sisälsi rakenteellisia kaavoja noin miljoonasta virtuaalisesta molekyylistä, jotka voitiin synteettisesti valmistaa kaupallisesti saatavilla olevista aineista. Tutkijat valitsivat näistä virtuaalimolekyyleistä satunnaisesti 13 000. Määrittääkseen niiden energiatason, polariteetin, geometrian ja muut ominaisuudet, KIT:n tutkijat käyttivät vakiintuneita kvanttimekaanisia menetelmiä. 

101 molekyylin valinta 13 000:sta perustui niiden molekyylien ominaisuuksien monimuotoisuuteen. Toisin sanoen, tutkijat valitsivat nämä 101, joilla oli suurimmat erot ominaisuuksissa.

Tämän jälkeen tutkijat synteettivät nämä molekyylit robottijärjestelmillä tuottaakseen aurinkokennoja, jotka olivat muuten identtisiä. Näiden aurinkokennojen tehokkuuden mittaaminen oli yksi tärkeimmistä tutkimuksen osa-alueista.

Puhuttaessa tästä tehokkuuden arvioinnista, Brabec sanoi:

“Kyky tuottaa todella vertailukelpoisia näytteitä erittäin automatisoidun synteesialustamme ansiosta, ja siten pystyä määrittämään luotettavia tehokkuusarvoja, oli ratkaisevaa strategiamme menestykselle.”

Tutkijoiden kouluttama ja kehittämä tekoälymalli ehdotti 48 muuta molekyyliä synteesiin. Nämä suositukset perustuivat kahteen kriteeriin:

• Korkea odotettu tehokkuus
• Ennakoimattomat ominaisuudet

Tekoälyn suositus tuotti positiivisia tuloksia. Tekoälyn ehdottamat molekyylit mahdollistivat aurinkokennojen rakentamisen, joiden tehokkuus oli keskimääräistä parempi. Jotkut näistä saattoivat jopa ylittää nykyisten edistyksellisimien materiaalien kyvyt. 

Tulokset vahvistivat tutkijoiden päätöksen käyttää tekoälyä. Kun saavutuksen tasoa kuvailtiin, Friedrich sanoi:

“Emme voi olla varmoja, että olemme todella löytäneet parhaan miljoonasta molekyylistä, mutta olemme varmasti lähellä optimaalia.”

Tekoälyn käyttöönotto oli todella rohkaisevaa, sillä se auttoi tutkijoita saamaan ymmärrystä ehdotetuista molekyyleistä. Tekoälyn ehdotukset perustuivat osittain tiettyjen kemiallisten ryhmien, kuten amiinien, läsnäoloon, jotka kemistit olivat aiemmin jättäneet huomiotta. Näiden huomiotta jääneiden kemiallisten ryhmien korostaminen oli epäilemättä merkittävä positiivinen tulos tekoälyn käyttöönotosta.

Laajasti tarkasteltuna tekoälyn käyttöönotto aurinkoteknologian edistämiseksi ei ole uusi asia. Kansainvälinen uusiutuvan energian virasto (International Renewable Energy Agency) on toteuttanut laajan tutkimuksen siitä, miten tekoälysovellukset voivat parantaa uusiutuvan energian integrointiprosesseja, erityisesti tuuli- ja aurinkovoiman osalta. 

Seuraavassa osiossa tarkastelemme joitakin raportin oivalluksia saadaksemme kattavan yleiskuvan siitä, miten tekoäly voi osoittautua tehokkaaksi aurinkoteknologiassa. 

Monipuolinen tekoälyn soveltaminen aurinkoteknologian edistämisessä

Tekoäly voi auttaa aurinkoteknologiaa tulemaan tehokkaammaksi parantamalla uusiutuvan energian tuotannon ennusteita. Suuret tiedot ja tekoäly voivat tuottaa tarkkoja energian tuotannon ennusteita, jotka mahdollistavat huomattavasti suuremman uusiutuvan energian integroinnin verkkoon. Raportti mainitsee esimerkin IBM:stä, joka vuonna 2015 pystyi osoittamaan 30 % parannuksen aurinkosääntelyssä työskennellessään Yhdysvaltain energiaministeriön SunShot-aloitteen kanssa.

Itseoppiva säämalli ja uusiutuvan energian tuotannon ennustusteknologia hyödynsivät suuria historiallisten tietojen sekä reaaliaikaisen mittauksen aineistoja, jotka oli integroitu paikallisista sääasemista, anturiverkoista, satelliiteista ja taivaankuvakameroista.

Järjestelmäoperaattorit voisivat myös hyötyä tarkasta lyhyen aikavälin ennusteesta, mikä parantaisi yksikön sitoutumista, lisäisi jakelutehokkuutta, vähentäisi luotettavuusongelmia ja pienentäisi järjestelmässä tarvittavien käyttövarantojen määrää.  

