AI가 태양광 기술을 그 어느 때보다 빠르게 발전시키고 있다

태양전지와 패널 시장은 빠르게 발전하고 있습니다. 공개된 추정에 따르면, 전 세계 태양광 패널 시장 가치는 2023년에 약 US$82 billion이었으며 예측되는 바에 따르면 2031년에 US$260 billion에 이를 것으로, 8년 동안 3배 이상 성장하는 것입니다.

태양광 패널의 진보는 태양전지, 즉 태양광 패널의 기본 구성 요소의 개선에 달려 있습니다. 패널 은 단결정 또는 다결정 실리콘 태양전지를 납땜하여 결합하고, 반사 방지 유리 커버 아래에 밀봉됩니다. 의심할 여지 없이, 태양광 기술의 모든 진보는 태양전지의 개선에 의존합니다. 다음 섹션에서 이러한 돌파구 중 하나를 논의하겠습니다.

퍼로브스카이트 태양전지를 위한 새로운 반도체 분자 탐색을 가속화하기 위한 머신러닝 적용

카를스루에 공과대학교 연구원들은 국제 팀의 일원으로서, 퍼로브스카이트 태양전지의 효율을 증가시키는^1. 새로운 유기 분자를 발견했습니다. 목표를 달성하기 위해, 연구팀은 AI와 자동화된 고처리량 합성을 결합한 지능적인 방식을 사용했습니다. 보고서가 강조하듯, 이 연구는 새로운 배터리 소재 탐색을 포함한 다른 재료 연구 분야에도 적용 가능하다고 합니다. 

연구를 상세히 다룬 과학 논문에 따르면, 고복잡도 특정 광전자 장치를 위한 맞춤형 유기 분자의 역설계는 아직 실현되지 않은 거대한 잠재력을 가지고 있다고 합니다. 연구 결과가 나오기 전까지 존재했던 모델들은 일반적으로 특수 연구 분야에 존재하지 않는 방대한 데이터 세트에 의존했습니다.

연구원들은 유기 반도체의 고처리량 합성을 통해 대규모 데이터 세트를 생성하고, 베이지안 최적화를 활용해 태양전지 적용을 위한 맞춤형 특성을 가진 새로운 정공 전달 물질을 발견하는 폐쇄 루프 워크플로우를 시연했습니다. 예측 모델은 분자 기술자를 기반으로 하여 과학자들이 이 물질들의 구조와 성능을 연결할 수 있게 했습니다. 

전체적으로, 연구는 최소한의 제안으로부터 고성능 분자 시리즈를 식별했으며, 퍼로브스카이트 태양전지에서 최대 26.2%(인증된 25.9%)의 전력 변환 효율을 달성했습니다.

연구팀이 달성한 과학적 설명은 너무 기술적이라 이해하기 어려울 수 있지만, 문제점과 해결책이 어떻게 부각되었는지를 이해하는 더 쉬운 방법이 있습니다. 

백만 개가 넘는 다양한 분자 중 어느 것이 양전하를 전달하고 퍼로브스카이트 태양전지를 특히 효율적으로 만들 수 있는지를 찾는 작업은 모든 분자를 합성하고 테스트해야 하는 부담이 큽니다. AI를 도입함으로써 이 번거로운 작업량을 크게 줄일 수 있었으며, 카를스루에 공과대학교 나노기술 연구소에서 AI를 재료 과학에 적용하는 전문가인 파스칼 프리드리히 교수와 헬름홀츠 연구소 에를랑겐-뉘른베르크(HI ERN)의 크리스토프 브라벡 교수가 이끄는 연구팀은 가능한 최소 시도로 목적을 달성하기 위해 AI 모델을 활용했습니다.

브라벡에 따르면:

“단 150개의 목표 실험만으로도 수십만 건의 테스트가 필요했을 돌파구를 달성할 수 있었습니다.”

연구원들은 자신들이 개발한 워크플로우가 다양한 분야에서 고성능 소재를 빠르고 경제적으로 발견할 새로운 방법을 열어줄 수 있다고 믿었습니다. 
그렇다면 연구원들은 어떻게 이러한 성과를 이뤄냈을까요? 조금 더 자세히 살펴보겠습니다!

