AI wordt gebruikt om zonne‑technologie sneller dan ooit te verbeteren

De markt voor zonnecellen en -panelen ontwikkelt zich snel. Volgens publiek beschikbare schattingen bedroeg de marktwaarde van zonnepanelen wereldwijd in 2023 ongeveer US$82 billion en wordt verwacht dat deze in 2031 US$260 billion zal bereiken, meer dan drievoudige groei in acht jaar.

De voortgang van zonnepanelen berust op verbeteringen in zonnecellen, de fundamentele componenten van zonnepanelen. De panelen zijn gemaakt van monokristallijne of polykristallijne siliciumzonnecellen die aan elkaar gesoldeerd en afgedicht zijn onder een antireflecterende glazen afdekking. Ongetwijfeld hangt elke vooruitgang in zonne‑technologie af van verbeteringen in zonnecellen. We zullen een dergelijke doorbraak in het volgende segment bespreken.

Machine Learning inzetten om de zoektocht naar nieuwe halfgeleider‑moleculen voor perovskietzonnecellen te versnellen

Onderzoekers van het Karlsruhe Institute of Technology, werkend als onderdeel van een internationaal team, konden nieuwe organische moleculen vinden die de efficiëntie van perovskietzonnecellen verhoogden^1. Bij het bereiken van hun missie gebruikte het onderzoeksteam een intelligente combinatie van AI en geautomatiseerde high‑throughput synthese. Zoals het rapport benadrukt, is het onderzoek compatibel met toepassingen in andere gebieden van materiaalkunde, inclusief de zoektocht naar nieuwe batterijmaterialen. 

Het wetenschappelijke artikel dat het onderzoek beschrijft, stelt dat het inverse ontwerp van op maat gemaakte organische moleculen voor specifieke opto‑elektronische apparaten van hoge complexiteit een enorm potentieel heeft dat nog niet is gerealiseerd. De modellen die bestonden voordat de onderzoeksresultaten verschenen, vertrouwden op grote datasets die over het algemeen niet bestonden voor gespecialiseerde onderzoeksvelden.

De onderzoekers demonstreerden een gesloten‑lus‑workflow die high‑throughput synthese van organische halfgeleiders combineerde om grote datasets te creëren en Bayesiaanse optimalisatie om nieuwe hole‑transportmaterialen met op maat gemaakte eigenschappen voor zonneceltoepassingen te ontdekken. De voorspellende modellen waren gebaseerd op moleculaire descriptoren die de wetenschappers in staat stelden de structuur van deze materialen te koppelen aan hun prestaties. 

Al met al kon het onderzoek een reeks hoog‑presterende moleculen identificeren vanuit minimale suggesties tot een efficiëntie van tot 26,2 % (gecertificeerd 25,9 %) bij de omzetting van energie in perovskietzonnecellen.

Hoewel de wetenschappelijke uitleg van wat het onderzoeksteam heeft bereikt te technisch kan klinken om te bevatten, zijn er eenvoudigere manieren om de pijnpunten en hoe de oplossingen naar voren kwamen te begrijpen. 

Het vinden van welke van een miljoen verschillende moleculen positieve ladingen zou geleiden en perovskietzonnecellen bijzonder efficiënt zou maken, zou vereisen dat al deze moleculen gesynthetiseerd en getest worden. De inzet van AI hielp deze omslachtige last te verminderen, aangezien het onderzoeksteam, geleid door adjunct‑professor Pascal Friederich, die gespecialiseerd is in de toepassingen van AI in materiaalkunde aan het KIT Institute of Nanotechnology, en professor Christoph Brabec van het Helmholtz Institute Erlangen‑Nürnberg (HI ERN), een AI‑model inzette om hun doel te bereiken met zo min mogelijk pogingen.

Volgens Brabec:

“Met slechts 150 gerichte experimenten konden we een doorbraak bereiken die anders honderdduizenden tests zou hebben vereist.”

De onderzoekers geloofden dat de workflow die ze ontwikkelden nieuwe manieren kon openen om snel en economisch hoog‑presterende materialen voor een breed scala aan toepassingen te ontdekken. 

Maar hoe hebben de onderzoekers bereikt wat ze deden? Laten we iets dieper ingaan!

