Energiebeslissingen steunen vaak op één model. Met ‘modelvingerafdrukken’ zie je eindelijk hoe die modellen zich echt gedragen en maak je slimmer beleid en AI.
Waarom ‘vingerafdrukken’ van energiemodellen nu zo belangrijk zijn
De meeste keuzes over het Nederlandse energiebeleid steunen op een beperkt aantal complexe energiemodellen. Toch reageren die modellen heel verschillend op zaken als hoge CO₂-prijzen, goedkope waterstof of het verbieden van kernenergie. Dat verschil zie je vaak pas als het beleid allang is ingezet.
Hier zit een risico. Als één model structureel “verliefd” is op zonnepanelen en een ander juist op CCS, dan kan jouw beleidskeuze of investeringsbeslissing stiekem meer zeggen over het model dan over de werkelijkheid. In een tijd waarin Nederland voor 2030 en 2050 scherpe klimaatdoelen heeft afgesproken, kunnen we ons die blinde vlek niet permitteren.
Onderzoekers van onder andere PBL introduceren daarom modelvingerafdrukken: compacte profielen die laten zien hoe een energiemodel zich gedraagt ten opzichte van andere modellen. Voor iedereen die werkt aan de Nederlandse energietransitie – van ministerie tot netbeheerder en van energiebedrijf tot AI-start-up – is dit een grote stap vooruit.
In deze blog leg ik uit wat modelvingerafdrukken zijn, hoe ze werken, en vooral: hoe je ze kunt gebruiken om beter beleid, betere AI-toepassingen en slimmere businesscases te bouwen binnen de serie “AI voor Nederlandse Energie: Duurzame Transitie”.
Wat zijn modelvingerafdrukken in de energiewereld?
Een modelvingerafdruk is een soort identiteitskaart van een energiemodel. Het laat in één oogopslag zien hoe een model reageert op extreme omstandigheden en beleidsprikkels, vergeleken met andere modellen.
Onderzoekers hebben hiervoor acht invloedrijke energiemodellen getest, waaronder:
- IMAGE (PBL)
- REMIND (Potsdam Institute)
- MESSAGE (IIASA)
Ze kregen allemaal tien extreme mitigatiescenario’s voorgeschoteld, zoals:
- heel weinig beschikbare biomassa
- geen CCS of geen kernenergie
- extreem goedkope elektriciteit
- zeer goedkope waterstof
- scenario’s met extreem hoge energiebesparing
Door die modellen vervolgens systematisch door te meten met diagnostische indicatoren, ontstaat per model een herkenbaar patroon: de vingerafdruk.
Een modelvingerafdruk laat niet alleen zien wat een model oplevert, maar vooral hoe het daar komt.
En juist dat “hoe” is cruciaal als je straks beleid maakt op basis van één of twee modellen, of AI bouwt die op deze scenario’s traint.
De vijf dimensies van modelgedrag: waar verschillen ontstaan
De onderzoekers vatten het gedrag van de energiemodellen samen in vijf categorieën. Hier wordt het interessant voor de Nederlandse praktijk.
1. Modelresponsiviteit
Modelresponsiviteit gaat over de vraag: hoe sterk reageert het model op een prikkel, zoals een hogere CO₂-prijs?
- Sommige modellen schakelen razendsnel over op hernieuwbare energie zodra de CO₂-prijs stijgt.
- Andere modellen blijven langer hangen in fossiele brandstoffen en kiezen liever voor CCS dan voor volledige elektrificatie.
Voor beleid betekent dit:
- Vertrouw je op een model dat overgevoelig is voor CO₂-prijzen, dan kun je het effect van een CO₂-heffing overschatten.
- Gebruik je een traag model, dan onderschat je misschien hoeveel verandering mogelijk is met stevige prijsprikkels.
2. Mitigatiestrategieën
Energietransitie draait om keuzes: meer zon en wind, meer CCS, meer kernenergie, meer besparing, meer waterstof? Modellen hebben hier een soort ingebouwde voorkeur.
De vingerafdruk laat bijvoorbeeld zien:
- of een model snel grijpt naar grootschalige zonne- en windparken;
- of het model lang inzet op CCS bij fossiele centrales;
- of energiebesparing structureel als eerste maatregel wordt gepakt;
- hoe waterstof in het systeem wordt ingepast.
Als een model structureel “denkt” in CCS en jij gebruikt dat model om Nederlandse industriepolitiek te toetsen, dan is dat nogal relevant.