분자 데이터를 활용한 AI 훈련

모든 것은 헬름홀츠 연구소 에를랑겐-뉘른베르크(HI ERN)에서 시작되었습니다. 여기에는 약 백만 개의 가상 분자에 대한 구조식 데이터베이스가 있었으며, 이들은 상업적으로 구할 수 있는 물질로부터 합성될 수 있었습니다. 연구원들은 이 가상 분자 중 무작위로 13,000개를 선택했습니다. 에너지 레벨, 극성, 기하학 및 기타 특성을 파악하기 위해, 카를스루에 공과대학교 연구진은 기존의 양자역학 방법을 사용했습니다. 

13,000개 중 101개의 분자를 선택한 것은 그들의 분자 특성 다양성을 기준으로 했습니다. 다시 말해, 과학자들은 특성 차이가 가장 큰 101개를 골랐습니다.

그 후, 과학자들은 로봇 시스템을 이용해 이 분자들을 합성하여 본질적으로 동일한 태양전지를 만들었습니다. 이러한 태양전지의 효율을 측정하는 것이 이 연구의 가장 중요한 측면 중 하나였습니다.

이 효율 평가에 대해 브라벡은 다음과 같이 말했습니다:

“우리의 고도로 자동화된 합성 플랫폼 덕분에 진정으로 비교 가능한 샘플을 생산하고, 따라서 신뢰할 수 있는 효율 값을 결정할 수 있었던 것이 전략 성공에 핵심이었습니다.”

연구원들이 훈련하고 개발한 AI 모델은 합성할 48개의 다른 분자를 제안했습니다. 이러한 권장 사항은 두 가지 기준에 기반했습니다:

• 높은 예상 효율
• 예측할 수 없는 특성

AI의 권장 사항은 긍정적인 결과를 가져왔습니다. AI가 제안한 분자들을 사용해 평균 이상 효율을 가진 태양전지를 만들 수 있었으며, 이 중 일부는 오늘날 가장 앞선 소재의 성능을 능가하기도 했습니다. 

이 결과는 AI 도입 결정에 대해 연구원들을 안심시켰습니다. 성과 수준을 평가하면서 프리드리히는 다음과 같이 말했습니다:

“백만 개의 분자 중 진정으로 최적의 하나를 찾았다고 확신할 수는 없지만, 우리는 확실히 최적에 가까워졌습니다.”

AI 도입은 매우 고무적이었으며, 연구원들이 AI가 제안한 분자에 대한 통찰을 얻는 데 도움이 되었습니다. AI의 제안은 부분적으로 화학자들이 이전에 간과했던 아민과 같은 특정 화학 그룹의 존재에 기반했습니다. 이러한 간과된 화학 그룹을 강조한 것은 AI 도입의 중요한 긍정적 결과였습니다.

전반적으로, 태양광 기술을 발전시키기 위한 AI 도입은 새로운 것이 아닙니다. 국제 재생 에너지 기구(IRENA)는 AI 적용이 특히 풍력 및 태양광 발전과 관련된 재생 에너지 통합 프로세스를 어떻게 개선할 수 있는지에 대한 광범위한 연구를 수행했습니다. 

다음 섹션에서는 보고서의 통찰 중 일부를 살펴보며 AI가 태양광 기술에 어떻게 효과적일 수 있는지 포괄적인 개요를 제공하겠습니다. 

태양광 기술 발전을 위한 AI의 다양한 적용

AI는 향상된 재생 에너지 생산 예측을 생성함으로써 태양광 기술을 보다 효율적으로 만들 수 있습니다. 빅데이터와 AI는 정확한 전력 생산 예측을 제공하여 전력망에 훨씬 더 많은 재생 에너지를 통합할 수 있게 합니다. 보고서는 2015년에 IBM이 미국 에너지부의 SunShot Initiative와 협력하여 태양광 예측 정확도를 30% 향상시킨 사례를 인용합니다. 

자기 학습형 날씨 모델과 재생 에너지 생산 예측 기술은 지역 기상 관측소, 센서 네트워크, 위성, 하늘 이미지 카메라 등에서 수집된 방대한 과거 데이터와 실시간 측정 데이터를 활용했습니다.

시스템 운영자는 정확한 단기 예측을 통해 유닛 커밋먼트를 개선하고, 파견 효율성을 높이며, 신뢰성 문제를 감소시키고, 시스템에 필요한 운영 예비력을 줄이는 등 혜택을 얻을 수 있습니다.  

