L’IA est utilisée pour faire progresser la technologie solaire plus rapidement que jamais

Le marché des cellules et panneaux solaires progresse rapidement. Selon des estimations publiques, la valeur du marché mondial des panneaux solaires s’élevait à environ US$82 milliards en 2023 et est prévu d’atteindre US$260 milliards en 2031, soit plus de trois fois cette croissance en huit ans.

Les progrès du solaire panneaux reposent sur des améliorations des cellules solaires, les composants fondamentaux des panneaux solaires. Les panneaux sont fabriqués à partir de cellules solaires en silicium monocristalline ou polycristalline soudées ensemble et scellées sous un verre antireflet. Sans aucun doute, tout progrès dans la technologie solaire dépend des améliorations des cellules solaires. Nous discuterons d’une telle percée dans le segment suivant.

Déploiement de l’apprentissage automatique pour accélérer la recherche de nouvelles molécules semi-conductrices pour les cellules solaires à pérovskite

Des chercheurs de l’Institut de technologie de Karlsruhe, travaillant au sein d’une équipe internationale, ont pu découvrir de nouvelles molécules organiques qui ont augmenté l’efficacité des cellules solaires à pérovskite^1. En atteignant leur objectif, l’équipe de chercheurs a utilisé une combinaison intelligente d’IA et de synthèse automatisée à haut débit. Comme le souligne le rapport, la recherche est compatible avec des applications dans d’autres domaines de la recherche sur les matériaux, y compris la recherche de nouveaux matériaux pour batteries.

L’article scientifique détaillant la recherche indique que la conception inverse de molécules organiques sur mesure pour des dispositifs optoélectroniques spécifiques de haute complexité recèle un potentiel énorme qui reste inexploité. Les modèles qui existaient avant la publication des résultats de recherche reposaient sur de grands ensembles de données qui n’existaient généralement pas pour les domaines de recherche spécialisés.

Les chercheurs ont démontré un flux de travail en boucle fermée combinant la synthèse à haut débit de semi-conducteurs organiques pour créer de grands ensembles de données et l’optimisation bayésienne afin de découvrir de nouveaux matériaux de transport de trous avec des propriétés sur mesure pour les applications de cellules solaires. Les modèles prédictifs étaient basés sur des descripteurs moléculaires qui permettaient aux scientifiques de relier la structure de ces matériaux à leurs performances.

Dans l’ensemble, la recherche a pu identifier une série de molécules haute performance à partir de suggestions minimales jusqu’à atteindre jusqu’à 26,2 % (certifié 25,9 %) d’efficacité de conversion d’énergie dans les cellules solaires à pérovskite.

Bien que l’explication scientifique de ce que l’équipe de recherche a accompli puisse sembler trop technique à saisir, il existe des moyens plus simples de comprendre les points douloureux et comment les solutions sont apparues.

Le travail consistant à déterminer lesquelles parmi un million de molécules différentes conduiraient des charges positives et rendraient les cellules solaires à pérovskite particulièrement efficaces nécessiterait de synthétiser et de tester toutes ces molécules. Le déploiement de l’IA a aidé à réduire cette charge fastidieuse, car l’équipe de chercheurs, dirigée par le professeur Pascal Friederich, titulaire d’un poste de professeur en cours d’obtention, spécialisé dans les applications de l’IA en science des matériaux à l’Institut de nanotechnologie du KIT, et le professeur Christoph Brabec de l’Institut Helmholtz d’Erlangen-Nürnberg (HI ERN), ont déployé un modèle d’IA pour atteindre leur objectif avec le moins d’essais possible.

Selon Brabec:

“Avec seulement 150 expériences ciblées, nous avons pu réaliser une percée qui aurait autrement nécessité des centaines de milliers de tests.”

Les chercheurs croyaient que le flux de travail qu’ils ont développé pourrait ouvrir de nouvelles voies pour découvrir rapidement et économiquement des matériaux haute performance pour un large éventail d’applications.

Mais comment les chercheurs ont-ils accompli cela ? Approfondissons un peu plus !

