AI brukes til å fremskynde solteknologi raskere enn noen gang

Markedet for solceller og paneler utvikler seg raskt. Ifølge offentlig tilgjengelige estimater var markedsverdien for solpaneler globalt rundt 82 milliarder USD i 2023 og er prognostisert å nå 260 milliarder USD i 2031, mer enn tredobbelt vekst på åtte år.

Fremdriften innen solenergi paneler er avhengig av forbedringer i solceller, de grunnleggende komponentene i solpaneler. Panelene er laget av monokrystallinske eller polykrystallinske silisiumsolceller som er loddet sammen og forseglet under et antirefleksglass. Uten tvil avhenger enhver fremgang i solteknologi av forbedringer i solceller. Vi vil diskutere et slikt gjennombrudd i neste segment.

Bruke maskinlæring for å akselerere søket etter nye halvledermolekyler for perovskitt‑solceller

Forskere ved Karlsruhe Institute of Technology, som arbeidet som en del av et internasjonalt team, klarte å finne nye organiske molekyler som økte effektiviteten til perovskitt‑solceller^1. For å oppnå sitt mål brukte forskerteamet en intelligent kombinasjon av AI og automatisert høy‑gjennomstrømmende syntese. Som rapporten fremhever, er forskningen kompatibel med anvendelser innen andre områder av materialforskning, inkludert søk etter nye batterimaterialer. 

Det vitenskapelige papiret som beskriver forskningen, sier at den inverse designen av skreddersydde organiske molekyler for spesifikke optoelektroniske enheter med høy kompleksitet har enormt potensial som fortsatt er urealistert. Modellene som eksisterte før forskningsresultatene ble publisert, var avhengige av store datasett som vanligvis ikke fantes for spesialiserte forskningsområder.

Forskerne demonstrerte en lukket sløyfe‑arbeidsflyt som kombinerte høy‑gjennomstrømmende syntese av organiske halvledere for å lage store datasett og Bayesisk optimalisering for å oppdage nye hulltransportmaterialer med skreddersydde egenskaper for solcelleapplikasjoner. De prediktive modellene var basert på molekylære beskrivelser som gjorde det mulig for forskerne å knytte strukturen til disse materialene til deres ytelse. 

Alt i alt klarte forskningen å identifisere en rekke høy‑ytelsesmolekyler fra minimale forslag til oppnå opptil 26,2 % (sertifisert 25,9 %) konverteringseffektivitet i perovskitt‑solceller.

Selv om den vitenskapelige forklaringen på hva forskerteamet oppnådde kan virke for teknisk å forstå, finnes det enklere måter å forstå utfordringene og hvordan løsningene kom frem i lyset. 

Oppgaven med å finne ut hvilke av en million forskjellige molekyler som ville lede positive ladninger og gjøre perovskitt‑solceller spesielt effektive, ville kreve syntese og testing av dem alle. Bruken av AI bidro til å redusere denne tunge belastningen, da forskerteamet, ledet av tenure‑track professor Pascal Friederich, som er spesialist på AI‑applikasjoner i materialvitenskap ved KITs institutt for nanoteknologi, og professor Christoph Brabec fra Helmholtz Institute Erlangen‑Nürnberg (HI ERN), implementerte en AI‑modell for å oppnå sitt mål med færrest mulige forsøk.

Ifølge Brabec:

“Med kun 150 målrettede eksperimenter klarte vi å oppnå et gjennombrudd som ellers ville ha krevd hundretusener av tester.”

Forskerne mente at arbeidsflyten de utviklet kunne åpne nye måter å raskt og økonomisk oppdage høy‑ytelsesmaterialer for et bredt spekter av anvendelser. 
Men hvordan klarte forskerne å oppnå det de gjorde? La oss gå litt dypere!

Trening av AI med molekylære data

Alt startet ved Helmholtz Institute Erlangen‑Nürnberg (HI ERN), med en database full av strukturelle formler for omtrent én million virtuelle molekyler som kunne syntetiseres fra kommersielt tilgjengelige stoffer. Forskerne valgte 13 000 tilfeldig fra disse virtuelle molekylene. For å bestemme deres energinivåer, polaritet, geometri og andre egenskaper, brukte KIT‑forskerne etablerte kvantemekaniske metoder. 

Utvalget av 101 molekyler av de 13 000 var basert på mangfoldet i deres molekylære egenskaper. Med andre ord valgte forskerne disse 101 med de største forskjellene i deres egenskaper.

Deretter syntetiserte forskerne disse molekylene med robotsystemer for å produsere solceller som ellers var identiske. Måling av effektiviteten til disse solcellene var en av de mest kritiske aspektene ved denne forskningen.

Når han snakket om denne effektivitetsvurderingen, hadde Brabec følgende å si:

“Å kunne produsere virkelig sammenlignbare prøver takket være vår høyt automatiserte synteseplattform, og dermed kunne fastslå pålitelige effektivitetstall, var avgjørende for suksessen til vår strategi.”