보고서는 두 개의 프로젝트를 강조했습니다. 하나는 머신러닝 소프트웨어를 사용한 독일 연구 프로젝트인 EWeLiNE이며 2017년에 종료되었습니다. 다른 하나는 그 후속 프로젝트인 Gridcast입니다. 두 프로젝트 모두 AI를 활용해 전력 생산을 예측했으며, 태양광 센서, 풍력 터빈, 날씨 예보 데이터를 활용해 낭비되는 전력을 줄였습니다.

AI는 전력망 안정성과 신뢰성을 유지하는 데에도 중요한 역할을 할 수 있습니다. 네 개의 기업(Adaptricity, AEK, Alpiq, Landis+Gyr (LAND.SW ))과 솔로투른 주가 함께 SoloGrid라는 파일럿 프로젝트에서 AI 솔루션이 미래 전력망 안정성을 보장하고 비용이 많이 드는 전력망 확장 투자를 최소화할 수 있는지를 테스트하고 있습니다. 

AI는 날씨 조건에 따라 기존 전력선을 보다 효율적으로 활용함으로써 전력망 용량을 늘리고 신규 전선 필요성을 줄일 수 있는 것으로 나타났습니다. 방대한 날씨 데이터를 활용하는 AI 기반 시스템은 언제든지 날씨 상황에 맞게 운영을 조정하여 기존 전력망을 최적 활용하고 혼잡을 감소시킬 수 있습니다.

AI는 자동으로 교란을 감지함으로써 전력 시스템의 안전성, 신뢰성 및 효율성을 향상시킬 수 있습니다. 일반적인 시스템 정전 사례로 훈련된 AI 모델은 정상 운영 데이터와 정의된 시스템 고장을 구분하고 정확히 분류하는 방법을 점진적으로 학습할 수 있습니다. 그 결과, 알고리즘은 이상 또는 고장의 존재와 유형, 위치를 실시간으로 판단할 수 있게 됩니다. 구체적으로, 알고리즘은 20~50 ms 이내에 결정을 내려 적절한 완전 자동 대응 조치를 시행할 충분한 시간을 제공합니다.

AI는 수요 예측을 개선함으로써 태양광 기술을 향상시킬 수도 있습니다. 보고서는 프랑스 스타트업 BeeBryte의 사례를 제시했습니다. 이 회사는 AI를 활용해 건물의 열 에너지 수요를 예측했으며, 이를 통해 적절한 시기에 난방 및 냉방을 제공했습니다. 고객은 운영 온도 범위를 설정할 수 있었고, AI가 이를 일정하게 유지했습니다. 그 결과, 공과금이 최대 40% 절감되었습니다.

AI는 저장 장치의 수명을 연장하는 데에도 기여했습니다. 예측 로직을 사용해 충전 및 방전을 최적화했습니다. 보고서는 캘리포니아 기반 기업 Stem이 개발한 AI 시스템 Athena를 언급했으며, 이는 에너지 사용량을 파악하고 에너지 요금 변동을 추적했습니다. 이를 통해 고객은 저장 장치를 보다 효율적으로 활용할 수 있게 되었습니다.

혁신적이고 독창적인 스타트업 외에도, 여러 대기업이 AI를 활용해 태양광 기술 적용을 진전시켰습니다. 다음 섹션에서는 이러한 기업 두 곳과 그들이 AI를 어떻게 적용해 태양광 기술을 앞당겼는지 논의하겠습니다.

1. Google

Google은 DeepMind AI 시스템을 활용해 자사 태양광 발전소의 출력량을 예측하고, 에너지 소비를 최적화하고 비용을 절감하는 정확한 예보를 제공합니다. 한 보고서에 따르면, Google 데이터 센터의 냉각에 사용되는 에너지를 40% 감소시켰으며(전체 전력 사용량 15% 감소) 데이터 센터 내부의 온도, 전력, 펌프 속도, 설정값 등 과거 센서 데이터만을 활용해 에너지 효율성을 향상시켰다고 합니다. AI 시스템은 향후 한 시간 동안 데이터 센터의 온도와 압력을 예측하고, 소비를 켜거나 끌지에 대한 권고를 제공합니다.

그 성공에 고무된 Google은 이러한 혁신을 한 단계 끌어올려, 권고 사항을 사람이 실행하는 대신 AI 시스템이 직접 데이터 센터 냉각을 제어하도록 했으며, 여전히 데이터 센터 운영자의 전문가 감독 하에 운영되었습니다.

