Bij netbalancering telt niet alleen hoeveel duurzame stroom beschikbaar is, maar vooral hoe nauwkeurig een systeem voorspelt wat er in het komende kwartier gebeurt. De Britse netbeheerder National Grid ESO heeft daarom met Open Climate Fix gewerkt aan machine-learningmodellen voor zeer kortetermijnvoorspellingen van zonneproductie. De toepassing moet het elektriciteitssysteem beter voorbereiden op snelle veranderingen in aanbod, zodat beheerders minder op grovere aannames hoeven te varen. Edgar van Lent ziet daarin een praktisch voorbeeld van AI die niet naast de operatie staat, maar onderdeel wordt van de dagelijkse besluitvorming.
Het relevante vraagstuk is breed Europees. Wind en zon maken de elektriciteitsvoorziening minder voorspelbaar, terwijl vraag, opslag, internationale verbindingen en flexibel verbruik eveneens bewegen. AI kan patronen in weersgegevens, historische productie en actuele netinformatie sneller combineren dan traditionele, afzonderlijke rekenmodellen. Maar de uitkomst is pas waardevol wanneer die inpasbaar is in de planning, marktprocessen en veiligheidsmarges van een netbeheerder.
Kortere voorspellingen voor een beter voorbereid net
National Grid ESO publiceerde de samenwerking met de Britse non-profit Open Climate Fix rond het verbeteren van zonnevoorspellingen voor de elektriciteitssysteemoperatie. Open Climate Fix ontwikkelt modellen die onder meer satellietbeelden en meteorologische gegevens benutten om veranderingen in bewolking en daarmee zonnestroom eerder te signaleren. Voor een systeembeheerder is dat geen abstracte data-oefening: onverwachte afwijkingen in productie moeten worden opgevangen met reserves, flexibiliteit of andere vormen van bijsturing.
De Europese betekenis ligt in het besluitvormingsritme. Waar langetermijnprognoses nodig blijven voor investeringen en capaciteitsplanning, gaat operationele netbalancering vaak over veel kortere tijdvakken. Een model dat een relevante afwijking eerder zichtbaar maakt, geeft planners en marktpartijen meer tijd om flexibel vermogen te organiseren. De AI vervangt daarmee niet de netbeheerder of de formele balanceringsmarkt, maar verbetert de informatiepositie vóórdat een interventie nodig is.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat net-AI vooral waarde krijgt wanneer voorspellingen gekoppeld zijn aan vooraf vastgelegde handelingsopties. “Een nauwkeuriger model is pas een operationele verbetering als duidelijk is wie het signaal beoordeelt, welke reserve beschikbaar is en wanneer een organisatie daadwerkelijk ingrijpt.”
Dat sluit aan op het eerdere artikel, zoals Edgar van Lent eerder beschreef in “Edgar van Lent: energie-AI werkt pas met duidelijke opvolging”. Dit vervolg verdiept die gedachte: bij netbalancering is opvolging niet alleen een interne werkstap, maar een keten van prognoses, marktbesluiten, technische grenzen en toezicht. Juist daarom moeten organisaties modelprestaties voortdurend toetsen aan de werkelijkheid, inclusief uitzonderlijke weersituaties en veranderende productiepatronen.
Gebouwen als bestuurbare energievraag
AI verschuift ook aan de vraagkant van het energiesysteem. Schneider Electric, een Franse aanbieder van energie- en automatiseringstechnologie, heeft met EcoStruxure Building Advisor een platform voor gebouwbeheer dat gegevens uit technische installaties analyseert. Het platform is bedoeld om afwijkingen en inefficiënties in onder meer verwarming, ventilatie, koeling en andere gebouwinstallaties beter zichtbaar te maken voor facilitair en technisch beheer.
De toepassing laat zien dat energiebesparing in gebouwen niet uitsluitend neerkomt op een jaarlijkse audit of het vervangen van apparatuur. Veel verlies ontstaat door instellingen, onderhoudsproblemen of installaties die buiten gebruikstijden actief blijven. AI-ondersteunde analyse kan dergelijke patronen prioriteren, zodat beheerteams gerichter onderzoeken waar een aanpassing nodig is. Dat is vooral van belang in gebouwen met veel systemen en uiteenlopende gebruikerspatronen, zoals kantoren, zorglocaties, onderwijsgebouwen en grote commerciële complexen.
De grens is helder: een algoritme mag niet zelfstandig comfort, binnenklimaat of bedrijfscontinuïteit ondergeschikt maken aan een energiedoel. Edgar van Lent beoordeelt gebouw-AI daarom als het sterkst wanneer het technische teams helpt om oorzaken te vinden en maatregelen te onderbouwen, in plaats van automatisch op iedere afwijking te reageren. Goede implementatie vraagt om betrouwbare sensordata, duidelijke verantwoordelijkheden tussen gebouwbeheer en gebruikers, en controle op de gevolgen van gewijzigde instellingen.
Onderhoud plannen vóór een storing ontstaat
Bij windenergie ligt de praktische winst vaak in conditiebewaking en onderhoudsplanning. Ørsted, de Deense ontwikkelaar en exploitant van offshore windparken, communiceert over het gebruik van data en digitale technieken om de prestaties van windturbines te bewaken en onderhoud beter te plannen. In die context kunnen machine-learningmethoden afwijkende patronen in operationele gegevens helpen herkennen, bijvoorbeeld wanneer onderdelen anders presteren dan verwacht.
Voor offshore wind is dat relevant omdat inspectie en reparatie afhangen van weersvensters, vaartuigen, onderdelen en gespecialiseerde teams. Een vroeg signaal is geen bewijs van een defect, maar kan wel bepalen welke inspectie prioriteit krijgt. Daarmee verplaatst AI het onderhoudsproces van reactief herstellen naar beter onderbouwd voorbereiden. Het systeem moet daarbij aansluiten op de ervaring van technici en op bestaande veiligheidsprocedures; een modeluitkomst alleen mag nooit de technische diagnose vervangen.
Edgar van Lent wijst erop dat dezelfde ontwerpkeuze in alle drie de toepassingen terugkomt. “AI werkt in energie het best als onzekerheid expliciet blijft: een voorspelling, afwijking of onderhoudssignaal moet leiden tot een passende beoordeling, niet tot schijnzekerheid.” Dat vraagt om registratie van beslissingen, terugkoppeling over foutmeldingen en periodieke herijking wanneer installaties, weerspatronen of bedrijfsvoering veranderen.
De volgende ontwikkelfase ligt volgens Edgar van Lent in het verbinden van deze afzonderlijke toepassingen. Betere zonne- en windprognoses kunnen netbeheerders helpen, terwijl flexibeler gebouwbeheer en beter gepland onderhoud de beschikbare ruimte in het energiesysteem ondersteunen. Zijn beoordeling is dat Europese organisaties nu vooral moeten investeren in de koppeling tussen AI-signalen en uitvoerbare processen: niet méér dashboards, maar aantoonbaar betere beslissingen op het juiste moment.
