AI Digunakan untuk Memajukan Teknologi Surya Lebih Cepat dari Sebelumnya

Pasar sel surya dan panel berkembang pesat. Menurut perkiraan yang tersedia secara publik, nilai pasar panel surya di seluruh dunia sekitar US$82 miliar pada 2023 dan diperkirakan akan mencapai US$260 miliar pada 2031, pertumbuhan lebih dari tiga kali lipat dalam delapan tahun.

Kemajuan panel surya bergantung pada perbaikan sel surya, komponen fundamental panel surya. Panel-panel tersebut terbuat dari sel surya silikon monokristalin atau polikristalin yang disolder bersama dan disegel di bawah penutup kaca anti‑reflektif. Tidak diragukan lagi, setiap kemajuan dalam teknologi surya bergantung pada perbaikan sel surya. Kami akan membahas terobosan tersebut pada segmen berikutnya.

Menerapkan Pembelajaran Mesin untuk Mempercepat Pencarian Molekul Semikonduktor Baru untuk Sel Surya Perovskite

Peneliti di Karlsruhe Institute of Technology, bekerja sebagai bagian dari tim internasional, berhasil menemukan molekul organik baru yang meningkatkan efisiensi sel surya perovskite^1. Dalam mencapai misi mereka, tim peneliti menggunakan kombinasi cerdas antara AI dan sintesis berkecepatan tinggi otomatis. Seperti yang disorot dalam laporan, penelitian ini dapat diterapkan pada bidang penelitian material lain, termasuk pencarian material baterai baru. 

Makalah ilmiah yang merinci penelitian tersebut menyatakan bahwa desain invers molekul organik yang disesuaikan untuk perangkat optoelektronik khusus dengan kompleksitas tinggi memiliki potensi besar yang belum terealisasi. Model‑model yang ada sebelum hasil penelitian ini muncul bergantung pada kumpulan data besar yang umumnya tidak tersedia untuk bidang penelitian khusus.

Para peneliti menunjukkan alur kerja loop tertutup yang menggabungkan sintesis berkecepatan tinggi semikonduktor organik untuk membuat kumpulan data besar dan optimisasi Bayesian untuk menemukan material transportasi lubang baru dengan sifat yang disesuaikan untuk aplikasi sel surya. Model prediktif didasarkan pada deskriptor molekuler yang memungkinkan ilmuwan menghubungkan struktur material tersebut dengan kinerjanya. 

Secara keseluruhan, penelitian ini dapat mengidentifikasi serangkaian molekul berperforma tinggi dari saran minimal hingga mencapai efisiensi konversi daya hingga 26,2% (tersertifikasi 25,9%) pada sel surya perovskite.

Meskipun penjelasan ilmiah tentang apa yang dicapai tim penelitian mungkin terdengar terlalu teknis untuk dipahami, ada cara yang lebih mudah untuk memahami masalah utama dan bagaimana solusi muncul. 

Pekerjaan menemukan molekul mana dari jutaan yang berbeda dapat menghantarkan muatan positif dan membuat sel surya perovskite menjadi sangat efisien akan memerlukan sintesis dan pengujian semua molekul tersebut. Penerapan AI membantu mengurangi beban rumit ini, karena tim peneliti, dipimpin oleh Profesor Tenure‑track Pascal Friederich, yang berspesialisasi dalam aplikasi AI di ilmu material di Institut Nanoteknologi KIT, dan Profesor Christoph Brabec dari Helmholtz Institute Erlangen‑Nürnberg (HI ERN), menerapkan model AI untuk melayani tujuan mereka dengan upaya seminimal mungkin.

Menurut Brabec:

“Dengan hanya 150 percobaan terarah, kami dapat mencapai terobosan yang sebaliknya memerlukan ratusan ribu pengujian.”

Para peneliti percaya alur kerja yang mereka kembangkan dapat membuka cara baru untuk secara cepat dan ekonomis menemukan material berperforma tinggi untuk berbagai aplikasi. 

Namun bagaimana para peneliti mencapai hal tersebut? Mari kita selami lebih dalam!

