De inzet van kunstmatige intelligentie bij een windpark begint niet met een dashboard, maar met de vraag welke turbine of welk onderdeel als eerste aandacht nodig heeft. Ørsted gebruikt daarvoor digitale systemen die operationele gegevens uit windturbines analyseren om afwijkingen eerder te herkennen en onderhoud beter te plannen. Daarmee verschuift onderhoud van reageren op een storing naar het beoordelen van signalen vóórdat beschikbaarheid onder druk komt te staan.

Edgar van Lent ziet juist in die verschuiving de zakelijke waarde van AI in de energiesector. Als onderhoud en productieplanning minder afhankelijk worden van handmatige interpretatie van grote hoeveelheden sensordata, ontstaat er meer tijd voor technici om besluiten te nemen over de oorzaken, de urgentie en de veilige uitvoering. AI bepaalt daarbij niet zelfstandig welk onderhoud moet plaatsvinden, maar ondersteunt de mensen die verantwoordelijk zijn voor de installatie.

Van turbinegegevens naar onderhoudsprioriteit

Windturbines leveren continu gegevens over onder meer temperatuur, trillingen, draaisnelheid en prestaties van onderdelen. Los bekeken zeggen die meetwaarden vaak weinig. Hun betekenis ontstaat door vergelijking met het normale gedrag van dezelfde turbine, met vergelijkbare turbines en met weersomstandigheden. Dat is precies het soort patroonherkenning waarvoor machine learning bruikbaar is.

Ørsted heeft publiek beschreven hoe digitale technologie en data-analyse worden ingezet om de bedrijfsvoering van offshorewindparken te verbeteren. Bij zulke toepassingen is het doel niet alleen een technisch defect te signaleren. De relevante vraag is ook of een afwijking gevolgen kan krijgen voor productie, veiligheid, beschikbare onderhoudscapaciteit en de logistiek rond een locatie op zee. AI kan signalen rangschikken, maar de onderhoudsorganisatie moet vervolgens vaststellen welke interventie passend is.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellend onderhoud pas waarde krijgt wanneer een voorspelling direct aansluit op een werkproces. “Een model dat een afwijking markeert, is nog geen onderhoudsbesluit. De opbrengst ontstaat wanneer monteurs, planners en assetmanagers weten welk signaal actie vraagt en welke actie veilig en economisch verantwoord is.”

Die grens is in windenergie belangrijk. Een foutpositief signaal kan onnodige inspecties uitlokken, terwijl een gemiste afwijking tot ongeplande stilstand kan leiden. Daarom moeten modellen worden gevoed met betrouwbare historische gegevens, en moeten technische specialisten de uitkomsten blijven toetsen. De AI-toepassing is geen vervanging van vakkennis over aandrijflijnen, bladen of offshoreoperaties, maar een manier om die vakkennis gerichter in te zetten.

Onderhoud raakt ook netbalancering

De betekenis van voorspellend onderhoud reikt verder dan één afzonderlijke turbine. Windproductie is variabel en moet door netbeheerders, producenten en energiemarkten voortdurend worden ingepast. Wanneer de technische beschikbaarheid van een park beter voorspelbaar is, wordt ook de productieverwachting betrouwbaarder. Dat helpt partijen om afwijkingen tussen voorspelde en feitelijke opwek eerder te begrijpen en om hun planning daarop aan te passen.

In Denemarken werkt transmissienetbeheerder Energinet met digitale voorspellingsmodellen voor het elektriciteitssysteem waarin onder meer de verwachte productie uit wind en zon een centrale rol speelt. Zulke prognoses zijn essentieel voor het balanceren van een systeem met een groot aandeel weersafhankelijke elektriciteit. De modellen combineren beschikbare data over weer, productie en netcondities om de operationele besluitvorming te ondersteunen.

Het onderscheid tussen deze twee toepassingen is relevant. Bij Ørsted gaat het om de technische conditie en inzetbaarheid van productie-assets. Bij Energinet gaat het om de systeembalans: het op ieder moment in evenwicht brengen van vraag en aanbod op het elektriciteitsnet. Beide domeinen hebben baat bij betere voorspellingen, maar de besluitrechten verschillen. Een windparkbeheerder plant inspecties en onderhoud; een netbeheerder bewaakt de betrouwbaarheid van het systeem en zet balanceringsmiddelen in binnen vastgelegde regels.

Volgens Edgar van Lent is die scheiding een voorwaarde voor verantwoord opschalen. “AI maakt energiedata pas operationeel wanneer helder is wie op basis van een voorspelling mag handelen, wie een besluit controleert en hoe een fout in het model wordt opgevangen.” Daarmee wijst hij op een praktisch ontwerpvraagstuk dat vaak belangrijker is dan de keuze voor een specifiek algoritme.

Niet meer data, maar betere besluitvorming

De energiesector beschikt al jaren over grote hoeveelheden technische en meteorologische gegevens. De nieuwe stap is dat AI die gegevens sneller kan verbinden aan concrete beslismomenten: moet een afwijking worden onderzocht, is een onderhoudsvenster verstandig, of vraagt een veranderende productieverwachting om bijstelling van de planning? Dat kan de inzet van schaarse technische capaciteit verbeteren en onnodige stilstand helpen voorkomen.

Daarbij is zorgvuldigheid noodzakelijk. Weersmodellen blijven onzeker, sensoren kunnen uitvallen en een patroon dat op een probleem wijst, kan ook samenhangen met een tijdelijke operationele situatie. Organisaties moeten daarom bijhouden hoe goed voorspellingen presteren, welke gegevens in modellen terechtkomen en wanneer menselijke beoordeling verplicht is. Ook moeten onderhoudssystemen, planningssoftware en operationele teams op elkaar aansluiten; zonder die koppeling blijft AI een afzonderlijk analyse-instrument.

Voor de nieuwe reeks van AI Kroniek over energie en duurzaamheid vormt deze praktijkcase een bruikbaar vertrekpunt. Niet de abstracte belofte van ‘slimme energie’ staat centraal, maar een herkenbare keten van sensor tot besluit: afwijkingen in turbines worden eerder zichtbaar, onderhoud kan beter worden voorbereid en productieverwachtingen kunnen betrouwbaarder doorwerken in de netplanning. Edgar van Lent beoordeelt deze richting als kansrijk, mits energiebedrijven AI behandelen als onderdeel van hun operationele verantwoordelijkheid. De komende ontwikkeling zit volgens hem niet in volledig autonome energie-assets, maar in systemen die mensen aantoonbaar beter laten anticiperen op technische en netmatige onzekerheid.