Entraîner l’IA avec des données moléculaires

Tout a commencé à l’Institut Helmholtz d’Erlangen-Nürnberg (HI ERN), avec une base de données remplie de formules structurales pour environ un million de molécules virtuelles pouvant être synthétisées à partir de substances commercialement disponibles. Les chercheurs ont sélectionné aléatoirement 13 000 de ces molécules virtuelles. Pour déterminer leurs niveaux d’énergie, polarité, géométrie et autres propriétés, les chercheurs du KIT ont utilisé des méthodes quantiques établies.

La sélection de 101 molécules parmi les 13 000 a été basée sur la diversité de leurs propriétés moléculaires. En d’autres termes, les scientifiques ont choisi ces 101 molécules présentant les plus grandes différences de propriétés.

Par la suite, les scientifiques ont synthétisé ces molécules à l’aide de systèmes robotiques pour produire des cellules solaires autrement identiques. Mesurer l’efficacité de ces cellules solaires était l’un des aspects les plus cruciaux de cette recherche.

En parlant de cette évaluation d’efficacité, Brabec a déclaré:

“Être capable de produire des échantillons réellement comparables grâce à notre plateforme de synthèse hautement automatisée, et ainsi pouvoir déterminer des valeurs d’efficacité fiables, a été crucial pour le succès de notre stratégie.”

Le modèle d’IA que les chercheurs ont entraîné et développé a suggéré 48 autres molécules à synthétiser. Ces recommandations étaient basées sur deux critères :

• Haute efficacité attendue
• Propriétés imprévisibles

La recommandation de l’IA a donné des résultats positifs. Les molécules suggérées par l’IA ont permis de fabriquer des cellules solaires avec une efficacité supérieure à la moyenne. Certaines d’entre elles pouvaient même dépasser les capacités des matériaux les plus avancés d’aujourd’hui.

Le résultat a rassuré les chercheurs quant à leur décision de déployer l’IA. En caractérisant le niveau d’accomplissement, Friedrich a déclaré:

“Nous ne pouvons pas être sûrs d’avoir réellement trouvé la meilleure parmi un million de molécules, mais nous sommes certainement proches de l’optimum.”

Le déploiement de l’IA était vraiment encourageant, car il a aidé les chercheurs à mieux comprendre les molécules qu’elle suggérait. Les suggestions de l’IA étaient en partie basées sur la présence de certains groupes chimiques, tels que les amines, que les chimistes avaient auparavant négligés. Mettre en avant ces groupes chimiques négligés a indéniablement été un résultat positif important du déploiement de l’IA.

De manière générale, le déploiement de l’IA pour faire progresser la technologie solaire n’est pas nouveau. L’Agence internationale de l’énergie renouvelable a mené une étude approfondie sur la façon dont les applications d’IA pourraient améliorer les processus d’intégration des énergies renouvelables, en particulier ceux impliquant l’énergie éolienne et solaire. 

Dans le segment suivant, nous examinerons certaines des conclusions du rapport afin d’obtenir une vue d’ensemble complète de la manière dont l’IA pourrait s’avérer efficace dans la technologie solaire.

Applications diverses de l’IA dans l’avancement de la technologie solaire

L’IA peut aider la technologie solaire à devenir plus efficace en générant des prévisions améliorées de production d’énergie renouvelable. Le big data et l’IA pourraient produire des prévisions précises de production d’électricité, rendant possible l’intégration d’une bien plus grande quantité d’énergie renouvelable dans le réseau. Le rapport cite l’exemple d’IBM, qui, en 2015, a pu démontrer une amélioration de 30 % des prévisions solaires en collaboration avec l’initiative SunShot du Département de l’Énergie des États‑Unis. 

Le modèle météorologique auto-apprenant et la technologie de prévision de génération renouvelable ont exploité de grands ensembles de données historiques et de mesures en temps réel intégrées provenant de stations météorologiques locales, de réseaux de capteurs, de satellites et de caméras d’images du ciel.

Les opérateurs de système pourraient également en bénéficier grâce à des prévisions à court terme précises, améliorant l’engagement des unités, augmentant l’efficacité de la dispatch, réduisant les problèmes de fiabilité et diminuant les réserves opérationnelles nécessaires dans le système.  

