AI, onderhoud en wind op zee: zo blijft de stroom lopen

AI, onderhoud en wind op zee: zo blijft de stroom lopen

Nederland heeft nu al meer dan 4,5 GW aan geïnstalleerd vermogen uit wind op zee, en dat moet volgens het klimaatakkoord doorgroeien naar 21 GW in 2031. Eén ding wordt vaak onderschat: niet de bouw, maar het onderhoud bepaalt of al die gigawatts ook echt stroom leveren.

De recente tender die FØN Energy Services won voor het onderhoud van zes Nederlandse windparken op zee laat dat zien. Zes grote parken, vijf jaar lang, onder coördinatie van Eneco. Dat is geen standaard schoonmaakklus, maar een strategische operatie waar uptime, veiligheid en kostendruk continu botsen.

Hier komt kunstmatige intelligentie (AI) om de hoek kijken. Wie in 2025 nog onderhoud plant op basis van jaarkalenders en onderbuikgevoel, loopt achter. De realiteit? AI maakt het mogelijk om storingen te voorspellen, monteurs slimmer in te zetten en elke vaarbeweging naar een turbine te laten tellen. En precies dát is nodig om de Nederlandse energietransitie betaalbaar te houden.

In deze blog, onderdeel van de reeks “AI voor Nederlandse Energie: Duurzame Transitie”, laat ik zien hoe AI het onderhoud van offshore windparken verandert, wat een contract als dat van FØN/Eneco daarover zegt, en wat energiebedrijven nú kunnen doen om niet ingehaald te worden.

Waarom onderhoud van windparken op zee zo’n hoofdpijndossier is

Onderhoud van offshore windparken is een van de duurste posten in de levenscyclus van een park. Wie dat niet onder controle heeft, verbrandt miljoenen per jaar.

De praktijk: dure boten, korte weerwindows

Een paar harde realiteiten uit de praktijk:

• Toegang tot turbines is volledig afhankelijk van weer en golfhoogte.
• Servicevaartuigen, helikopters en offshore teams zijn schaars en duur.
• Elk ongepland bezoek aan een turbine kost snel tienduizenden euro’s.
• Een stilstaande turbine betekent direct verlies aan opbrengst, zeker in de herfst- en wintermaanden wanneer de productie het hoogst is.

Bij zes windparken tegelijk – zoals nu onder het FØN-contract – wordt de puzzel nog complexer: welke turbine krijgt voorrang, welke boot gaat waarheen, welke monteur met welke skillset moet aan boord, en hoe combineer je klussen slim in één trip?

Zonder data en AI wordt dit al snel Excel-acrobatiek, met veel verspilling als gevolg.

De druk neemt toe richting 2030

Met de geplande uitbreiding van wind op zee richting 2030–2040 ontstaat een sneeuwbaleffect:

• Meer parken → meer assets → meer storingen en inspecties.
• Tegelijk blijft het aantal technici en schepen beperkt.
• Marges staan onder druk door inflatie, hogere rentes en concurrentie.

Daarom zie je nu al in contracten zoals dat voor de zes Nederlandse parken dat eigenaren en servicepartijen zoeken naar langjarige, geïntegreerde onderhoudsmodellen, waarin risico, data en optimalisatie gedeeld worden. AI is daar geen leuke add-on bij, maar de kern.

Hoe AI het onderhoud van offshore windparken verandert

AI past precies bij de drie grootste uitdagingen in offshore onderhoud: voorspellen, plannen en beslissen onder onzekerheid.

1. Predictive maintenance: storingen voorkomen in plaats van repareren

AI-gestuurde predictive maintenance gebruikt sensordata uit turbines en kabels om patronen te herkennen die wijzen op aanstaande storingen.

Concreet gaat het om:

• trillingsdata van lagers en gearboxen;
• temperatuurprofielen van generatoren en transformatoren;
• afwijkingen in vermogenscurves;
• statusdata van vermogenselektronica, yaw- en pitchsystemen.

Machine learning-modellen kunnen bijvoorbeeld aangeven:

“Deze turbine heeft in de komende 30–60 dagen 70% kans op een pitch-fout als je niets doet.”

Dat geeft onderhoudsteams tijd om:

• onderdelen alvast te bestellen;
• een bezoek te combineren met andere taken in de buurt;
• de turbine eventueel tijdelijk anders te belasten om schade te beperken.

