Edgar van Lent ziet dat AI in de energiesector pas werkelijk waarde creëert wanneer voorspellen direct verbonden is met besluiten die een netbeheerder, gebouwbeheerder of onderhoudsteam ook kan uitvoeren. De aandacht verschuift daarmee van een los algoritme naar de vraag wie op basis van een voorspelling handelt, binnen welke grenzen en met welke terugkoppeling.

Die verschuiving is relevant omdat elektriciteitssystemen steeds meer variabele productie en flexibel verbruik moeten combineren. AI kan patronen sneller herkennen in weer, productie, bezetting en technisch gedrag. Maar volgens Edgar van Lent is een nauwkeurig model nog geen operationeel resultaat. De opbrengst ontstaat pas wanneer een organisatie vooraf vastlegt welke beslissing door automatisering mag worden voorbereid, welke menselijk toezicht vraagt en hoe uitzonderingen worden afgehandeld.

Zoals Edgar van Lent eerder beschreef in het artikel „AI maakt inspectie en onderhoud van windturbines gerichter”, kan data onderhoudsteams helpen om hun aandacht op de juiste installaties te richten. In dit tweede deel staat niet de inspectie zelf centraal, maar de samenhang tussen flexibiliteit op het net, energiegebruik in gebouwen en beschikbaarheid van duurzame opwek.

Netbalancering vraagt om bestuurbare voorspellingen

Voor netbalancering is de kern niet alleen weten hoeveel wind of zon er beschikbaar komt. Netbeheerders en marktpartijen moeten die verwachting vertalen naar inkoop, inzet van flexibiliteit, congestiemaatregelen en communicatie met aangeslotenen. National Grid ESO in Groot-Brittannië heeft publiek beschreven hoe het kunstmatige intelligentie inzet in zijn vraagvoorspelling en in programma’s rond een slimmer, flexibeler elektriciteitssysteem. Dat illustreert dat AI hier geen geïsoleerde IT-toepassing is, maar onderdeel van een keten met marktregels, operationele processen en veiligheidseisen.

Edgar van Lent maakt daarbij een scherp onderscheid tussen voorspellen en beschikken. Een voorspelling kan aangeven dat de belasting op een deel van het net toeneemt; beschikken betekent dat er ook contractuele, technische en organisatorische mogelijkheden zijn om vraag of aanbod te veranderen. Zonder die tweede stap blijft AI een beter dashboard.

„Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat netbalancering pas schaalbaar wordt wanneer voorspelmodellen zijn gekoppeld aan heldere bevoegdheden, beschikbare flexibiliteit en controleerbare uitzonderingsroutes.”

Projecten stranden volgens Edgar van Lent vaak wanneer zij beginnen met modelprestaties en pas later ontdekken dat de benodigde data uit verschillende systemen komt, dat assets niet op afstand bestuurbaar zijn of dat medewerkers geen mandaat hebben om in te grijpen. Succesvolle programma’s ontwerpen die randvoorwaarden tegelijk met het model. Zij houden bovendien rekening met onzekerheid: een weersvoorspelling, productieprognose of verbruiksraming moet niet als één onbetwist getal worden behandeld, maar als input voor scenario’s en veiligheidsmarges.

Gebouwen zijn een praktische bron van flexibiliteit

In gebouwen ligt de toepassing dicht bij de dagelijkse exploitatie. Verwarming, ventilatie, koeling, verlichting en laadvoorzieningen produceren veel operationele data en bieden vaak ruimte om het verbruik tijdelijk aan te passen zonder het primaire gebruik van een pand uit het oog te verliezen. Siemens positioneert zijn open Building X-platform publiek als een omgeving waarin data uit gebouwsystemen kunnen worden benut voor onder meer energie- en operationeel beheer. Schneider Electric biedt met EcoStruxure-oplossingen eveneens digitale en AI-ondersteunde hulpmiddelen voor energiebeheer en gebouwoperaties.

