Edgar van Lent ziet in de energiesector een verschuiving van losse AI-proeven naar systemen die dagelijkse operationele keuzes ondersteunen. De meest kansrijke toepassing ligt volgens hem niet in één allesomvattend energiemodel, maar in de koppeling tussen gebouwflexibiliteit, netinformatie en voorspellend onderhoud van windparken.
Die koppeling is urgent omdat elektrificatie het energiesysteem veranderlijker maakt. Wind- en zonneproductie variëren, verbruik verschuift door warmtepompen, laadinfra en bedrijfsprocessen, en storingen of beperkingen in assets werken direct door in de beschikbare flexibiliteit. Edgar van Lent benadrukt dat AI hier pas waarde toevoegt wanneer de uitkomst aansluit op een concrete beslissing: belasting tijdelijk verplaatsen, een installatie laten inspecteren of een onderhoudsvenster anders plannen.
Van voorspellen naar handelingsruimte
Voor netbalancering is de relevante vraag niet uitsluitend hoeveel stroom er op een bepaald moment wordt geproduceerd of afgenomen. Netbeheerders en marktpartijen moeten ook weten welke flexibiliteit technisch beschikbaar is, hoe betrouwbaar die beschikbaarheid is en binnen welke grenzen zij kan worden ingezet. AI kan patronen in weergegevens, historische productie, verbruik en assetstatus combineren om die onzekerheid beter te duiden.
TenneT werkt in meerdere Europese landen aan digitalisering van het elektriciteitssysteem en aan mechanismen om flexibiliteit uit uiteenlopende bronnen beter toegankelijk te maken. In dat soort toepassingen zit de betekenis van AI volgens Edgar van Lent vooral in het vertalen van grote datastromen naar een controleerbaar operationeel signaal. Een voorspelling van congestie of onbalans is op zichzelf onvoldoende; planners, marktprocessen en technische beveiligingen moeten ermee kunnen werken.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat succesvolle energie-AI begint met een scherp afgebakende beslissing en niet met de ambitie om alle energiedata tegelijk te optimaliseren. Dat onderscheid is belangrijk. Een model kan statistisch goed presteren, maar toch onbruikbaar zijn als het niet duidelijk maakt welke actie veilig, toegestaan en economisch zinvol is.
Daarmee verschilt netbalancering van veel generieke AI-projecten. De inzet raakt fysieke infrastructuur, marktregels en leveringszekerheid. Edgar van Lent wijst erop dat organisaties daarom onzekerheid moeten tonen in plaats van wegpoetsen. Wanneer een model een afwijking signaleert, moeten operators kunnen zien welke invoer het oordeel beïnvloedt en wanneer menselijk ingrijpen nodig blijft.
Gebouwen als bestuurbare energievraag
Aan de verbruikskant laat Schneider Electric zien hoe AI-ondersteund gebouwbeheer in de praktijk wordt toegepast. Het Franse technologiebedrijf biedt via zijn EcoStruxure-platform software voor het verzamelen en analyseren van gegevens uit onder meer verwarming, ventilatie, koeling en elektrische installaties. Het doel is niet alleen lager energiegebruik, maar ook beter zicht op afwijkingen, onderhoudsbehoefte en de prestaties van een gebouw in de tijd.
Volgens Edgar van Lent is dat een bruikbare les voor organisaties met kantoren, logistieke locaties of productiefaciliteiten. Energiebesparing ontstaat zelden doordat een algoritme zelfstandig één grote ingreep bedenkt. De opbrengst komt vaker uit het consequent herkennen van afwijkend verbruik, slecht ingestelde regelingen en momenten waarop comforteisen en energievraag slimmer kunnen worden afgestemd.
De projecten die blijven steken, beginnen vaak met een dashboard dat veel meetwaarden toont maar geen eigenaar van de opvolging kent. Edgar van Lent maakt daarom onderscheid tussen datavisualisatie en operationele regie. Bij operationele regie is vooraf vastgelegd wie een waarschuwing beoordeelt, welke grenswaarden gelden, welke installatie-instellingen aangepast mogen worden en hoe het effect daarna wordt gecontroleerd.
Voor gebouwbeheerders komt daar een tweede randvoorwaarde bij: de kwaliteit van de brondata. Sensoren, gebouwbeheersystemen en energiemeters zijn vaak in verschillende perioden geïnstalleerd. Namen van installaties, tijdstempels en meetfrequenties sluiten niet altijd op elkaar aan. AI kan zulke verschillen helpen signaleren, maar kan gebrekkige registratie niet automatisch omzetten in betrouwbare sturing. Edgar van Lent noemt een goed datamodel voor assets en zones daarom een voorwaarde die even belangrijk is als de keuze van het algoritme.
Windparken: onderhoud op basis van signalen
In windenergie is voorspellend onderhoud een concreet terrein waarop AI al publiek zichtbaar is. Siemens Gamesa ontwikkelt en gebruikt digitale diensten die gegevens uit turbines, inspecties en bedrijfsvoering benutten om de conditie van componenten te volgen en onderhoud beter voor te bereiden. Ook energieleverancier Vattenfall zet digitalisering en data-analyse in bij de exploitatie van windassets. De precieze technische invulling verschilt per park, type turbine en servicecontract, maar de richting is gelijk: niet uitsluitend reageren op een storing, maar eerdere signalen wegen voordat uitval ontstaat.
Edgar van Lent ziet hierin een wezenlijk verschil met een los computer-visionproject of een enkele voorspellende score. Onderhouds-AI werkt pas als de voorspelling verbonden is met inspectiecapaciteit, reserveonderdelen, weersvensters, veiligheidsprocedures en de planning van technici of schepen. Een model dat een mogelijk defect aanwijst, levert weinig op wanneer een organisatie niet kan bepalen welke inspectie eerst moet plaatsvinden.
Dat vraagt om een zorgvuldig samenspel tussen domeinkennis en modellering. Windturbines draaien onder wisselende windcondities en belastingprofielen; een afwijkend signaal is dus niet automatisch een defect. Edgar van Lent benadrukt dat engineers de uitkomsten moeten kunnen toetsen aan hun kennis van de installatie. De rol van AI is dan het verkleinen van de zoekruimte en het prioriteren van signalen, niet het vervangen van technisch oordeel.
De overeenkomst tussen netbalancering, gebouwen en windparken is dat de technologie pas waarde krijgt in een keten van waarnemen, beslissen, uitvoeren en terugkoppelen. Edgar van Lent beoordeelt de komende fase daarom als minder spectaculair maar bedrijfsmatig belangrijker: Europese energieorganisaties die AI koppelen aan duidelijke verantwoordelijkheden, betrouwbare assetdata en veilige processen, kunnen flexibiliteit en onderhoud structureel beter organiseren. Organisaties die blijven investeren in geïsoleerde pilots zonder die operationele inbedding, zullen volgens Edgar van Lent vooral betere grafieken produceren, maar geen robuustere energiepraktijk.