AI trainen met moleculaire data

Het begon allemaal bij het Helmholtz Institute Erlangen‑Nürnberg (HI ERN), met een database vol structurele formules voor ongeveer één miljoen virtuele moleculen die gesynthetiseerd konden worden uit commercieel verkrijgbare stoffen. De onderzoekers selecteerden er willekeurig 13.000 uit deze virtuele moleculen. Om hun energieniveaus, polariteit, geometrie en andere eigenschappen te bepalen, gebruikten de KIT‑onderzoekers gevestigde kwantummechanische methoden. 

De selectie van 101 moleculen uit de 13.000 was gebaseerd op de diversiteit van hun moleculaire eigenschappen. Met andere woorden, de wetenschappers kozen deze 101 met de grootste verschillen in hun eigenschappen.

Vervolgens syntheseerden de wetenschappers deze moleculen met robotsystemen om zonnecellen te produceren die verder identiek waren. Het meten van de efficiëntie van deze zonnecellen was een van de meest cruciale aspecten van dit onderzoek.

Over deze efficiëntiebeoordeling zei Brabec:

“In staat zijn echt vergelijkbare monsters te produceren dankzij ons sterk geautomatiseerde syntheseplatform, en daardoor betrouwbare efficiëntiewaarden te bepalen, was cruciaal voor het succes van onze strategie.”

Het AI‑model dat de onderzoekers trainden en ontwikkelden stelde 48 andere moleculen voor om te synthetiseren. Deze aanbevelingen waren gebaseerd op twee criteria:

• Hoge verwachte efficiëntie
• Onvoorspelbare eigenschappen

De aanbeveling van AI leverde positieve resultaten op. De door AI voorgestelde moleculen maakten het mogelijk zonnecellen te bouwen met bovengemiddelde efficiëntie. Sommige hiervan konden zelfs de mogelijkheden van de meest geavanceerde materialen van vandaag overtreffen. 

Het resultaat bevestigde de beslissing van de onderzoekers om AI in te zetten. Terwijl ze het niveau van prestatie karakteriseerden, zei Friedrich:

“We kunnen niet zeker weten of we echt de beste van een miljoen moleculen hebben gevonden, maar we liggen zeker dicht bij het optimum.”

De inzet van AI was echt bemoedigend, omdat het onderzoekers inzicht gaf in de moleculen die het suggereerde. De suggesties van de AI waren gedeeltelijk gebaseerd op de aanwezigheid van bepaalde chemische groepen, zoals aminen, die chemici eerder over het hoofd hadden gezien. Het onder de aandacht brengen van deze over het hoofd geziene chemische groepen was ongetwijfeld een belangrijk positief resultaat van de inzet van AI.

In grote lijnen is de inzet van AI om de voortgang van zonne‑technologie te bevorderen niet nieuw. Het International Renewable Energy Agency voerde een uitgebreide studie uit over hoe AI‑toepassingen de integratieprocessen van hernieuwbare energie kunnen verbeteren, met name die met wind‑ en zonne‑energie. 

In het volgende segment bekijken we enkele inzichten uit het rapport om een uitgebreid overzicht te krijgen van hoe AI effectief kan blijken in zonne‑technologie. 

Diverse toepassingen van AI in het bevorderen van zonne‑technologie

AI kan zonne‑technologie efficiënter maken door verbeterde voorspellingen van de opwekking van hernieuwbare energie te genereren. Big data en AI kunnen nauwkeurige energie‑opwekkingvoorspellingen produceren die het haalbaar maken om veel meer hernieuwbare energie in het net te integreren. Het rapport citeert het voorbeeld van IBM, dat in 2015 een verbetering van 30 % in zonne‑voorspellingen liet zien terwijl het samenwerkte met het SunShot‑initiatief van het Amerikaanse Department of Energy. 

Het zelflerende weer‑model en de technologie voor het voorspellen van hernieuwbare opwekking maakten gebruik van grote datasets van historische gegevens en realtime‑metingen die geïntegreerd werden vanuit lokale weerstations, sensornetwerken, satellieten en luchtbeeldcamera’s.

Systeembeheerders kunnen er ook van profiteren met nauwkeurige kortetermijnvoorspellingen, waardoor een betere eenheids‑commitment, hogere dispatch‑efficiëntie, minder betrouwbaarheid‑problemen en minder operationele reserves nodig zijn in het systeem.  

