IA está sendo usada para avançar a tecnologia solar mais rápido do que nunca

O mercado de células e painéis solares está avançando rapidamente. Segundo estimativas publicamente disponíveis, o valor de mercado dos painéis solares em todo o mundo era de cerca de US$82 bilhões em 2023 e é previsto alcançar US$260 bilhões em 2031, mais de três vezes o crescimento em oito anos.

O progresso da energia solar depende de melhorias nas células solares, os componentes fundamentais dos painéis solares. Os painéis são feitos de células solares de silício monocristalino ou policristalino soldadas juntas e seladas sob uma cobertura de vidro anti‑reflexo. Indubitavelmente, qualquer progresso na tecnologia solar depende de melhorias nas células solares. Discutiremos uma dessas inovações no próximo segmento.

Implantando Aprendizado de Máquina para Acelerar a Busca por Novas Moléculas Semicondutoras para Células Solares de Perovskita

Pesquisadores do Instituto de Tecnologia de Karlsruhe, trabalhando como parte de uma equipe internacional, conseguiram encontrar novas moléculas orgânicas que aumentaram a eficiência das células solares de perovskita^1. Ao alcançar sua missão, a equipe de pesquisadores utilizou uma combinação inteligente de IA e síntese automatizada de alta vazão. Conforme destaca o relatório, a pesquisa é compatível com aplicações em outras áreas da pesquisa de materiais, incluindo a busca por novos materiais de bateria. 

O artigo científico que detalha a pesquisa afirma que o design inverso de moléculas orgânicas sob medida para dispositivos optoeletrônicos específicos de alta complexidade possui um enorme potencial ainda não realizado. Os modelos que existiam antes dos resultados da pesquisa dependiam de grandes conjuntos de dados que geralmente não existiam para campos de pesquisa especializados.

Os pesquisadores demonstraram um fluxo de trabalho em loop fechado que combinou síntese de alta vazão de semicondutores orgânicos para criar grandes conjuntos de dados e otimização Bayesiana para descobrir novos materiais de transporte de lacunas com propriedades sob medida para aplicações em células solares. Os modelos preditivos foram baseados em descritores moleculares que permitiram aos cientistas ligar a estrutura desses materiais ao seu desempenho. 

No total, a pesquisa conseguiu identificar uma série de moléculas de alto desempenho a partir de sugestões mínimas até atingir até 26,2% (certificado 25,9%) de eficiência de conversão de energia em células solares de perovskita.

Embora a explicação científica do que a equipe de pesquisa alcançou possa parecer muito técnica para compreender, há maneiras mais simples de entender os pontos críticos e como as soluções surgiram. 

O trabalho de descobrir quais de um milhão de moléculas diferentes conduziriam cargas positivas e tornariam as células solares de perovskita particularmente eficientes exigiria sintetizar e testar todas elas. A implantação de IA ajudou a reduzir essa carga trabalhosa, já que a equipe de pesquisadores, liderada pelo Professor Tenure‑track Pascal Friederich, que se especializa nas aplicações de IA em ciência dos materiais no Instituto de Nanotecnologia da KIT, e pelo Professor Christoph Brabec do Instituto Helmholtz Erlangen‑Nürnberg (HI ERN), utilizou um modelo de IA para atender seu propósito com o menor número possível de tentativas.

De acordo com Brabec:

“Com apenas 150 experimentos direcionados, conseguimos alcançar um avanço que, de outra forma, teria exigido centenas de milhares de testes.”

Os pesquisadores acreditavam que o fluxo de trabalho que desenvolveram poderia abrir novas maneiras de descobrir materiais de alto desempenho de forma rápida e econômica para uma ampla gama de aplicações. 

Mas como os pesquisadores alcançaram o que fizeram? Vamos nos aprofundar um pouco mais!

Treinando IA com Dados Moleculares

Tudo começou no Instituto Helmholtz Erlangen‑Nürnberg (HI ERN), com um banco de dados cheio de fórmulas estruturais para aproximadamente um milhão de moléculas virtuais que poderiam ser sintetizadas a partir de substâncias comercialmente disponíveis. Os pesquisadores selecionaram 13.000 aleatoriamente dessas moléculas virtuais. Para determinar seus níveis de energia, polaridade, geometria e outras propriedades, os pesquisadores da KIT usaram métodos quânticos mecânicos estabelecidos. 

A seleção de 101 moléculas dentre as 13.000 foi baseada na diversidade de suas propriedades moleculares. Em outras palavras, os cientistas escolheram essas 101 com as maiores diferenças em suas propriedades.

Posteriormente, os cientistas sintetizaram essas moléculas com sistemas robóticos para produzir células solares que eram, de outra forma, idênticas. Medir a eficiência dessas células solares foi um dos aspectos mais críticos desta pesquisa.

Falando sobre essa avaliação de eficiência, Brabec disse o seguinte:

“Ser capaz de produzir amostras verdadeiramente comparáveis graças à nossa plataforma de síntese altamente automatizada, e assim poder determinar valores de eficiência confiáveis, foi crucial para o sucesso da nossa estratégia.”

