AI in China brengt volledig stroomnet in kaart

Sophie Jansen · 2026-05-22

Elke grote economie staat voor hetzelfde probleem: AI slokt stroom op in een tempo waar ons stroomnet niet voor is gebouwd. In de VS zijn de prijzen op de capaciteitsmarkt van PJM, de grootste netbeheerder, in twee jaar meer dan vertienvoudigd. Dat komt vooral door de groei van datacenters. In Europa proberen nutsbedrijven hun infrastructuur razendsnel te upgraden om de vraag van hyperscalers bij te benen. Het Internationaal Energieagentschap (IEA) verwacht dat het wereldwijde stroomverbruik van datacenters tegen het einde van dit decennium de 1.000 TWh kan naderen. Hernieuwbare energie is er grotendeels wel, maar de mogelijkheid om die te coördineren – via AI-gestuurde netwerkkaarten op nationale schaal – ontbreekt nog in de meeste landen. China heeft dat nu wel gebouwd. ### Wat heeft China precies gedaan? Een studie gepubliceerd in Nature deze week, door onderzoekers van de Universiteit van Peking en Alibaba's DAMO Academy, heeft iets opgeleverd wat geen enkel land eerder voor elkaar kreeg: een complete, hoge-resolutie, AI-gegenereerde inventaris van de wind- en zonne-energie-infrastructuur van een heel land. En dat met een analysekader om het als één systeem te coördineren. Het team gebruikte een deep-learningmodel dat getraind was op satellietbeelden met een resolutie van minder dan een meter. Zo identificeerden ze maar liefst 319.972 zonnepaneleninstallaties en 91.609 windturbines. Daarvoor verwerkten ze 7,56 terabyte aan beeldmateriaal. ### Waarom dit een doorbraak is Eerder onderzoek naar de complementariteit van zon en wind – het idee dat deze twee bronnen elkaars variabiliteit in tijd en geografie kunnen opvangen – was vooral gebaseerd op hypothetische scenario's. Hoe complementariteit er in de praktijk uitziet, en wat dat betekent voor de integratie op systeemniveau, was tot nu toe onduidelijk. De onderzoekers laten nu zien dat zon-wind-complementariteit de variabiliteit in opwekking aanzienlijk vermindert. Hoe groter de geografische schaal waarop je ze koppelt, hoe beter het werkt. Simpel gezegd: een wolk die zonneparken in Gansu bedekt, laat de windcorridors in Binnen-Mongolië ongemoeid. ### Het probleem met provinciale sturing De studie wijst op een structurele inefficiëntie in hoe China zijn stroomnet nu beheert: coördinatie gebeurt op provinciaal niveau, niet landelijk. De onderzoekers stellen dat een nationale aanpak het makkelijker maakt om complementaire bronnen te koppelen, het net te stabiliseren en 'curtailment' te voorkomen. Dat is het verspillen van opgewekte hernieuwbare stroom – al jaren een van de duurste problemen in de Chinese schone-energie-sector. Liu Yu, hoogleraar aan de School of Earth and Space Sciences van de Universiteit van Peking, noemde de inventaris een 'God's-eye view' van het energielandschap. Netbeheerders kunnen niet optimaliseren wat ze niet kennen – tot nu toe. ### AI drijft de vraag op China zit midden in een AI-gedreven stroomvraagexplosie die het net onder druk zet. De snelle groei van dataservices en grote computerfaciliteiten heeft het stroomverbruik in de sector in het eerste kwartaal van 2026 met 44% doen stijgen ten opzichte van een jaar eerder, tot 22,9 miljard kilowattuur. Dat is een extreem groeitempo voor een sector die al veel stroom verbruikte. Deze groei versnelt de uitbreiding van datacenters in de noordelijke en westelijke provincies van China. Daar is grond goedkoper, zijn wind- en zonne-energie ruimer beschikbaar, en liggen de stroomprijzen lager. Precies dezelfde regio's waar de complementariteit tussen zon en wind het hoogst is. ### Hoe het model werkt De technische prestatie achter dit alles is het bekijken waard. Het deep-learningmodel van DAMO is getraind om zonnepanelen en windturbines te herkennen op satellietbeelden met een resolutie van minder dan een meter. Een lastige klus, gezien de enorme verscheidenheid aan installaties. Het model verwerkte 7,56 terabyte aan beelden – dat is meer dan de volledige tekstuele inhoud van de Library of Congress. En het resultaat is niet alleen een kaart, maar een dynamisch systeem dat kan helpen bij het plannen van toekomstige uitbreidingen. ### Wat kunnen we hiervan leren? Deze ontwikkeling laat zien dat AI niet alleen een probleem is voor het stroomnet, maar ook een oplossing kan bieden. Door slimme inzet van machine learning kunnen we het stroomnet beter benutten, verspilling tegengaan en de energietransitie versnellen. Het is een les die ook voor Nederland relevant is. Ons land staat voor dezelfde uitdaging: hoe integreren we steeds meer hernieuwbare energie zonder dat het net vastloopt? De Chinese aanpak biedt inspiratie, al zullen we onze eigen weg moeten vinden.