China's AI brengt stroomnet in kaart: de wereld kijkt mee

Sophie Jansen · 2026-05-22

Elke grote economie staat voor hetzelfde probleem. Kunstmatige intelligentie (AI) verbruikt stroom in een tempo waar ons stroomnet niet op is berekend. In de VS zijn de prijzen op de capaciteitsmarkt van PJM, de grootste netbeheerder van het land, in twee jaar tijd meer dan vertienvoudigd. Datacentra zijn een belangrijke oorzaak. In Europa moeten nutsbedrijven hun infrastructuur razendsnel upgraden om de vraag van hyperscalers bij te benen. Het Internationaal Energieagentschap (IEA) verwacht dat het wereldwijde stroomverbruik van datacentra tegen het einde van dit decennium richting de 1.000 TWh kan gaan. Hernieuwbare energie is er grotendeels wel, maar de mogelijkheid om die te coördineren via AI-gestuurde energienetwerken op nationale schaal, dat ontbreekt nog in de meeste landen. China heeft het nu gebouwd. ### Wat heeft China precies gedaan? Een studie, deze week gepubliceerd in Nature door onderzoekers van de Peking Universiteit en het DAMO-instituut van Alibaba, 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 niet zomaar een inventaris – het bevat meteen het analytische raamwerk om alles als één systeem te coördineren. Het team gebruikte een deep-learningmodel dat was getraind op satellietbeelden met een resolutie van minder dan een meter. Zo identificeerden ze maar liefst 319.972 zonnepanelen-installaties en 91.609 windturbines. Ze verwerkten daarvoor 7,56 terabyte aan beelden. Dat is nogal wat. ### Waarom dit zo belangrijk is Eerder onderzoek naar de complementariteit van zon en wind – het idee dat de twee elkaar kunnen compenseren in tijd en locatie – was vooral gebaseerd op hypothetische scenario's. Hoe het in de praktijk werkt met echte infrastructuur, 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 fors vermindert. Hoe groter het gebied waarover je de installaties koppelt, hoe beter het werkt. Neem een wolk die boven zonneparken in Gansu hangt. Die verduistert niet meteen de windcorridors in Binnen-Mongolië. Dat is precies het punt. ### Van provincie naar nationaal De studie wijst op een structurele inefficiëntie in hoe China zijn stroomnet nu beheert: coördinatie gebeurt op provinciaal niveau, niet nationaal. Overstappen naar één nationaal systeem zou het makkelijker maken om complementaire bronnen aan elkaar te koppelen, het net te stabiliseren en 'curtailment' te voorkomen – het verspillen van opgewekte groene stroom, al jaren een van China's duurste problemen. Liu Yu, hoogleraar aan de School voor Aard- en Ruimtewetenschappen van de Peking Universiteit, noemde de inventaris een manier om het energielandschap vanuit een 'God's-eye view' te bekijken. Klinkt misschien overdreven, maar het is niet onbelangrijk. Netbeheerders kunnen niet optimaliseren wat ze niet kennen. Tot nu toe was dat het geval. ### AI vraagt stroom, maar helpt ook China zit midden in een AI-gedreven stroomvraag die het net onder druk zet. De snelle groei van dataservices en reusachtige rekenfaciliteiten zorgde in het eerste kwartaal van 2026 voor een stijging van het stroomverbruik in de sector met 44% op jaarbasis, tot 22,9 miljard kWh, aldus de China Electricity Council. Dat is een buitengewone groei voor een sector die al veel stroom vroeg. Deze groei versnelt de uitbreiding van datacentra in de noordelijke en westelijke provincies van China. Daar is grond goedkoper, zijn wind en zon beter beschikbaar en liggen de stroomprijzen lager. En wat blijkt? Diezelfde provincies hebben de hoogste zon-wind-complementariteit. Het is bijna alsof het zo bedacht is. ### Hoe het model werkt Het technische hoogstandje verdient aandacht. Het deep-learningmodel van DAMO werd getraind om zonne-energie-installaties en windturbines te herkennen op satellietbeelden met een resolutie van minder dan een meter. Een lastige klus, alleen al vanwege de enorme hoeveelheid data. Het team verwerkte 7,56 terabyte aan beelden – dat is vergelijkbaar met de inhoud van zo'n 1.600 dvd's. ### Wat dit betekent voor de rest van de wereld De boodschap is duidelijk. AI verbruikt niet alleen stroom, het kan ook helpen om de energietransitie te versnellen. China heeft laten zien dat het mogelijk is om een nationaal energiesysteem in kaart te brengen en te optimaliseren met AI. Andere landen kunnen hier hun voordeel mee doen. Het is een voorbeeld van hoe technologie de uitdagingen van technologie zelf kan oplossen. > "Netbeheerders kunnen niet optimaliseren wat ze niet kennen." – Liu Yu, Peking Universiteit Het is een les die verder gaat dan China. Of het nu gaat om Nederland, Duitsland of de VS: wie zijn groene stroomnet wil optimaliseren, moet eerst weten wat er staat en hoe het samenhangt. AI biedt daarvoor de tools. De rest is een kwestie van durf en samenwerking.