O modelo de IA que os pesquisadores treinaram e desenvolveram sugeriu 48 outras moléculas para sintetizar. Essas recomendações foram baseadas em dois critérios:

• Alta eficiência esperada
• Propriedades imprevisíveis

A recomendação da IA produziu resultados positivos. As moléculas sugeridas pela IA possibilitaram a construção de células solares com eficiência acima da média. Algumas delas até superaram as capacidades dos materiais mais avançados de hoje. 

O resultado tranquilizou os pesquisadores sobre sua decisão de implantar IA. Ao caracterizar o nível de conquista, Friedrich disse o seguinte:

“Não podemos ter certeza de que realmente encontramos a melhor dentre um milhão de moléculas, mas certamente estamos próximos do ótimo.”

A implantação da IA foi realmente encorajadora, pois ajudou os pesquisadores a obter insights sobre as moléculas que ela sugeriu. As sugestões da IA foram parcialmente baseadas na presença de certos grupos químicos, como aminas, que os químicos haviam anteriormente negligenciado. Destacar esses grupos químicos negligenciados foi, sem dúvida, um resultado positivo significativo da implantação da IA.

De modo geral, a implantação de IA para avançar a causa da tecnologia solar não é nova. A Agência Internacional de Energia Renovável realizou um estudo extenso sobre como aplicações de IA poderiam melhorar os processos de integração de energia renovável, especialmente aqueles envolvendo energia eólica e solar. 

No próximo segmento, analisaremos alguns dos insights do relatório para obter uma visão abrangente de como a IA pode ser eficaz na tecnologia solar. 

Aplicações Diversas de IA no Avanço da Tecnologia Solar

A IA pode ajudar a tecnologia solar a se tornar mais eficiente ao gerar previsões aprimoradas de geração de energia renovável. Big data e IA podem produzir previsões precisas de geração de energia que tornariam viável integrar muito mais energia renovável à rede. O relatório cita o exemplo da IBM, que, em 2015, conseguiu mostrar uma melhoria de 30% na previsão solar ao trabalhar com a Iniciativa SunShot do Departamento de Energia dos EUA. 

O modelo meteorológico de autoaprendizado e a tecnologia de previsão de geração renovável utilizavam grandes conjuntos de dados históricos e medições em tempo real integradas a partir de estações meteorológicas locais, redes de sensores, satélites e câmeras de imagens do céu.

Os operadores de sistema também poderiam se beneficiar com previsões de curto prazo precisas, melhorando o comprometimento de unidades, aumentando a eficiência de despacho, reduzindo problemas de confiabilidade e diminuindo as reservas operacionais necessárias no sistema.  

O relatório destacou dois projetos. Um foi o EWeLiNE, um projeto de pesquisa alemão que utilizou software de aprendizado de máquina e terminou em 2017. O outro foi o Gridcast, seu sucessor. Ambos usaram IA para prever a geração de energia. Eles extraíram dados de sensores solares, turbinas eólicas e previsões meteorológicas. Isso ajudou a reduzir a energia desperdiçada.

A IA também poderia desempenhar um papel crucial na manutenção da estabilidade e confiabilidade da rede. Quatro empresas (Adaptricity, AEK, Alpiq e Landis+Gyr (LAND.SW )), juntamente com o Cantão de Solothurn, estão testando como soluções de IA podem garantir a estabilidade futura da rede e minimizar investimentos em expansão cara da rede em um projeto piloto chamado SoloGrid. 

Observou‑se que a IA poderia aumentar a capacidade das redes elétricas e reduzir a necessidade de novas linhas ao fazer melhor uso das linhas existentes com base nas condições climáticas. Sistemas baseados em IA, usando grandes quantidades de dados meteorológicos, poderiam garantir o uso ótimo das redes elétricas existentes ao adaptar as operações às condições climáticas a qualquer momento, reduzindo assim a congestão.

A IA também poderia melhorar a segurança, confiabilidade e eficiência nos sistemas de energia ao detectar automaticamente distúrbios. Modelos de IA, treinados com exemplos de falhas típicas do sistema, poderiam aprender gradualmente a distinguir — e categorizar precisamente — dados de operação normal de falhas definidas do sistema. Como resultado, o algoritmo poderia tomar decisões em frações de segundo sobre a presença de uma anomalia ou falha, bem como seu tipo e localização. Mais especificamente, o algoritmo poderia chegar a uma decisão em 20–50 ms, proporcionando tempo suficiente para implementar as contramedidas totalmente automatizadas apropriadas.

A IA também poderia impulsionar a tecnologia solar ao melhorar a previsão de demanda. O relatório deu um exemplo: BeeBryte, uma startup francesa. Ela usou IA para prever a demanda de energia térmica de um edifício. Isso permite produzir aquecimento e refrigeração nos momentos corretos. Os clientes podem definir uma faixa de temperatura operacional, e a IA a mantém estável. Isso resultou em economias de até 40% nas contas de serviços públicos.

