AI används för att påskynda solteknik snabbare än någonsin

Marknaden för solceller och paneler utvecklas snabbt. Enligt offentligt tillgängliga uppskattningar var marknadsvärdet för solpaneler världen över omkring US$82 miljarder år 2023 och förutspås att nå US$260 miljarder år 2031, mer än tredubbel tillväxt på åtta år.

Den framstegen för sol paneler bygger på förbättringar av solceller, de grundläggande komponenterna i solpaneler. Panelerna tillverkas av monokristallina eller polykristallina kiselceller som lödas ihop och förseglas under ett antireflexglas. Utan tvekan beror all framsteg inom solteknik på förbättringar av solceller. Vi kommer att diskutera ett sådant genombrott i nästa avsnitt.

Användning av maskininlärning för att påskynda sökandet efter nya halvledarmolekyler för perovskitsolceller

Forskare vid Karlsruhe Institute of Technology, som arbetar som en del av ett internationellt team, kunde hitta nya organiska molekyler som ökade effektiviteten hos perovskitsolceller^1. För att uppnå sitt mål använde forskarteamet en intelligent kombination av AI och automatiserad höggenomströmningssyntes. Enligt rapporten är forskningen kompatibel med tillämpningar inom andra områden av materialforskning, inklusive sökandet efter nya batterimaterial. 

Den vetenskapliga artikeln som beskriver forskningen konstaterar att omvänd design av skräddarsydda organiska molekyler för specifika optoelektroniska enheter med hög komplexitet har enorm potential som ännu inte realiserats. De modeller som fanns innan forskningsresultaten publicerades förlitade sig på stora datamängder som i allmänhet saknades för specialiserade forskningsområden.

Forskarnas demonstrerade ett sluten-loop arbetsflöde som kombinerade höggenomströmningssyntes av organiska halvledare för att skapa stora datamängder och Bayesisk optimering för att upptäcka nya håltransportmaterial med skräddarsydda egenskaper för solcellsapplikationer. De prediktiva modellerna baserades på molekylära deskriptörer som gjorde det möjligt för forskarna att koppla materialens struktur till deras prestanda. 

Sammanlagt kunde forskningen identifiera en serie högpresterande molekyler från minimala förslag till uppnå upp till 26,2 % (certifierad 25,9 %) verkningsgrad för energikonvertering i perovskitsolceller.

Även om den vetenskapliga förklaringen av vad forskarteamet uppnått kan låta för teknisk för att förstå, finns det enklare sätt att begripa problemen och hur lösningarna kom fram. 

Uppgiften att ta reda på vilka av en miljon olika molekyler som skulle leda positiva laddningar och göra perovskitsolceller särskilt effektiva skulle kräva syntes och testning av dem alla. Användningen av AI hjälpte till att minska denna betungande börda, då forskarteamet, lett av tenure‑track‑professor Pascal Friederich, som är specialist på AI‑tillämpningar inom materialvetenskap vid KIT:s Institut för nanoteknologi, och professor Christoph Brabec från Helmholtz‑institutet Erlangen‑Nürnberg (HI ERN), implementerade en AI‑modell för att uppnå sitt mål med så få försök som möjligt.

Enligt Brabec:

“Med endast 150 riktade experiment kunde vi uppnå ett genombrott som annars skulle ha krävt hundratusentals tester.”

Forskarnas tro var att arbetsflödet de utvecklat kunde öppna nya sätt att snabbt och ekonomiskt upptäcka högpresterande material för ett brett spektrum av tillämpningar. 

Men hur lyckades forskarna uppnå vad de gjorde? Låt oss gå lite djupare!

Träna AI med molekylär data

Allt började vid Helmholtz‑institutet Erlangen‑Nürnberg (HI ERN), med en databas full av strukturella formler för ungefär en miljon virtuella molekyler som kunde syntetiseras från kommersiellt tillgängliga ämnen. Forskarna valde slumpmässigt 13 000 av dessa virtuella molekyler. För att bestämma deras energinivåer, polaritet, geometri och andra egenskaper använde KIT‑forskarna etablerade kvantmekaniska metoder. 

Urvalet av 101 molekyler av de 13 000 baserades på mångfalden i deras molekylära egenskaper. Med andra ord valde forskarna dessa 101 med de största skillnaderna i sina egenskaper.

Därefter syntetiserade forskarna dessa molekyler med robotiska system för att producera solceller som annars var identiska. Att mäta effektiviteten hos dessa solceller var en av de mest kritiska aspekterna av forskningen.

När det gäller denna effektivitetsbedömning sade Brabec följande:

“Att kunna producera verkligt jämförbara prover tack vare vår högautomatiserade syntesplattform, och därmed kunna fastställa pålitliga effektivitetsvärden, var avgörande för vår strategis framgång.”