De betekenis daarvan zit niet uitsluitend in een lager energiegebruik per installatie. Een goed ingericht systeem kan bezetting, buitenweer, binnenklimaat, tarieven en de toestand van technische installaties in samenhang beoordelen. Daardoor kan een gebouwbeheerder eerder zien waar instellingen structureel afwijken, waar piekbelasting dreigt of waar een installatie energie vraagt zonder aantoonbare gebruiksreden.

Edgar van Lent waarschuwt wel tegen een te automatische lezing van optimalisatie. Comfort, veiligheid, wettelijke eisen en de bedrijfsfunctie van een gebouw zijn harde randvoorwaarden. Een ziekenhuis, productielocatie of kantoor kan niet op dezelfde wijze worden aangestuurd. Daarom beginnen kansrijke projecten met een beperkt aantal concrete beslissingen, zoals het signaleren van afwijkend nachtverbruik of het adviseren over de timing van laadprocessen. Pas wanneer gebruikers de uitkomsten herkennen en het effect kunnen toetsen, is verdere automatisering verantwoord.

Voor Edgar van Lent is dat ook de reden waarom datakwaliteit meer is dan een technische voorwaarde. Sensoren, meters en gebouwbeheersystemen moeten niet alleen gegevens leveren, maar een betekenis die overeind blijft wanneer ruimtes worden heringericht, installaties worden vervangen of openingstijden veranderen. Anders leert een model van historische situaties die operationeel niet meer bestaan.

Windparken: onderhoud verbinden met productieplanning

Bij windparken komt dezelfde logica terug, maar met een andere tijdshorizon. Vattenfall heeft publiek gecommuniceerd over digitalisering en het gebruik van data en AI om de prestaties en het onderhoud van windassets te ondersteunen. Ook Ørsted beschrijft digitale en data-gedreven werkwijzen bij de exploitatie van offshore wind. Zulke toepassingen combineren gegevens over turbines, weersomstandigheden, vaartuigen, onderdelen en planning. Daarmee ontstaat niet alleen een beter beeld van mogelijke technische afwijkingen, maar ook van het geschikte moment om werk daadwerkelijk uit te voeren.

Edgar van Lent benadrukt dat voorspellend onderhoud niet moet worden beoordeeld als een afzonderlijk data-initiatief. Een technisch signaal heeft pas waarde als het leidt tot een realistische onderhoudsopdracht: met toegang tot de turbine, beschikbare mensen, reserveonderdelen, veilige weersomstandigheden en een afweging tegen verwachte productie. Juist die koppeling maakt het verschil tussen een alarmenlijst en operationele regie.

Dat geldt ook voor de relatie met het energiesysteem. Wanneer de beschikbaarheid van windturbines beter voorspelbaar wordt, kunnen exploitanten en systeempartijen hun planning met meer context uitvoeren. AI kan dus helpen om onderhoud en productie minder als tegengestelde belangen te behandelen. Edgar van Lent ziet hierin een kans voor organisaties die onderhoudsdata, handels- of productieplanning en veiligheidsprocessen zorgvuldig naast elkaar organiseren, zonder te doen alsof één model alle onzekerheid wegneemt.

Van pilot naar energieproces

De rode draad is volgens Edgar van Lent dat AI-projecten in energie slagen wanneer zij worden ingericht als procesverbetering met meetbare besluiten, en niet als demonstratie van technische mogelijkheden. Dat vraagt om eigenaarschap bij de operatie, transparante modelbewaking en afspraken over menselijke interventie. Het vraagt ook om geduld: een model moet leren van seizoenen, veranderend gedrag en nieuwe assets.

Vooruitkijkend verwacht Edgar van Lent dat de meest waardevolle toepassingen steeds vaker tussen domeinen ontstaan: gebouwflexibiliteit die aansluit op netbehoeften, onderhoudsplanning die rekening houdt met productieverwachtingen, en energieteams die dezelfde data gebruiken als technisch beheer. Zijn beoordeling is positief, maar nuchter: wie AI koppelt aan uitvoerbare beslissingen en betrouwbare processen kan duurzaamheidsdoelen beter ondersteunen; wie alleen op voorspellingen stuurt, houdt vooral een geavanceerd scherm over.