A IA também ajudou a prolongar a vida útil das unidades de armazenamento. Ela usou lógica preditiva para otimizar carregamento e descarregamento. O relatório mencionou a Athena, um sistema de IA desenvolvido pela empresa californiana Stem. Ele mapeou o uso de energia e acompanhou as flutuações nas tarifas de energia. Isso permite que os clientes utilizem o armazenamento de forma mais eficiente.

Além de startups inovadoras e engenhosas, várias grandes empresas têm usado IA para avançar aplicações de tecnologia solar. Nos próximos segmentos, discutiremos duas dessas empresas e como elas aplicaram IA para impulsionar a tecnologia solar. 

1. Google

A Google é conhecida por usar seus sistemas de IA DeepMind para prever a produção de suas fazendas solares, fornecendo previsões precisas que ajudam a otimizar o consumo de energia e reduzir custos. Um relatório sugere que reduziu a energia usada para refrigeração em um data center da Google em 40% (uma redução geral de 15% no uso de energia) usando apenas dados históricos de sensores dentro do data center (por exemplo, temperaturas, energia, velocidades de bombas, pontos de ajuste) para melhorar a eficiência energética. O sistema de IA prevê a temperatura e pressão futuras do data center na próxima hora e fornece recomendações sobre se deve ligar ou desligar o consumo.

Inspirada por seu sucesso, a empresa levou essas inovações ao próximo nível, onde, em vez de ter suas recomendações implementadas por pessoas, o sistema de IA controlava diretamente o resfriamento do data center enquanto permanecia sob a supervisão especializada dos operadores do data center.

Em 2015, a Google lançou o Project Sunroof para ajudar os proprietários a estimar seu potencial de economia solar. Com base na expertise adquirida com esse projeto, a empresa lançou uma nova ferramenta Solar API em 2023. Ela usou recursos de mapeamento e computação para fornecer dados detalhados de potencial solar em telhados para mais de 320 milhões de edifícios em 40 países, incluindo EUA, França e Japão.

A Google treinou seu modelo de IA para extrair informações 3D sobre a geometria do telhado diretamente de imagens aéreas, juntamente com detalhes sobre árvores e sombras, enquanto o Solar API levava em conta fatores como padrões climáticos históricos da região, custos de energia e mais. O objetivo é permitir que instaladores solares compreendam o potencial e os custos solares antes de visitar o local. 

Em 29 de outubro de 2024, a Alphabet Inc. (GOOG ) anunciou seus resultados financeiros do trimestre que terminou em 30 de setembro de 2024. As receitas consolidadas da Alphabet no terceiro trimestre de 2024 aumentaram 15%, ou 16% em moeda constante, ano a ano, para US$88,3 bilhões, refletindo forte impulso em todo o negócio. 

2. GE

Em 2023, a GE Vernova (GEV ) lançou o Fleet Orchestration, um novo software que aproveita IA e aprendizado de máquina para ajudar as concessionárias de energia a maximizar o uso de energia renovável.

Ao falar sobre a utilidade e os benefícios que a solução oferece, Linda Rae, gerente geral de geração de energia e petróleo e gás para o negócio digital da GE Vernova, disse o seguinte:

“As renováveis como vento e solar desempenham um papel importante na transição energética. Elas são fundamentais para reduzir a (dependência) do mundo dos combustíveis fósseis. O desafio é que essas fontes de energia são inerentemente variáveis — o vento nem sempre sopra, e o sol nem sempre brilha. Mas as pessoas sempre esperam que suas luzes acendam ao ligar o interruptor. É aqui que soluções de software, como o Fleet Orchestration, podem ajudar a reduzir essa incerteza para as empresas de energia, dando-lhes a confiança necessária para garantir a estabilidade da rede enquanto simultaneamente reduzem as emissões.”

De acordo com um estudo divulgado pela ISO New England, as margens de reserva podem precisar aumentar de 15% para 300% até 2040 para alcançar 56% de uso de renováveis. A GE acredita que a capacidade do seu software de ajudar a definir margens adequadas — a quantidade de recursos extras para manter os sistemas de energia confiáveis em tempos de estresse — chega no momento certo.

Há uma semana,  a GE Vernova divulgou seus resultados financeiros do quarto trimestre e do ano completo que terminou em 31 de dezembro de 2024. A empresa reportou receita anual de US$34,9 bilhões, +5%, +7%, impulsionada organicamente por Eletrificação e Energia. 

IA e Tecnologia Solar Andarão de Mãos Dadas no Futuro

Para se tornar mais útil para o regime da tecnologia solar, a IA precisará dar certos passos no futuro. Será necessário um mecanismo robusto para coletar dados úteis. O próximo passo envolverá a operacionalização eficiente desses dados, estruturando‑os adequadamente para torná‑los acionáveis. Em terceiro lugar, é preciso garantir que diferentes conjuntos de dados se comuniquem efetivamente e forneçam valor. Finalmente, os modelos de IA deverão ser otimizados e ajustados finamente para entregar o máximo de seu potencial. 

Clique aqui para uma lista das principais ações solares para investir.

Referência do Estudo:

^{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). Fluxo de design inverso descobre materiais de transporte de lacunas sob medida para células solares de perovskita. Science, 386(6727), 1256–1264. https://www.science.org/doi/10.1126/science.ads0901}