Het rapport belichtte twee projecten. Eén was EWeLiNE, een Duits onderzoeksproject dat in 2017 eindigde en gebruikmaakte van machine‑learning‑software. Het andere was Gridcast, de opvolger. Beide gebruikten AI om de energie‑opwekking te voorspellen. Ze haalden data van zonnensensoren, windturbines en weer‑voorspellingen. Dit hielp verspilde energie te verminderen.

AI kan ook een cruciale rol spelen bij het handhaven van netstabiliteit en betrouwbaarheid. Vier bedrijven (Adaptricity, AEK, Alpiq en Landis+Gyr (LAND.SW )), samen met het kanton Solothurn, testen hoe AI‑oplossingen toekomstige netstabiliteit kunnen waarborgen en investeringen in dure netuitbreiding kunnen minimaliseren in een pilotproject genaamd SoloGrid. 

Er werd gezien dat AI de capaciteit van stroomnetten kan vergroten en de behoefte aan nieuwe lijnen kan verminderen door beter gebruik te maken van bestaande lijnen op basis van weersomstandigheden. AI‑gebaseerde systemen, die grote hoeveelheden weerdata gebruiken, kunnen een optimaal gebruik van bestaande stroomnetten waarborgen door de werking aan te passen aan de weersomstandigheden op elk moment, waardoor congestie wordt verminderd.

AI kan ook de veiligheid, betrouwbaarheid en efficiëntie in energiesystemen verbeteren door storingen automatisch te detecteren. AI‑modellen, getraind met voorbeelden van typische systeemuitval, kunnen geleidelijk leren om normale operationele data te onderscheiden van gedefinieerde systeemstoringen en deze nauwkeurig te categoriseren. Als gevolg daarvan kan het algoritme binnen 20–50 ms een beslissing nemen over de aanwezigheid van een anomalie of fout, evenals het type en de locatie. Dit biedt voldoende tijd om de juiste volledig geautomatiseerde tegenmaatregelen te implementeren.

AI kan ook zonne‑technologie een boost geven door de vraagvoorspelling te verbeteren. Het rapport gaf een voorbeeld: BeeBryte, een Franse startup. Het gebruikte AI om de thermische energievraag van een gebouw te voorspellen. Hierdoor kon het verwarming en koeling op de juiste momenten produceren. Klanten konden een operationeel temperatuurbereik instellen, en AI hield dit stabiel. Dit leidde tot besparingen van tot 40 % op energierekeningen.

AI hielp ook de levensduur van opslagunits te verlengen. Het gebruikte voorspellende logica om opladen en ontladen te optimaliseren. Het rapport noemde Athena, een AI‑systeem ontwikkeld door het in Californië gevestigde bedrijf Stem. Het kaartte energieverbruik in en volgde schommelingen in energietarieven. Dit stelt klanten in staat opslag efficiënter te gebruiken.

Naast innovatieve en ingenieuze startups hebben verschillende grote bedrijven AI gebruikt om toepassingen in zonne‑technologie te bevorderen. In de komende segmenten bespreken we twee van die bedrijven en hoe ze AI toepasten om zonne‑technologie vooruit te helpen. 

1. Google

Google staat bekend om het gebruik van zijn DeepMind AI‑systemen om de output van zijn zonne‑farms te voorspellen, waardoor nauwkeurige prognoses worden geleverd die helpen het energieverbruik te optimaliseren en kosten te verlagen. Eén rapport suggereert dat het het energieverbruik voor koeling in een Google‑datacenter met 40 % heeft verminderd (een totale daling van 15 % in het energieverbruik) door alleen historische sensorgegevens uit het datacenter zelf (bijv. temperaturen, vermogen, pompsnelheden, setpoints) te gebruiken om de energie‑efficiëntie te verbeteren. Het AI‑systeem voorspelt de toekomstige temperatuur en druk van het datacenter voor het komende uur en geeft aanbevelingen of de consumptie aan/uit moet worden geschakeld.

Geïnspireerd door dit succes, nam het bedrijf deze innovaties naar een hoger niveau, waarbij, in plaats van dat mensen de aanbevelingen uitvoeren, het AI‑systeem direct de koeling van het datacenter regelde terwijl het onder deskundig toezicht van datacenter‑operators bleef.