Raportti korosti kahta projektia. Toinen oli EWeLiNE, saksalainen tutkimusprojekti, joka käytti koneoppimistoimintoa ja päättyi vuonna 2017. Toinen oli Gridcast, sen jatkokehitys. Molemmat käyttivät tekoälyä energian tuotannon ennustamiseen. Ne keräsivät dataa aurinkosensoreista, tuuliturbiineista ja sääennusteista. Tämä auttoi vähentämään hukkaan menevää energiaa.

Tekoäly voisi myös näytellä keskeistä roolia verkon vakauden ja luotettavuuden ylläpitämisessä. Neljä yritystä (Adaptricity, AEK, Alpiq ja Landis+Gyr (LAND.SW )) yhdessä Solothurnin kantonin kanssa testaavat, miten tekoälyratkaisut voivat varmistaa tulevan verkon vakauden ja minimoida kalliiden verkon laajennushankkeiden investoinnit pilot-hankkeessa nimeltä SoloGrid. 

Havaittiin, että tekoäly voisi lisätä sähköverkkojen kapasiteettia ja vähentää uusien linjojen tarvetta hyödyntämällä olemassa olevia linjoja paremmin sääolosuhteiden perusteella. Sään perusteella toimivat tekoälypohjaiset järjestelmät voisivat varmistaa olemassa olevien sähköverkkojen optimaalisen käytön mukauttamalla toimintoja sääolosuhteisiin milloin tahansa, mikä vähentäisi ruuhkia.

Tekoäly voisi myös parantaa turvallisuutta, luotettavuutta ja tehokkuutta energiajärjestelmissä havaitsemalla häiriöitä automaattisesti. Tekoälymallit, jotka on koulutettu tyypillisten järjestelmäkatkosten esimerkeillä, voisivat vähitellen oppia erottamaan – ja tarkasti luokittelemaan – normaalin käyttödatan määritellyistä järjestelmävirheistä. Tämän seurauksena algoritmi voisi tehdä murto-osa sekunnin päätöksiä poikkeaman tai vian läsnäolosta sekä sen tyypistä ja sijainnista. Tarkemmin sanottuna algoritmi voisi tehdä päätöksen 20–50 ms sisällä, tarjoten riittävästi aikaa toteuttaa asianmukaiset täysin automatisoidut vastatoimet.

Tekoäly voisi myös tehostaa aurinkoteknologiaa parantamalla kysynnän ennustamista. Raportti antoi esimerkin: BeeBryte, ranskalainen startup. Se käytti tekoälyä ennustamaan rakennuksen lämmitysenergian kysyntää. Tämä mahdollisti lämmityksen ja jäähdytyksen tuottamisen oikeaan aikaan. Asiakkaat voivat asettaa toiminta‑lämpötilan alueen, ja tekoäly piti sen tasaisena. Tämä johti jopa 40 % säästöihin energiakustannuksissa.

Tekoäly auttoi myös pidentämään varastoyksiköiden käyttöikää. Se käytti ennustavaa logiikkaa latauksen ja purkamisen optimoimiseksi. Raportti mainitsi Athena, Kalifornian yrityksen Stem:n kehittämän tekoälyjärjestelmän. Se kartoitti energian kulutuksen ja seurasi energian hintavaihteluita. Tämä mahdollisti asiakkaiden varastojen tehokkaamman käytön.

Innovatiivisten ja nerokkaiden startupien lisäksi useat suuret yritykset ovat käyttäneet tekoälyä edistääkseen aurinkoteknologian sovelluksia. Seuraavissa osioissa käsittelemme kahta tällaista yritystä ja miten ne sovelsivat tekoälyä aurinkoteknologian edistämiseksi. 

1. Google

Google tunnetaan siitä, että se käyttää DeepMind AI systems ennustamaan aurinkovoimapuistojensa tuotantoa, tarjoten tarkkoja ennusteita, jotka auttavat optimoimaan energian kulutusta ja vähentämään kustannuksia. Yksi raportti kertoo, että se vähensi Googlen datakeskuksen jäähdytykseen käytettyä energiaa 40 % (kokonaisenergiankulutuksen 15 % vähennys) käyttämällä pelkästään historiallisia anturitietoja datakeskuksen sisällä (esim. lämpötilat, teho, pumpun nopeudet, asetuspisteet) energiatehokkuuden parantamiseksi. Tekoälyjärjestelmä ennustaa datakeskuksen tulevaa lämpötilaa ja painetta seuraavan tunnin aikana ja antaa suosituksia siitä, tulisiko kulutusta kytkeä päälle tai pois.

Innostuneena menestyksestään yritys veti nämä innovaatiot seuraavalle tasolle, jolloin sen suosituksia eivät enää toteuttaneet ihmiset, vaan tekoälyjärjestelmä ohjasi suoraan datakeskuksen jäähdytystä pysyen kuitenkin asiantuntijaoperaattorien valvonnassa.