Resultaat: minder onverwachte stilstand, lagere kosten per kWh en meer voorspelbare cashflow. Bij grote portefeuilles – zoals de zes parken in handen van verschillende eigenaren – kan dit per jaar miljoenen euro’s schelen.

2. Slimme planning: AI als logistieke regisseur

De tweede stap is AI-ondersteunde planning. Het gaat dan niet alleen om “wanneer” je onderhoud doet, maar vooral om “hoe” je alle activiteiten bundelt.

Een modern planningsmodel kan bijvoorbeeld tegelijk kijken naar:

• weersvoorspellingen op uurbasis;
• beschikbaarheid van schepen, helikopters en bemanningen;
• prioriteit van storingen (veiligheid, productie, garantievoorwaarden);
• verplichtingen uit onderhoudscontracten;
• beperkingen in de netaansluiting of geplande tests.

AI-algoritmes (zoals mixed-integer optimization gecombineerd met reinforcement learning) berekenen in seconden scenario’s waar een mens dagen voor nodig heeft. Denk aan:

• “Wat als” simulaties bij slecht weer;
• alternatieve routes voor schepen met minimale extra vaartijd;
• bundeling van kleine klussen in één interventie.

Bij zes windparken, meerdere eigenaren en één servicepartij – zoals in de situatie met FØN Energy Services – wordt zo’n AI-planner bijna een vereiste om efficiënt te blijven werken.

3. Besluitondersteuning: van data naar actie

Veel asset owners hebben al bergen data, maar weinig bruikbare beslisinformatie. Hier helpt AI met decision support dashboards:

• Prioriteitenlijsten van turbines: welke leveren de grootste productieverliezen op?
• Kosten-batenanalyse van interventies: loont het om nu te gaan, of kan het wachten?
• Risicoschattingen: wat gebeurt er als je een onderhoudsactie een maand uitstelt?

Dit soort tools maken het voor operationeel managers veel eenvoudiger om aan directies uit te leggen waarom bepaalde keuzes worden gemaakt, en wat de impact is op opbrengst, risico en SLA’s.

De rol van Eneco en FØN: data als strategisch wapen

Het nieuws dat FØN Energy Services de komende vijf jaar het onderhoud verzorgt voor zes Nederlandse windparken, namens verschillende eigenaren onder regie van Eneco, laat een duidelijke trend zien: onderhoud wordt een data- en AI-gedreven ketenspel.

Eén dienstverlener, meerdere eigenaren

Eneco treedt hier op namens verschillende park­eigenaren. Dat betekent:

• bundeling van volumes in één grote tender;
• standaardisering van processen en data-uitwisseling;
• schaalvoordelen bij inkoop, planning en tooling.

Voor een partij als FØN is dit een kans om:

• één geïntegreerd dataplatform op te zetten voor alle zes parken;
• voorspellende modellen te trainen op meer data (en dus nauwkeuriger);
• resources (schepen, teams) over parken heen te optimaliseren.

Wie op deze schaal opereert en géén AI inzet, laat aantoonbaar waarde liggen.

AI als onderscheidend vermogen in tenders

Tenderdocumenten voor O&M-contracten (operations & maintenance) gaan steeds vaker expliciet in op:

• de kwaliteit en volwassenheid van voorspellende modellen;
• integratiemogelijkheden met bestaande SCADA- en asset management-systemen;
• cybersecurity en dataveiligheid;
• transparantie van algoritmes en eigenaarschap van data.

Ik durf te stellen: binnen een paar jaar win je als onderhoudspartij in Nederland geen grote offshore tender meer zonder geloofwaardige AI-strategie. Het contract van FØN is daar een voorbode van.

Wat AI concreet kan opleveren voor Nederlandse windparken

Theorie is leuk, maar wat levert het onder de streep op? Op basis van studies uit de sector en praktijkervaringen zijn dit realistische orde­groottes:

• 10–25% minder ongeplande downtime door voorspellend onderhoud.
• 5–15% lagere O&M-kosten door betere planning en bundeling van werk.
• 2–5% hogere energieopbrengst over de levensduur door slimmer asset management.

Voor een windpark van 500 MW met een jaarlijkse productie van ~2 TWh kan 2–5% extra opbrengst al snel tientallen miljoenen euro’s aan extra omzet betekenen over de contractduur.