In 2015 lanceerde Google Project Sunroof om huiseigenaren te helpen hun potentiële zonne‑besparingen te schatten. Op basis van de expertise die met dat project werd opgedaan, bracht het bedrijf in 2023 een nieuw Solar‑API‑instrument uit. Het gebruikte kaart‑ en rekenresources om gedetailleerde data over het zonne‑potentieel van daken te bieden voor meer dan 320 miljoen gebouwen in 40 landen, waaronder de VS, Frankrijk en Japan.

Google trainde zijn AI‑model om 3D‑informatie over de dakgeometrie direct uit luchtfoto’s te extraheren, samen met details over bomen en schaduw, terwijl de Solar‑API rekening hield met factoren zoals historische weerpatronen in het gebied, energiekosten en meer. Het doel is om zonne‑installateurs in staat te stellen het zonne‑potentieel en de kosten te begrijpen voordat ze een locatie bezoeken. 

Op 29 oktober 2024 kondigde Alphabet Inc. (GOOG ) zijn financiële resultaten voor het kwartaal eindigend op 30 september 2024 aan. De geconsolideerde Alphabet‑omzet in Q3 2024 steeg met 15 %, of 16 % in constante valuta, jaar‑over‑jaar tot $88,3 billion, wat een sterke dynamiek in het hele bedrijf weerspiegelt. 

2. GE

In 2023 lanceerde GE Vernova (GEV ) Fleet Orchestration, een nieuwe software die AI en machine learning benut om energieleveranciers te helpen het gebruik van hernieuwbare energie te maximaliseren.

Tijdens het bespreken van het nut en de voordelen die de oplossing biedt, zei Linda Rae, algemeen manager van stroomopwekking en olie‑ en gas voor de digitale business van GE Vernova, het volgende:

“Hernieuwbare energiebronnen zoals wind en zon spelen een belangrijke rol in de energietransitie. Ze zijn essentieel om de afhankelijkheid van fossiele brandstoffen wereldwijd te verminderen. Het probleem is dat deze energiebronnen van nature variabel zijn — de wind waait niet altijd, en de zon schijnt niet altijd. Maar mensen verwachten altijd dat hun licht aangaat wanneer ze de schakelaar omzetten. Dit is waar software‑oplossingen, zoals Fleet Orchestration, kunnen helpen deze onzekerheid voor energiebedrijven te verminderen, waardoor ze het vertrouwen krijgen dat nodig is om netstabiliteit te waarborgen terwijl tegelijkertijd de emissies worden verlaagd.”

Volgens een studie van ISO New England kunnen de reserve‑marges tegen 2040 moeten stijgen van 15 % naar 300 % om een gebruik van 56 % hernieuwbare energie te bereiken. GE gelooft dat het vermogen van hun software om te helpen bij het instellen van passende marges — de hoeveelheid extra bronnen om energiesystemen betrouwbaar te houden in stress‑situaties — op het juiste moment komt.

Een week geleden bracht GE Vernova zijn financiële resultaten voor het vierde kwartaal en het volledige jaar eindigend op 31 december 2024 uit. Het bedrijf rapporteerde een volledige jaaromzet van $34,9 billion, +5 %, +7 %, organisch gedreven door Elektrificatie en Power. 

AI en zonne‑technologie hand in hand laten lopen in de toekomst

Om nuttiger te worden voor het zonne‑technologieregime, moet AI in de toekomst bepaalde stappen nemen. Er moet een robuust mechanisme zijn voor het verzamelen van bruikbare data. De volgende stap zou het efficiënt operationaliseren van die data omvatten door ze correct te structureren zodat ze bruikbaar zijn. Ten derde moet ervoor worden gezorgd dat verschillende datasets effectief met elkaar communiceren en waarde leveren. Ten slotte moeten de AI‑modellen geoptimaliseerd en verfijnd worden om het maximale te leveren dat ze kunnen. 

Klik hier voor een lijst van top‑zonne‑aandelen om in te investeren.

Studieverwijzing:

^{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). Inverse‑ontwerpproces ontdekt hole‑transportmaterialen op maat voor perovskietzonnecellen. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}