AI‑modellen som forskarna tränade och utvecklade föreslog 48 andra molekyler att syntetisera. Dessa rekommendationer baserades på två kriterier:

• Hög förväntad effektivitet
• Oförutsägbara egenskaper

AI:s rekommendation gav positiva resultat. De AI‑föreslagna molekylerna gjorde det möjligt att bygga solceller med över genomsnittlig effektivitet. Vissa av dessa kunde till och med överträffa kapaciteten hos dagens mest avancerade material. 

Resultatet bekräftade forskarnas beslut att använda AI. När forskaren Friedrich kommenterade detta sade han:

“Vi kan inte vara säkra på att vi verkligen har hittat den bästa av en miljon molekyler, men vi är definitivt nära optimum.”

Implementeringen av AI var mycket uppmuntrande, eftersom den hjälpte forskarna att få insikt i de molekyler den föreslog. AI:s förslag baserades delvis på närvaron av vissa kemiska grupper, såsom aminer, som kemister tidigare hade förbisedda. Att lyfta fram dessa förbisedda kemiska grupper var utan tvekan ett betydande positivt resultat av AI‑implementeringen.

Generellt är användningen av AI för att driva solteknikens utveckling inte ny. Internationella energirådet för förnybar energi (IRENA) har genomfört en omfattande studie om hur AI‑applikationer kan förbättra processer för integration av förnybar energi, särskilt de som involverar vind- och solkraft. 

I nästa avsnitt tittar vi på några av rapportens insikter för att få en omfattande översikt över hur AI kan visa sig effektiv i solteknik. 

Mångsidig tillämpning av AI för att främja solteknik

AI kan hjälpa solteknik att bli mer effektiv genom att generera förbättrade prognoser för förnybar energiproduktion. Stordata och AI kan producera exakta kraftgenereringsprognoser som gör det möjligt att integrera mycket mer förnybar energi i nätet. Rapporten nämner exempelvis IBM, som 2015 kunde visa en förbättring på 30 % i solprognoser genom samarbete med US Department of Energy:s SunShot‑initiativ. 

Den själv‑lärande vädermodellen och tekniken för förnybar generationsprognostisering utnyttjade stora historiska datamängder samt realtidsmätningar från lokala väderstationer, sensornätverk, satelliter och himmelsbilder.

Systemoperatörer kan också dra nytta av detta med exakta korttidsprognoser, förbättrad enhetsplanering, ökad dispatch‑effektivitet, minskade tillförlitlighetsproblem och minskade driftsreserver som behövs i systemet.  

Rapporten lyfte fram två projekt. Det ena var EWeLiNE, ett tyskt forskningsprojekt som använde maskininlärningsprogramvara och avslutades 2017. Det andra var Gridcast, dess uppföljning. Båda använde AI för att förutsäga kraftproduktion. De hämtade data från solceller, vindkraftverk och väderprognoser. Detta hjälpte till att minska slösad energi.

AI kan också spela en avgörande roll för att upprätthålla nätstabilitet och tillförlitlighet. Fyra företag (Adaptricity, AEK, Alpiq och Landis+Gyr (LAND.SW )), tillsammans med kantonen Solothurn, testar hur AI‑lösningar kan säkerställa framtida nätstabilitet och minimera investeringar i kostsam nätutbyggnad i ett pilotprojekt kallat SoloGrid. 

Det observerades att AI kunde öka kapaciteten i elnät och minska behovet av nya ledningar genom att bättre utnyttja befintliga ledningar baserat på väderförhållanden. AI‑baserade system, som använder stora mängder väderdata, kan säkerställa optimal användning av befintliga elnät genom att anpassa driften efter väderförhållanden när som helst, vilket minskar trängsel.

AI kan också förbättra säkerhet, tillförlitlighet och effektivitet i elsystem genom att automatiskt upptäcka störningar. AI‑modeller, tränade med exempel på typiska systemavbrott, kan gradvis lära sig att skilja – och exakt kategorisera – normal driftsdata från definierade systemfel. Som ett resultat kan algoritmen fatta beslut på bråkdelar av en sekund om närvaro av en avvikelse eller fel, samt dess typ och plats. Mer specifikt kan algoritmen nå ett beslut inom 20–50 ms, vilket ger tillräckligt med tid för att implementera lämpliga fullt automatiserade motåtgärder.

AI kan också stärka solteknik genom att förbättra efterfrågeprognoser. Rapporten gav ett exempel: BeeBryte, en fransk startup. Den använde AI för att förutsäga ett byggnads termiska energibehov. Detta gjorde det möjligt att producera värme och kylning vid rätt tidpunkter. Kunder kunde sätta ett driftstemperaturområde, och AI höll det stabilt. Detta ledde till besparingar på upp till 40 % på energiräkningar.