Melatih AI dengan Data Molekuler

Semua dimulai di Helmholtz Institute Erlangen‑Nürnberg (HI ERN), dengan basis data yang berisi formula struktural untuk kira‑kira satu juta molekul virtual yang dapat disintesis dari zat yang tersedia secara komersial. Para peneliti memilih 13.000 secara acak dari molekul virtual tersebut. Untuk menentukan tingkat energi, polaritas, geometri, dan properti lainnya, peneliti KIT menggunakan metode mekanik kuantum yang sudah mapan. 

Pemilihan 101 molekul dari 13.000 didasarkan pada keberagaman properti molekul mereka. Dengan kata lain, para ilmuwan memilih 101 molekul dengan perbedaan terbesar dalam properti mereka.

Selanjutnya, para ilmuwan mensintesis molekul‑molekul ini dengan sistem robotik untuk menghasilkan sel surya yang pada dasarnya identik. Mengukur efisiensi sel surya ini merupakan salah satu aspek paling krusial dalam penelitian ini.

Berbicara tentang penilaian efisiensi ini, Brabec mengatakan:

“Kemampuan menghasilkan sampel yang benar‑benar dapat dibandingkan berkat platform sintesis kami yang sangat otomatis, dan dengan demikian dapat menentukan nilai efisiensi yang dapat diandalkan, sangat penting bagi keberhasilan strategi kami.”

Model AI yang dilatih dan dikembangkan peneliti menyarankan 48 molekul lain untuk disintesis. Rekomendasi ini didasarkan pada dua kriteria:

• Efisiensi yang diharapkan tinggi
• Properti yang tidak terduga

Rekomendasi AI menghasilkan hasil positif. Molekul yang disarankan AI memungkinkan pembuatan sel surya dengan efisiensi di atas rata‑rata. Beberapa di antaranya bahkan dapat melampaui kemampuan material paling canggih saat ini. 

Hasil tersebut meyakinkan peneliti akan keputusan mereka untuk menerapkan AI. Saat menggambarkan tingkat pencapaian, Friedrich mengatakan:

“Kami tidak dapat yakin bahwa kami benar‑benar menemukan yang terbaik dari satu juta molekul, tetapi kami pasti mendekati optimum.”

Penerapan AI sangat menggembirakan, karena membantu peneliti memperoleh wawasan tentang molekul yang disarankannya. Saran AI sebagian didasarkan pada keberadaan kelompok kimia tertentu, seperti amina, yang sebelumnya diabaikan oleh ahli kimia. Menyoroti kelompok kimia yang terabaikan ini jelas merupakan hasil positif signifikan dari penerapan AI.

Secara umum, penerapan AI untuk memajukan teknologi surya bukan hal baru. International Renewable Energy Agency melakukan studi luas tentang bagaimana aplikasi AI dapat meningkatkan proses integrasi energi terbarukan, terutama yang melibatkan tenaga angin dan surya. 

Pada segmen berikutnya, kami akan meninjau beberapa wawasan laporan untuk mendapatkan gambaran komprehensif tentang bagaimana AI dapat terbukti efektif dalam teknologi surya. 

Berbagai Aplikasi AI dalam Memajukan Teknologi Surya

AI dapat membantu teknologi surya menjadi lebih efisien dengan menghasilkan perkiraan produksi energi terbarukan yang lebih baik. Big data dan AI dapat menghasilkan perkiraan produksi daya yang akurat sehingga memungkinkan integrasi energi terbarukan yang jauh lebih banyak ke dalam jaringan. Laporan tersebut menyebutkan contoh IBM, yang pada 2015 berhasil menunjukkan peningkatan 30% dalam perkiraan surya saat bekerja sama dengan Inisiatif SunShot Departemen Energi AS. 

Model cuaca yang belajar sendiri dan teknologi perkiraan produksi energi terbarukan memanfaatkan kumpulan data besar dari data historis dan pengukuran waktu nyata yang terintegrasi dari stasiun cuaca lokal, jaringan sensor, satelit, dan kamera gambar langit.

Operator sistem juga dapat memperoleh manfaat dengan perkiraan jangka pendek yang akurat, meningkatkan komitmen unit, meningkatkan efisiensi dispatch, mengurangi masalah keandalan, dan mengurangi cadangan operasional yang dibutuhkan dalam sistem.  