2015년에 Google은 주택 소유자들이 태양광 절감 잠재력을 추정할 수 있도록 Project Sunroof를 시작했습니다. 이 프로젝트에서 얻은 전문성을 바탕으로, 2023년에 새로운 Solar API 도구를 출시했습니다. 이 도구는 매핑 및 컴퓨팅 자원을 활용해 미국, 프랑스, 일본을 포함한 40개국의 3억 2천만 건 이상의 건물에 대한 상세한 옥상 태양광 잠재 데이터를 제공했습니다.

Google은 AI 모델을 훈련시켜 항공 이미지에서 옥상 형상의 3D 정보를 직접 추출하고, 나무와 그늘에 대한 세부 정보도 함께 파악했습니다, 동시에 Solar API는 해당 지역의 과거 날씨 패턴, 에너지 비용 등 다양한 요인을 고려했습니다. 목표는 태양광 설치업체가 현장을 방문하기 전에 태양광 잠재력과 비용을 이해하도록 돕는 것입니다. 

2024년 10월 29일, Alphabet Inc. (GOOG ) 는 2024년 9월 30일에 종료된 분기의 재무 실적을 발표했습니다. 2024년 3분기 통합 Alphabet 매출은 전년 대비 15% 증가했으며(고정 환율 기준 16% 증가) 883억 달러에 달해 사업 전반에 강력한 모멘텀을 보여주었습니다. 

2. GE

2023년에 GE Vernova는 AI와 머신러닝을 활용해 전력 유틸리티가 재생 에너지 활용을 극대화하도록 돕는 새로운 소프트웨어인 Fleet Orchestration을 출시했습니다.

솔루션이 제공하는 유틸리티와 이점에 대해 이야기하면서, GE Vernova (GEV ) 디지털 사업부의 전력 생산 및 석유·가스 총괄 매니저인 린다 레는 다음과 같이 말했습니다:

“풍력과 태양광 같은 재생 에너지는 에너지 전환에서 중요한 역할을 합니다. 이들은 세계의 화석 연료 의존도를 줄이는 핵심 요소입니다. 문제는 이러한 에너지원이 본질적으로 변동성이 있다는 점입니다—바람은 항상 불지 않고, 태양도 항상 빛나지는 않습니다. 그러나 사람들은 스위치를 켜면 불이 켜지길 기대합니다. 이때 Fleet Orchestration과 같은 소프트웨어 솔루션이 전력 회사의 이러한 불확실성을 줄여 전력망 안정성을 보장하고 동시에 배출량을 감소시킬 자신감을 제공할 수 있습니다.”

ISO New England가 발표한 연구에 따르면, 2040년까지 재생 에너지 사용 비율을 56%로 늘리기 위해 예비 마진을 15%에서 300%까지 확대해야 할 수도 있다고 합니다. GE는 전력 시스템을 스트레스 상황에서도 신뢰할 수 있게 유지하기 위한 적절한 마진 설정을 지원하는 자사의 소프트웨어 능력이 시기적절하다고 믿고 있습니다.

일주일 전,  GE Vernova는 2024년 12월 31일에 종료되는 4분기 및 연간 재무 실적을 발표했습니다. 회사는 연간 매출이 349억 달러이며, 전기화와 전력 부문이 유기적으로 성장해 각각 +5%, +7% 증가했다고 보고했습니다. 

미래에 AI와 태양광 기술은 손잡고 나아갈 것이다

태양광 기술 분야에서 AI가 더욱 유용해지기 위해서는 미래에 몇 가지 단계가 필요합니다. 먼저 유용한 데이터를 수집할 견고한 메커니즘이 구축되어야 합니다. 다음으로는 데이터를 적절히 구조화하여 실행 가능하도록 효율적으로 운영화하는 것이 필요합니다. 셋째, 서로 다른 데이터 세트가 효과적으로 소통하고 가치를 제공하도록 보장되어야 합니다. 마지막으로, AI 모델은 최대 성능을 발휘하도록 최적화되고 미세 조정되어야 합니다. 

투자할 상위 태양광 주식 목록을 보려면 여기를 클릭하세요.

연구 참고:

^{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). 퍼로브스카이트 태양전지를 위한 맞춤형 정공 전달 물질을 발견하는 역설계 워크플로우. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}