Le rapport a mis en avant deux projets. L’un était EWeLiNE, un projet de recherche allemand qui utilisait un logiciel d’apprentissage automatique et s’est terminé en 2017. L’autre était Gridcast, son successeur. Les deux ont utilisé l’IA pour prédire la production d’énergie. Ils ont extrait des données provenant de capteurs solaires, d’éoliennes et de prévisions météorologiques. Cela a aidé à réduire la perte d’énergie.

L’IA pourrait également jouer un rôle crucial dans le maintien de la stabilité et de la fiabilité du réseau. Quatre entreprises (Adaptricity, AEK, Alpiq et Landis+Gyr (LAND.SW )), conjointement avec le canton de Soleure, testent comment les solutions d’IA peuvent garantir la stabilité future du réseau et minimiser les investissements dans l’expansion coûteuse du réseau dans le cadre d’un projet pilote appelé SoloGrid. 

Il a été constaté que l’IA pouvait augmenter la capacité des réseaux électriques et réduire le besoin de nouvelles lignes en exploitant mieux les lignes existantes en fonction des conditions météorologiques. Les systèmes basés sur l’IA, utilisant de grandes quantités de données météorologiques, pourraient assurer une utilisation optimale des réseaux électriques existants en adaptant les opérations aux conditions météorologiques à tout moment, réduisant ainsi la congestion.

L’IA pourrait également améliorer la sécurité, la fiabilité et l’efficacité des systèmes électriques en détectant automatiquement les perturbations. Les modèles d’IA, entraînés avec des exemples de pannes typiques du système, pourraient progressivement apprendre à distinguer — et à catégoriser précisément — les données de fonctionnement normal des dysfonctionnements définis du système. En conséquence, l’algorithme pourrait prendre des décisions en quelques millisecondes sur la présence d’une anomalie ou d’une faute, ainsi que son type et son emplacement. Plus précisément, l’algorithme pourrait parvenir à une décision en 20 à 50 ms, offrant suffisamment de temps pour mettre en œuvre les contre‑mesures entièrement automatisées appropriées.

L’IA pourrait également dynamiser la technologie solaire en améliorant la prévision de la demande. Le rapport a donné un exemple : BeeBryte, une startup française. Elle utilisait l’IA pour prédire la demande d’énergie thermique d’un bâtiment. Cela lui permet de produire le chauffage et le refroidissement aux moments appropriés. Les clients pouvaient définir une plage de température de fonctionnement, et l’IA la maintenait stable. Cela a conduit à des économies allant jusqu’à 40 % sur les factures d’énergie.

L’IA a également aidé à prolonger la durée de vie des unités de stockage. Elle a utilisé une logique prédictive pour optimiser la charge et la décharge. Le rapport a mentionné Athena, un système d’IA développé par la société californienne Stem. Il cartographiait l’utilisation d’énergie et suivait les fluctuations des tarifs énergétiques. Cela permet aux clients d’utiliser le stockage plus efficacement.

Outre les startups innovantes et ingénieuses, plusieurs grandes entreprises ont utilisé l’IA pour faire progresser les applications de la technologie solaire. Dans les prochains segments, nous discuterons de deux de ces entreprises et de la façon dont elles ont appliqué l’IA pour faire avancer la technologie solaire. 

1. Google

Google est connu pour utiliser ses systèmes d’IA DeepMind pour prédire la production de ses fermes solaires, fournissant des prévisions précises qui aident à optimiser la consommation d’énergie et à réduire les coûts. Un rapport indique qu’elle a réduit l’énergie utilisée pour le refroidissement d’un centre de données Google de 40 % (une réduction globale de 15 % de la consommation d’énergie) en n’utilisant que des données historiques de capteurs provenant du centre de données (par ex., températures, puissance, vitesses de pompes, consignes) pour améliorer l’efficacité énergétique. Le système d’IA prédit la température et la pression futures du centre de données pour l’heure suivante et donne des recommandations sur l’activation ou la désactivation de la consommation.

Inspirée par son succès, l’entreprise a porté ces innovations au niveau supérieur, où, au lieu que ses recommandations soient mises en œuvre par des personnes, le système d’IA contrôlait directement le refroidissement du centre de données tout en restant sous la supervision experte des opérateurs du centre de données.