Laporan menyoroti dua proyek. Salah satunya adalah EWeLiNE, proyek riset Jerman yang menggunakan perangkat lunak pembelajaran mesin dan berakhir pada 2017. Yang lainnya adalah Gridcast, kelanjutannya. Kedua proyek menggunakan AI untuk memprediksi produksi daya. Mereka menarik data dari sensor surya, turbin angin, dan perkiraan cuaca. Hal ini membantu mengurangi pemborosan energi.

AI juga dapat memainkan peran penting dalam menjaga stabilitas dan keandalan jaringan. Empat perusahaan (Adaptricity, AEK, Alpiq, dan Landis+Gyr (LAND.SW )), bersama dengan Kanton Solothurn, sedang menguji bagaimana solusi AI dapat memastikan stabilitas jaringan di masa depan dan meminimalkan investasi dalam ekspansi jaringan yang mahal dalam proyek percontohan yang disebut SoloGrid. 

Terlihat bahwa AI dapat meningkatkan kapasitas jaringan listrik dan mengurangi kebutuhan jalur baru dengan memanfaatkan jalur yang ada secara lebih baik berdasarkan kondisi cuaca. Sistem berbasis AI, yang menggunakan data cuaca dalam jumlah besar, dapat memastikan penggunaan optimal jaringan listrik yang ada dengan menyesuaikan operasi dengan kondisi cuaca setiap saat, sehingga mengurangi kemacetan.

AI juga dapat meningkatkan keamanan, keandalan, dan efisiensi dalam sistem tenaga dengan secara otomatis mendeteksi gangguan. Model AI, yang dilatih dengan contoh gangguan sistem tipikal, secara bertahap belajar membedakan—dan secara tepat mengkategorikan—data operasi normal dari kegagalan sistem yang terdefinisi. Akibatnya, algoritma dapat membuat keputusan dalam hitungan milidetik tentang keberadaan anomali atau kesalahan, serta jenis dan lokasinya. Lebih spesifik, algoritma dapat mencapai keputusan dalam 20–50 ms, memberikan waktu yang cukup untuk menerapkan langkah‑langkah penanggulangan otomatis sepenuhnya.

AI juga dapat meningkatkan teknologi surya dengan memperbaiki perkiraan permintaan. Laporan memberikan contoh: BeeBryte, startup Prancis. Mereka menggunakan AI untuk memprediksi permintaan energi termal sebuah bangunan. Hal ini memungkinkan produksi pemanasan dan pendinginan pada waktu yang tepat. Pelanggan dapat mengatur rentang suhu operasi, dan AI menjaga kestabilannya. Ini menghasilkan penghematan hingga 40% pada tagihan utilitas.

AI juga membantu memperpanjang umur unit penyimpanan. Ia menggunakan logika prediktif untuk mengoptimalkan pengisian dan pengosongan. Laporan menyebutkan Athena, sistem AI yang dikembangkan oleh perusahaan berbasis California, Stem. Sistem ini memetakan penggunaan energi dan melacak fluktuasi tarif energi. Hal ini memungkinkan pelanggan menggunakan penyimpanan lebih efisien.

Selain startup inovatif dan cerdik, beberapa perusahaan besar telah menggunakan AI untuk memajukan aplikasi teknologi surya. Pada segmen berikutnya, kami akan membahas dua perusahaan tersebut dan bagaimana mereka menerapkan AI untuk memajukan teknologi surya. 

1. Google

Google dikenal karena menggunakan sistem AI DeepMind untuk memprediksi output dari ladang surya mereka, memberikan perkiraan akurat yang membantu mengoptimalkan konsumsi energi dan mengurangi biaya. Sebuah laporan menyatakan bahwa mereka mengurangi energi yang digunakan untuk pendinginan di pusat data Google sebesar 40% (penurunan total penggunaan daya sebesar 15%) hanya dengan data sensor historis dari dalam pusat data (misalnya suhu, daya, kecepatan pompa, setpoint) untuk meningkatkan efisiensi energi. Sistem AI memprediksi suhu dan tekanan pusat data dalam satu jam ke depan dan memberikan rekomendasi apakah harus menyalakan atau mematikan konsumsi.

Terinspirasi oleh kesuksesannya, perusahaan membawa inovasi ini ke tingkat berikutnya, di mana, alih‑alih rekomendasi diimplementasikan oleh manusia, sistem AI secara langsung mengendalikan pendinginan pusat data sambil tetap berada di bawah pengawasan ahli operator pusat data.