AI‑modellen forskerne trente og utviklet foreslo 48 andre molekyler for syntese. Disse anbefalingene var basert på to kriterier:

• Høy forventet effektivitet
• Uforutsigbare egenskaper

AI‑anbefalingen ga positive resultater. De AI‑foreslåtte molekylene gjorde det mulig å bygge solceller med over gjennomsnittlig effektivitet. Noen av disse kunne til og med overgå kapasiteten til dagens mest avanserte materialer. 
Resultatet beroliget forskerne om deres beslutning om å bruke AI. Mens de karakteriserte oppnåelsesnivået, hadde Friedrich følgende å si:

“Vi kan ikke være sikre på at vi virkelig har funnet den beste av en million molekyler, men vi er absolutt nær optimalen.”

Bruken av AI var virkelig oppmuntrende, da den hjalp forskerne med å få innsikt i molekylene den foreslo. AI‑forslagene var delvis basert på tilstedeværelsen av visse kjemiske grupper, som aminer, som kjemikere tidligere hadde oversett. Å fremheve disse oversette kjemiske gruppene var uten tvil et betydelig positivt resultat av AI‑bruken.

Generelt er bruken av AI for å fremme solteknologi ikke ny. Det internasjonale fornybare energibyrået (IRENA) gjennomførte en omfattende studie om hvordan AI‑applikasjoner kan forbedre integrasjonsprosesser for fornybar energi, spesielt de som involverer vind‑ og solkraft. 

I neste segment ser vi på noen av rapportens innsikter for å få en omfattende oversikt over hvordan AI kan vise seg effektiv i solteknologi. 

Mangfoldig anvendelse av AI i fremdriften av solteknologi

AI kan hjelpe solteknologi med å bli mer effektiv ved å generere forbedrede prognoser for fornybar energiproduksjon. Big data og AI kan produsere nøyaktige kraftproduksjonsprognoser som gjør det mulig å integrere mye mer fornybar energi i nettet. Rapporten nevner eksemplet IBM, som i 2015 klarte å vise en forbedring på 30 % i solprognoser mens de samarbeidet med USAs energidepartementets SunShot‑initiativ. 

Den selv‑lærende værmodellen og teknologien for prognoser av fornybar produksjon utnyttet store datasett med historiske data og sanntidsmålinger integrert fra lokale værstasjoner, sensornettverk, satellitter og himmelbilde‑kameraer.

Systemoperatører kunne også dra nytte av dette med nøyaktige korttidsprognoser, forbedre enhetsforpliktelse, øke utsendelses‑effektiviteten, redusere pålitelighetsproblemer og redusere de operasjonelle reservebehovene i systemet.  

Rapporten fremhevet to prosjekter. Det ene var EWeLiNE, et tysk forskningsprosjekt som brukte maskinlæringsprogramvare og ble avsluttet i 2017. Det andre var Gridcast, oppfølgeren. Begge brukte AI for å forutsi kraftproduksjon. De hentet data fra solsensorer, vindturbiner og værprognoser. Dette bidro til å redusere bortkastet kraft.

AI kan også spille en avgjørende rolle i å opprettholde nettstabilitet og pålitelighet. Fire selskaper (Adaptricity, AEK, Alpiq og Landis+Gyr (LAND.SW )), sammen med kantonen Solothurn, tester hvordan AI‑løsninger kan sikre fremtidig nettstabilitet og minimere investeringer i kostbar nettutvidelse i et pilotprosjekt kalt SoloGrid. 

Det ble sett at AI kunne øke kapasiteten i kraftnett og redusere behovet for nye linjer ved å utnytte eksisterende linjer bedre basert på værforhold. AI‑baserte systemer, som bruker store mengder værdata, kunne sikre optimal bruk av eksisterende kraftnett ved å tilpasse driften til værforholdene til enhver tid, og dermed redusere overbelastning.

AI kan også forbedre sikkerhet, pålitelighet og effektivitet i kraftsystemer ved automatisk å oppdage forstyrrelser. AI‑modeller, trent med eksempler på typiske systemavbrudd, kunne gradvis lære å skille—og presist kategorisere—normal driftsdata fra definerte systemfeil. Som et resultat kunne algoritmen ta beslutninger på brøkdelen av et sekund om tilstedeværelsen av en avvik eller feil, samt type og plassering. Mer spesifikt kunne algoritmen nå en beslutning innen 20–50 ms, noe som gir tilstrekkelig tid til å implementere passende fullt automatiserte mottiltak.