En 2015, Google a lancé le projet Sunroof pour aider les propriétaires à estimer leur potentiel d’économies solaires. En s’appuyant sur l’expertise acquise grâce à ce projet, l’entreprise a publié un nouvel outil Solar API en 2023. Il utilisait la cartographie et les ressources informatiques pour fournir des données détaillées sur le potentiel solaire des toits pour plus de 320 millions de bâtiments dans 40 pays, dont les États‑Unis, la France et le Japon.

Google a entraîné son modèle d’IA pour extraire des informations 3D sur la géométrie du toit directement à partir d’images aériennes, ainsi que des détails sur les arbres et l’ombre, tandis que le Solar API prenait en compte des facteurs tels que les modèles météorologiques historiques de la zone, les coûts énergétiques, etc. L’objectif est de permettre aux installateurs solaires de comprendre le potentiel solaire et les coûts avant même de se rendre sur le site. 

Le 29 octobre 2024, Alphabet Inc. (GOOG ) a annoncé ses résultats financiers du trimestre se terminant le 30 septembre 2024. Les revenus consolidés d’Alphabet au T3 2024 ont augmenté de 15 %, soit 16 % en monnaie constante, d’une année sur l’autre, pour atteindre 88,3 milliards de dollars, reflétant un fort élan dans l’ensemble de l’entreprise.

2. GE

En 2023, GE Vernova (GEV ) a lancé Fleet Orchestration, un nouveau logiciel qui exploite l’IA et l’apprentissage automatique pour aider les fournisseurs d’énergie à maximiser l’utilisation des énergies renouvelables.

En parlant de l’utilité et des avantages que la solution pouvait offrir, Linda Rae, directrice générale de la production d’énergie et du pétrole et gaz pour l’activité numérique de GE Vernova, a déclaré:

“Les énergies renouvelables comme le vent et le solaire jouent un rôle important dans la transition énergétique. Elles sont essentielles pour réduire la dépendance du monde aux combustibles fossiles. Le défi est que ces sources d’énergie sont intrinsèquement variables — le vent ne souffle pas toujours, et le soleil ne brille pas toujours. Mais les gens s’attendent toujours à ce que leurs lumières s’allument lorsqu’ils actionnent l’interrupteur. C’est là que des solutions logicielles, telles que Fleet Orchestration, peuvent aider à réduire cette incertitude pour les compagnies d’électricité, leur donnant la confiance nécessaire pour assurer la stabilité du réseau tout en réduisant simultanément les émissions.”

Selon une étude publiée par ISO New England, les marges de réserve pourraient devoir augmenter de 15 % à 300 % d’ici 2040 pour atteindre 56 % d’utilisation des renouvelables. GE estime que la capacité de son logiciel à aider à définir des marges appropriées — la quantité de ressources supplémentaires pour maintenir la fiabilité des systèmes électriques en période de stress — arrive au bon moment.

Il y a une semaine, GE Vernova a publié ses résultats financiers du quatrième trimestre et de l’exercice complet se terminant le 31 décembre 2024. L’entreprise a déclaré un chiffre d’affaires annuel de 34,9 milliards de dollars, +5 %, +7 %, tiré organiquement par l’Électrification et l’Énergie.

L’IA et la technologie solaire marcheront main dans la main à l’avenir

Pour devenir plus utile au régime de la technologie solaire, l’IA devra franchir certaines étapes à l’avenir. Il devra exister un mécanisme robuste de collecte de données utiles. L’étape suivante impliquerait une opérationnalisation efficace de ces données en les structurant correctement pour les rendre exploitables. Troisièmement, il faut s’assurer que différents ensembles de données communiquent efficacement et apportent de la valeur. Enfin, les modèles d’IA devront être optimisés et ajustés finement pour délivrer le maximum de leurs capacités. 

Cliquez ici pour une liste des meilleures actions solaires à investir.

Référence de l’étude:

^{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). Le flux de travail de conception inverse découvre des matériaux de transport de trous adaptés aux cellules solaires à pérovskite. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}