Pada 2015, Google meluncurkan Project Sunroof untuk membantu pemilik rumah memperkirakan potensi penghematan energi surya mereka. Berdasarkan keahlian yang diperoleh dari proyek tersebut, perusahaan merilis alat Solar API baru pada 2023. Alat ini menggunakan pemetaan dan sumber daya komputasi untuk menyediakan data potensi surya atap yang terperinci untuk lebih dari 320 juta bangunan di 40 negara, termasuk AS, Prancis, dan Jepang.

Google melatih model AI‑nya untuk mengekstrak informasi 3D tentang geometri atap langsung dari citra udara, bersama dengan detail tentang pohon dan bayangan, sementara Solar API memperhitungkan faktor seperti pola cuaca historis di daerah tersebut, biaya energi, dan lainnya. Tujuannya adalah memungkinkan pemasang surya memahami potensi dan biaya surya sebelum mengunjungi lokasi. 

Pada 29 Oktober 2024, Alphabet Inc. (GOOG ) mengumumkan hasil keuangan kuartalnya yang berakhir pada 30 September 2024. Pendapatan gabungan Alphabet pada Q3 2024 meningkat 15%, atau 16% dalam mata uang konstan, tahun ke tahun menjadi $88,3 miliar, mencerminkan momentum kuat di seluruh bisnis. 

2. GE

Pada 2023, GE Vernova (GEV ) meluncurkan Fleet Orchestration, perangkat lunak baru yang memanfaatkan AI dan pembelajaran mesin untuk membantu utilitas listrik memaksimalkan penggunaan energi terbarukan.

Saat membicarakan kegunaan dan manfaat solusi tersebut, Linda Rae, manajer umum pembangkitan tenaga dan minyak & gas untuk bisnis digital GE Vernova, mengatakan:

“Energi terbarukan seperti angin dan surya memainkan peran penting dalam transisi energi. Mereka kunci untuk mengurangi ketergantungan dunia pada bahan bakar fosil. Tantangannya adalah bahwa sumber energi ini secara inheren variabel — angin tidak selalu bertiup, dan matahari tidak selalu bersinar. Namun orang selalu mengharapkan lampu mereka menyala ketika menyalakan saklar. Ini adalah tempat solusi perangkat lunak, seperti Fleet Orchestration, dapat membantu mengurangi ketidakpastian ini bagi perusahaan listrik, memberi mereka kepercayaan yang diperlukan untuk memastikan stabilitas jaringan sambil secara bersamaan mengurangi emisi.”

Menurut studi yang dirilis oleh ISO New England, margin cadangan mungkin perlu meningkat dari 15% menjadi 300% pada 2040 untuk mencapai penggunaan energi terbarukan sebesar 56%. GE percaya kemampuan perangkat lunaknya dalam membantu menetapkan margin yang tepat — jumlah sumber daya tambahan untuk menjaga keandalan sistem tenaga pada saat tekanan — muncul pada waktu yang tepat.

Seminggu yang lalu,  GE Vernova merilis hasil keuangan kuartal keempat dan tahun penuh yang berakhir pada 31 Desember 2024. Perusahaan melaporkan pendapatan tahunan sebesar $34,9 B, naik 5%, 7% secara organik, didorong oleh Electrification dan Power. 

AI dan Teknologi Surya akan Berjalan Seiring di Masa Depan

Agar menjadi lebih berguna bagi ekosistem teknologi surya, AI harus mengambil langkah‑langkah tertentu di masa depan. Harus ada mekanisme yang kuat untuk mengumpulkan data yang berguna. Langkah selanjutnya melibatkan operasionalisasi data secara efisien dengan menyusunnya secara tepat agar dapat ditindaklanjuti. Ketiga, harus dipastikan bahwa berbagai set data dapat berkomunikasi secara efektif dan memberikan nilai. Akhirnya, model AI harus dioptimalkan dan disesuaikan untuk memberikan kinerja maksimal. 

Klik di sini untuk daftar saham surya teratas untuk diinvestasikan.

Referensi Studi:

^{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). Alur kerja desain invers menemukan material transportasi lubang yang disesuaikan untuk sel surya perovskite. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}