AI kan også styrke solteknologi ved å forbedre etterspørselsprognoser. Rapporten ga et eksempel: BeeBryte, en fransk oppstartsbedrift. Den brukte AI til å forutsi en bygnings termiske energibehov. Dette gjør det mulig å produsere oppvarming og kjøling på riktig tidspunkt. Kunder kunne sette et operasjonelt temperaturintervall, og AI holdt det stabilt. Dette førte til besparelser på opptil 40 % på strømregninger.

AI hjalp også med å forlenge levetiden til lagringsenheter. Den brukte prediktiv logikk for å optimalisere lading og utlading. Rapporten nevnte Athena, et AI‑system utviklet av det kaliforniske selskapet Stem. Den kartla energiforbruket og sporet svingninger i energipriser. Dette gjør at kundene kan bruke lagring mer effektivt.

Bortsett fra innovative og geniale oppstartsbedrifter, har flere store selskaper brukt AI for å fremme solteknologiapplikasjoner. I de kommende segmentene diskuterer vi to slike selskaper og hvordan de brukte AI for å drive solteknologi fremover. 

1. Google

Google er kjent for å bruke sine DeepMind AI‑systemer til å forutsi produksjonen fra sine solfarmer, og leverer nøyaktige prognoser som hjelper med å optimalisere energiforbruket og redusere kostnader. En rapport antyder at det reduserte energien brukt til kjøling i et Google‑datasenter med 40 % (en samlet reduksjon på 15 % i strømforbruk) ved kun å bruke historiske sensordata fra datasenteret (f.eks. temperaturer, kraft, pumpestyrke, setpunkter) for å forbedre energieffektiviteten. AI‑systemet forutsier fremtidig temperatur og trykk i datasenteret i løpet av den neste timen og gir anbefalinger om hvorvidt forbruket skal slås på eller av.

Inspirert av suksessen, tok selskapet disse innovasjonene til neste nivå, hvor AI‑systemet i stedet for å få sine anbefalinger implementert av mennesker, direkte kontrollerte kjølingen i datasenteret mens det fortsatt var under ekspertoppfølging av datasenteroperatørene.

I 2015 lanserte Google Project Sunroof for å hjelpe huseiere med å estimere deres potensielle solbesparelser. Med utgangspunkt i ekspertisen fra det prosjektet, lanserte selskapet et nytt Solar API‑verktøy i 2023. Det brukte kartleggings‑ og databehandlingsressurser for å levere detaljert data om tak‑solpotensial for mer enn 320 millioner bygninger i 40 land, inkludert USA, Frankrike og Japan.

Google trente sin AI‑modell til å hente 3D‑informasjon om takgeometri direkte fra luftbilder, sammen med detaljer om trær og skygge, mens Solar API tok hensyn til faktorer som historiske værmønstre i området, energikostnader og mer. Målet er å la solinstallatører forstå solpotensialet og kostnadene før de noen gang besøker et område. 

2. GE

I 2023 lanserte GE Vernova (GEV ) Fleet Orchestration, en ny programvare som utnyttet AI og maskinlæring for å hjelpe kraftleverandører med å maksimere bruken av fornybar energi.
Mens hun snakket om nytten og fordelene løsningen hadde å tilby, sa Linda Rae, general manager for kraftproduksjon og olje og gass i GE Vernovas digitale virksomhet, følgende:

“Fornybare energikilder som vind og sol spiller en viktig rolle i energiomstillingen. De er nøkkelen til å redusere verdens (avhengighet) av fossilt brensel. Utfordringen er at disse energikildene er iboende variable – vinden blåser ikke alltid, og solen skinner ikke alltid. Men folk forventer alltid at lyset skal slå seg på når de trykker på bryteren. Dette er hvor programvareløsninger, som Fleet Orchestration, kan bidra til å redusere denne usikkerheten for kraftselskaper, og gi dem den nødvendige tilliten til å sikre nettstabilitet samtidig som utslipp reduseres.”

Ifølge en studie publisert av ISO New England, kan reservemarginene måtte øke fra 15 % til 300 % innen 2040 for å nå 56 % bruk av fornybar energi. GE mener at programvarens evne til å hjelpe med å sette passende marginer – mengden ekstra ressurser som trengs for å holde kraftsystemene pålitelige i stressperioder – kommer på rett tidspunkt.

AI og solteknologi vil gå hånd i hånd i fremtiden

For å bli mer nyttig for solteknologiregimet, må AI ta visse skritt i fremtiden. Det må finnes en robust mekanisme for å samle inn nyttige data. Det neste steget vil innebære effektiv operasjonalisering av disse dataene ved å strukturere dem riktig for å gjøre dem handlingsbare. For det tredje må det sikres at ulike datasett kan kommunisere effektivt og gi verdi. Til slutt må AI‑modellene optimaliseres og finjusteres for å levere det maksimale de kan. 

Klikk her for en liste over de beste solaksjene å investere i.

Studierreferanse:

^{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 design workflow discovers hole-transport materials tailored for perovskite solar cells. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}