Vuonna 2015 Google lanseerasi Project Sunroof -hankkeen, jonka avulla kotitalousomistajat voivat arvioida aurinkosäästön potentiaalinsa. Rakentaen tätä projektista saatuun asiantuntemukseen, yritys julkaisi vuonna 2023 uuden Solar API -työkalun. Se käytti kartoitus- ja laskentaresursseja tarjotakseen yksityiskohtaisia kattopotentiaalitietoja yli 320 miljonnalle rakennukselle 40 maassa, mukaan lukien Yhdysvallat, Ranska ja Japani.

Google koulutti tekoälymallinsa poimimaan 3D‑tietoa katon geometriasta suoraan ilmakuvista, sekä tietoa puista ja varjostuksesta, samalla kun Solar API otti huomioon tekijöitä kuten historialliset sääolosuhteet alueella, energian hinnat ja muut. Tavoitteena on antaa aurinkoinstallaattoreille mahdollisuus ymmärtää aurinkopotentiaali ja kustannukset ennen kuin he edes vierailevat kohteessa. 

29. lokakuuta 2024 Alphabet Inc. (GOOG ) ilmoitti vuosikautensa taloudellisista tuloksista, jotka päättyivät 30. syyskuuta 2024. Yhdistetyt Alphabetin tulot Q3‑2024 nousivat 15 %, tai 16 % vakiovaluutassa, edellisvuoteen verrattuna 88,3 miljardiin dollariin, mikä heijastaa vahvaa liiketoiminnan vauhtia. 

2. GE

Vuonna 2023 GE Vernova (GEV ) lanseerasi Fleet Orchestration -ohjelmiston, joka hyödynsi tekoälyä ja koneoppimista auttaakseen energiayhtiöitä maksimoimaan uusiutuvan energian käytön.

Puhuttaessa ratkaisun hyödyistä, GE Vernovan digitaalisen liiketoiminnan energian tuotannon ja öljy- ja kaasun yleisjohtaja Linda Rae sanoi seuraavaa:

“Uusiutuvat energialähteet, kuten tuuli ja aurinko, näyttelevät tärkeää roolia energiasiirtymässä. Ne ovat avainasemassa maailman riippuvuuden vähentämisessä fossiilisista polttoaineista. Haasteena on, että nämä energialähteet ovat luonteeltaan vaihtelevia – tuuli ei puhalla aina ja aurinko ei paista aina. Mutta ihmiset odottavat valojen syttyvän, kun he kytkevät valokytkimen. Tässä ohjelmistoratkaisut, kuten Fleet Orchestration, voivat auttaa vähentämään tätä epävarmuutta energiayhtiöille, antaen heille tarvittavan luottamuksen varmistaa verkon vakaus samalla kun vähennetään päästöjä.”

ISO New Englandin julkaisemien tutkimusten mukaan varausmarginaalien on ehkä lisättävä 15 %:sta 300 %:iin vuoteen 2040 mennessä, jotta uusiutuvan energian osuus saavuttaisi 56 %. GE uskoo, että sen ohjelmiston kyky auttaa asettamaan sopivia marginaaleja – ylimääräisten resurssien määrää, joka pitää energiajärjestelmät luotettavina stressaavina aikoina – tulee oikeaan aikaan.

Viikko sitten GE Vernova julkaisi neljännen neljänneksen ja koko vuoden 2024 taloudelliset tulokset, jotka päättyivät 31. joulukuuta 2024. Yritys raportoi koko vuoden liikevaihdoksi 34,9 miljardia dollaria, +5 %, +7 %, orgaanisesti sähköistymisen ja energian ohjauksen johdosta. 

Tekoäly ja aurinkoteknologia kävelevät käsi kädessä tulevaisuudessa

Jotta tekoälystä tulisi hyödyllisempi aurinkoteknologian ekosysteemille, sen on tehtävä tietyt askeleet tulevaisuudessa. Ensinnäkin tarvitaan vankka mekanismi hyödyllisen datan keräämiseen. Seuraava askel olisi tehokas datan operatiivinen hyödyntäminen jäsentämällä se toimivaksi. Kolmanneksi on varmistettava, että eri aineistot pystyvät kommunikoimaan tehokkaasti ja tuottamaan arvoa. Lopuksi tekoälymallit on optimoitava ja hienosäädettävä maksimaalisen suorituskyvyn saavuttamiseksi. 

Klikkaa tästä saadaksesi listan parhaista aurinkosijoituksista.

Tutkimusviite:

^{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). Käänteissuunnittelutyönkulku löytää perovskiittisolarisille soluja räätälöidyt aukkojen kuljetusmateriaalit. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}