Solenergi är idag en av de snabbast växande formerna av energiproduktion i världen. Till stor del beror det på att verkningsgraden hos solceller för elproduktion under de senaste åren ökat kraftigt, samtidigt som priset sjunkit. Forskare världen över arbetar emellertid hela tiden för att göra solenergin ännu mer effektiv, bland annat genom att utnyttja framstegen inom AI-tekniken. Några av dessa forskare befinner sig vid Högskolan i Gävle, där de utvecklat en AI-metodik som bedömer potentialen för solpaneler på hustak.
Text: Alarik Haglund
Kommersiella kiselsolceller, som är dominerande på solcellsmarknaden, hade 2010 en genomsnittlig verkningsgrad på omkring 15 procent. Det vill säga att de kunde omvandla 15 procent av energin i det solljus som träffade dem till elektricitet. Tack vare att solcellernas design förbättrats och att förbättrade tillverkningsprocesser ger solceller av högre och jämnare kvalitet är den genomsnittliga verkningsgraden hos kommersiella kiselsolceller idag cirka 22 procent. Dessutom har forskarna utvecklat flera nya solcellsmaterial, som erbjuder en rad olika fördelar.
Till exempel är så kallade perovskitmaterial ett lovande alternativ till kisel tack vare att de både är bättre än kisel på att absorbera solljus och att solceller baserade på perovskitmaterial är billigare att tillverka än kiselsolceller.
Organiska solceller, som använder sig av organiska halvledarmaterial i stället för inorganiskt kisel, har också stor potential eftersom de tunna solcellerna är både lätta, böjbara och kan skräddarsys för en mängd olika tillämpningar. De lämpar sig därför väl i bland annat byggnadsintegrerade solcellslösningar, som solcellstakpannor och solcellsfönster. Precis som perovskitsolceller är de också billigare att tillverka än kiselsolceller.
Det blir även allt vanligare att kombinera två eller fler olika solcellsmaterial i en tandemsolcell, som tack vare att en större del av solljusets spektrum kan tas tillvara får betydligt högre verkningsgrad.
Forskarna arbetar emellertid inte bara med att utveckla bättre och billigare solceller. Även andra sätt att sänka kostnaderna och göra solenergisystem mer effektiva utforskas, bland annat genom att ta hjälp av AI-teknik.
Lägre kostnader och högre effektivitet
Varje solenergisystem, vare sig det rör sig om en storskalig solelpark eller en småskalig anläggning på ett villatak, har olika förutsättningar. Genom att använda sig av AI-teknik för att optimera systemet och se till att det utnyttjar sin fulla potential är det möjligt att både minimera kostnaderna och maximera systemets effektivitet.
Det finns en mängd olika miljöfaktorer som kan ha stor inverkan på ett solenergisystems produktionsförmåga och placeringen av en solenergianläggning är därför avgörande. Genom att den gör det möjligt att analysera stora mängder miljödata och geografiska data kan man med hjälp av AI-teknik ta hänsyn till en lång rad olika faktorer, som mängden solinstrålning, vädermönster, topografi och anslutningsmöjligheter till existerande elnät, för att identifiera den bästa platsen att placera en solenergianläggning för att den ska producera så mycket energi som möjligt till lägsta möjliga kostnad.
När en plats väl valts kan AI-teknik användas för att optimera utformningen av en solenergianläggning, som till exempel det mest fördelaktiga antalet solpaneler och hur panelerna bäst placeras för att produktionen ska bli så stor som möjligt.
Samtidigt har det visat sig att AI-teknik kan hjälpa till att sänka kostnaderna för komplexa byggprojekt som solelparker och minska risken för förseningar.
AI-teknik kan dessutom utnyttjas för att fortsätta att kontinuerligt analysera data från solenergisystem under hela deras livslängd. På så vis kan man förutspå både systemens produktion, vilket underlättar storskalig integration av solenergi i befintliga elnät, och systemens framtida behov, i form av till exempel underhåll eller uppgraderingar.
Forskningsprojekt i Gävle
Ett forskningsprojekt som visat att solenergi kan göras mer effektiv med hjälp av AI-teknik har genomförts vid Högskolan i Gävle. Inom ramen för sin doktorsavhandling utvecklade Mohammad Aslani, som är doktor i geospatial Informationsvetenskap, tillsammans med Stefan Seipel, som är professor i datavetenskap, en AI-metodik som bedömer potentialen för solpaneler på hustak och avgör det antal solpaneler och den placering av solpanelerna som är mest fördelaktig.
- Det finns en hel del frihetsgrader när man placerar solpaneler på en takyta, både när det gäller val av antal, storlek och orientering, säger Stefan Seipel och menar att det i slutändan handlar om att lösa ett optimeringsproblem för få ut så stor solenergiutvinning som möjligt.
Forskarna förklarar att den nyutvecklade AI-metodiken är uppdelad i tre steg och använder sig av totalt sex olika AI-motorer – två i varje steg. Offentligt tillgängliga kartor från Lantmäteriet, tillsammans med satellitfoton och 3D-modeller, används i det första steget för att identifiera alla tak i en stadsdel. I nästa steg bedömer AI-motorerna sedan takens lutning och väderstreck. Till sist tar de hänsyn till varje enskilt taks struktur, med till exempel skorstenar och vinklar, och ger ett förslag på hur många solpaneler som bör monteras på varje tak och hur de bör placeras för att vara så effektiva som möjligt.
Efterfrågar förbättrad datainsamling
Gävle-forskarnas AI-metodik har testats i två olika fallstudier i Göteborg och Uppsala och har i båda fallen visat sig ge bättre resultat än de metoder som använts tidigare.
- En slutsats vi kunnat dra av fallstudierna är att det behövs detaljerade analyser av takytor för att komma fram till korrekta uppskattningar av den solenergi man kan utvinna. De befintliga planeringsverktygen är i vissa fall inte tillräckligt noggranna och kan överskatta hur mycket energi man kan få ut, berättar Stefan Seipel.
Utöver att vara till nytta för enskilda husägare påpekar forskarna att AI-metodiken även kan vara till nytta för till exempel kommunala stadsplanerare eller fastighetsbolag.
Den främsta utmaningen när det gäller att tillämpa den här typen av AI-metodik i större skala är enligt Stefan Seipel tillgången på bra ingångsdata med hög upplösning.
- Många använder sig av satellitfoton och Lantmäteriets höjdmodeller, men upplösningen är inte tillräckligt hög för att man ska kunna upptäcka viktiga detaljer som man behöver ta hänsyn till på en takyta. Det finns tekniker för att ta fram detaljerade 3D-modeller med hjälp av drönare, men det är en kostsam process och den behöver utvecklas, förklarar Stefan Seipel och menar att man måste göra det lättare att samla in data med hög rumslig upplösning.