AI hjälpte också till att förlänga livslängden på lagringsenheter. Den använde prediktiv logik för att optimera laddning och urladdning. Rapporten nämnde Athena, ett AI‑system utvecklat av det kaliforniska företaget Stem. Det kartlade energianvändning och spårade fluktuationer i energipriser. Detta gjorde det möjligt för kunder att använda lagring mer effektivt.

Förutom innovativa och geniala startups har flera stora företag använt AI för att driva soltekniktillämpningar framåt. I de kommande avsnitten diskuterar vi två sådana företag och hur de använde AI för att föra soltekniken framåt. 

1. Google

Google är känt för att använda sina DeepMind AI‑system för att förutsäga produktionen från sina solfarmer, vilket ger exakta prognoser som hjälper till att optimera energiförbrukning och minska kostnader. En rapport antyder att de minskade energianvändningen för kylning i ett Google‑datacenter med 40 % (en total minskning på 15 % i energianvändning) genom att endast använda historiska sensordata från datacentret (t.ex. temperaturer, effekt, pumpvarvtal, inställningspunkter) för att förbättra energieffektiviteten. AI‑systemet förutsäger framtida temperatur och tryck i datacentret under nästa timme och ger rekommendationer om huruvida förbrukningen ska slås på eller av.

Inspirerad av sin framgång tog företaget dessa innovationer till nästa nivå, där AI‑systemet istället för att implementeras av människor direkt styrde kylningen i datacentret, men fortfarande under övervakning av datacenterspecialister.

År 2015 lanserade Google Project Sunroof för att hjälpa husägare uppskatta sin potentiella solenergisparande. Med den erfarenhet som samlats in från det projektet släppte företaget ett nytt Solar‑API‑verktyg 2023. Det använde kartläggning och beräkningsresurser för att tillhandahålla detaljerad data om takets solpotential för mer än 320 miljoner byggnader i 40 länder, inklusive USA, Frankrike och Japan.

Google tränade sin AI‑modell för att extrahera 3D‑information om takgeometri direkt från flygbilder, tillsammans med detaljer om träd och skuggning, medan Solar‑API:n tog hänsyn till faktorer som historiska vädermönster i området, energikostnader och mer. Målet är att låta solinstallatörer förstå solpotential och kostnader innan de någonsin besöker ett område. 

Den 29 oktober 2024 meddelade Alphabet Inc. (GOOG ) sina finansiella resultat för kvartalet som avslutades den 30 september 2024. De konsoliderade Alphabet‑intäkterna under Q3 2024 ökade med 15 %, eller 16 % i konstant valuta, år‑till‑år till 88,3 miljarder USD, vilket speglar starkt driv i hela verksamheten. 

2. GE

År 2023 lanserade GE Vernova (GEV ) Fleet Orchestration, en ny mjukvara som utnyttjade AI och maskininlärning för att hjälpa energiföretag maximera användningen av förnybar energi.

När hon talade om nytta och fördelar med lösningen sade Linda Rae, generaldirektör för kraftproduktion och olja och gas för GE Vernovas digitala verksamhet, följande:

“Förnybara energikällor som vind och sol spelar en viktig roll i energitransitionen. De är nyckeln till att minska världens (beroende) på fossila bränslen. Utmaningen är att dessa energikällor är inneboende variabla – vinden blåser inte alltid, och solen skiner inte alltid. Men människor förväntar sig att deras lampor tänds när de slår på strömbrytaren. Detta är där mjukvarulösningar, såsom Fleet Orchestration, kan hjälpa till att minska denna osäkerhet för kraftbolag, ge dem det förtroende som behövs för att säkerställa nätstabilitet samtidigt som utsläppen minskar.”

Enligt en studie från ISO New England kan reservmarginalerna behöva öka från 15 % till 300 % till år 2040 för att nå 56 % förnybar energianvändning. GE anser att mjukvarans förmåga att hjälpa till att sätta lämpliga marginaler – mängden extra resurser för att hålla elsystem pålitliga under stress – kommer vid rätt tidpunkt.

För en vecka sedan släppte GE Vernova sina finansiella resultat för fjärde kvartalet och hela året som avslutades den 31 december 2024. Företaget rapporterade en årsintäkt på $34.9B, +5%, +7%, organiskt drivet av Elektrifiering och Kraft. 

AI och solteknik kommer att gå hand i hand i framtiden

För att bli mer användbar för solteknikens ekosystem måste AI vidta vissa steg i framtiden. Det måste finnas en robust mekanism för att samla in användbar data. Nästa steg skulle innebära en effektiv operationalisering av den datan genom att strukturera den på rätt sätt för att göra den handlingsbar. För det tredje måste det säkerställas att olika datamängder kan kommunicera effektivt och skapa värde. Slutligen måste AI‑modellerna optimeras och finjusteras för att leverera maximal prestanda. 

Klicka här för en lista över de bästa solaktierna att investera i.

Studierreferens:

^{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}