Typische AI-toepassingen in offshore O&M

Een paar concrete voorbeelden die nu al in pilots of praktijk lopen:

• Automatische classificatie van storingen op basis van logboeken en SCADA-data.
• Computer vision voor inspectie van bladen met drones.
• Anomaly detection op kabeltemperaturen om kabelschades vroegtijdig op te sporen.
• Route-optimalisatie voor servicevaartuigen op basis van weer, getijden en taakpakketten.
• Digitale tweelingen van turbines en parken om scenario’s door te rekenen.

Voor Nederlandse spelers – van park­eigenaren tot servicebedrijven en netbeheerders – is dit geen sciencefiction meer, maar dagelijkse realiteit.

Hoe je nu begint: praktische stappen voor asset owners en servicepartijen

Veel organisaties weten dat ze “iets met AI” willen in onderhoud, maar blijven hangen in losse pilots. Wat werkt, is een gestructureerde aanpak.

1. Begin bij één duidelijke businesscase

Kies één probleem met herkenbare euro-waarde, bijvoorbeeld:

• lager uitvalpercentage van yaw- of pitch-systemen;
• sneller oplossen van storingen in de array-kabels;
• reduceren van het aantal monteursbezoeken per turbine per jaar.

Formuleer vooraf: hoeveel besparing is mogelijk, en hoe meet je succes?

2. Zorg dat je data op orde is

AI zonder goede data is zinloos. Richt minimaal in:

• een centrale datahub met SCADA- en onderhoudsdata;
• duidelijke datastandaarden per park en per turbine­type;
• afspraken over datadeling tussen eigenaar, OEM en servicepartij.

Bij contracten zoals dat van de zes parken is dit hét moment om harde afspraken te maken over data-eigenaarschap en toegang.

3. Combineer domeinkennis met data science

De beste AI-modellen in de energiesector ontstaan als asset engineers, onderhoudsmanagers en data scientists samen één team vormen. Alleen dan zie je:

• welke features in het model echt logisch zijn;
• welke alarmen relevant zijn en welke ruis;
• hoe je adviezen zo presenteert dat monteurs er direct mee aan de slag kunnen.

4. Automatiseer beslissingen stapsgewijs

Je hoeft niet meteen volledig autonoom onderhoud te hebben. Een logisch groeipad:

1. AI geeft alleen signalen (bijvoorbeeld: “turbine X is afwijkend”).
2. AI doet voorstellen voor planning, mens beslist.
3. AI stuurt op termijn automatisch meldingen, bestellingen of werkorders uit, binnen duidelijke beleidskaders.

Zo bouw je vertrouwen op in de modellen en voorkom je weerstand in de organisatie.

Waarom dit alles cruciaal is voor de Nederlandse energietransitie

Wind op zee is een van de pijlers onder de Nederlandse klimaatdoelen. Maar als we straks 21 GW of meer op zee hebben staan, kunnen we ons simpelweg geen inefficiënt onderhoud meer permitteren. Elke procent stilstand vertaalt zich in hogere systeemkosten, meer druk op het net en uiteindelijk hogere energierekeningen.

AI helpt om drie dingen tegelijk te realiseren:

1. Hogere betrouwbaarheid van de stroomproductie uit wind op zee.
2. Lagere kosten per kWh, doordat onderhoud slimmer en voorspellend wordt.
3. Betere planning van netcapaciteit, omdat productieprofielen voorspelbaarder worden.

Binnen de serie “AI voor Nederlandse Energie: Duurzame Transitie” past deze offshore-case naadloos naast onderwerpen als netoptimalisatie, vraagvoorspelling en batterijen. Alles grijpt in elkaar: voorspelbare productie maakt flex-oplossingen waardevoller, en goed onderhoud verhoogt de impact van iedere geïnvesteerde euro in duurzame energie.

Wie nu al inzet op AI-gedreven onderhoud – zoals partijen rond de zes Nederlandse offshore windparken – bouwt niet alleen aan lagere kosten, maar ook aan een robuuster en slimmer energiesysteem.

Ben je zelf betrokken bij wind op zee, asset management of onderhoud in de energiesector? Dan is dit hét moment om te kijken: waar kan AI binnen 12 maanden aantoonbare waarde leveren in mijn onderhoudsorganisatie, en welke datasets heb ik daarvoor morgen nodig?