3. Energieaanbod
Hier gaat het om de mix van bronnen in de tijd:
- aandeel hernieuwbare energie
- rol van kernenergie
- hoeveelheid biomassa
- resterende fossiele productie
Modellen kunnen bijvoorbeeld sterk verschillen in hoe snel ze elektriciteitsproductie volledig willen verduurzamen. Dat heeft direct impact op netinvesteringen, flexibiliteitsbehoefte en opslagplannen in Nederland.
4. Energievraag
Aan de vraagkant speelt onder meer:
- hoe snel huishoudens en bedrijven elektrificeren (warmtepompen, elektrische auto’s, elektrische boilers);
- hoeveel energiebesparing optreedt bij industrie, gebouwen en mobiliteit;
- hoe sterk waterstof en e-fuels worden als eindverbruik.
Voor netbeheerders en regionale energiestrategieën is vooral die elektrificatiecurve van belang. Een model dat heel snel elektrificeert, voorspelt een heel andere netbelasting dan een model dat lang vast blijft zitten in gas en olie.
5. Mitigatiekosten en -inspanningen
Ten slotte kijken de vingerafdrukken naar:
- totale mitigatiekosten van klimaatbeleid;
- benodigde inspanning (bijvoorbeeld tempo van uitrol van technologie);
- verdeling van kosten over sectoren en tijd.
Hier komen vaak de grote verrassingen naar boven: sommige modellen laten relatief goedkope transitiepaden zien, terwijl andere al bij stevige doelen forse kostenstijgingen rapporteren.
Waarom één model riskant is voor Nederlands klimaatbeleid
De kernboodschap van het onderzoek is duidelijk: beleid of strategie baseren op één enkel energiemodel is vragen om problemen.
“Studies op basis van individuele modellen moeten altijd worden geïnterpreteerd in de context van de bredere set aan modellen.” – Mark Dekker (PBL)
Er zijn drie redenen waarom dat zo belangrijk is voor Nederland.
1. Onzichtbare modelvoorkeuren sturen grote keuzes
Stel dat een studie laat zien dat Nederland voor 2050 vooral op goedkope zonnepanelen moet inzetten en relatief weinig CCS nodig heeft. Zonder vingerafdruk weet je niet of:
- dit een robuuste uitkomst is,
- of dat je toevallig een model gebruikt dat altijd van zonnepanelen houdt en CCS mijdt.
Met een vingerafdruk zie je: dit model reageert zeer sterk op dalende zonne-energieprijzen en is conservatief over CCS. Dan weet je: deze uitkomst is deels een weerspiegeling van die ingebouwde voorkeur.
2. Foute zekerheid rond haalbaarheid en kosten
Politiek, bedrijven en burgers verlangen graag duidelijke getallen:
- “X megaton CO₂ in 2030 is haalbaar.”
- “De kosten zijn Y miljard euro per jaar.”
Maar als jouw model gemiddeld hogere mitigatiekosten laat zien dan de rest, kun je te pessimistisch beleid voeren. Omgekeerd kun je te optimistisch plannen als je vertrouwt op een model dat structureel te lage kosten rekent of te snelle uitrol van technologie veronderstelt.
3. AI-systemen erven de blinde vlekken van modellen
Binnen de serie “AI voor Nederlandse Energie: Duurzame Transitie” draait veel om AI voor:
- netoptimalisatie;
- vraag- en prijsvoorspelling;
- onderhoudspredictie;
- integratie van hernieuwbare energie.
Steeds vaker gebruiken partijen lange-termijn-energiescenario’s als trainingsdata of referentiepad voor AI. Denk aan:
- een AI die investeringen in het hoogspanningsnet optimaliseert op basis van verwachte elektrificatie;
- een algoritme dat flexibiliteitsmarkten ontwerpt vanuit verwachte piekbelasting.
Als die AI is getraind op één energiemodel, erft jouw AI automatisch de vooroordelen van dat model. Modelvingerafdrukken maken zulke biases zichtbaar en beheersbaar.
Hoe modelvingerafdrukken helpen bij AI en besluitvorming
De echte kracht van modelvingerafdrukken zit in concrete toepassingen. Dit zijn drie praktische manieren waarop Nederlandse organisaties ze kunnen benutten.
1. Betere modelselectie voor beleid en strategie
Ben je bij een ministerie, provincie, gemeente of netbeheerder bezig met een studie naar de energietransitie, dan kun je de vingerafdrukken gebruiken om:
- bewust een mix van modellen te kiezen (bijvoorbeeld één model dat sterk inzet op besparing en één dat meer technologiegedreven is);
- te beoordelen of een uitkomst robust is (komt het bij meerdere vingerafdrukken terug?);
- scenario’s in context te plaatsen (bijvoorbeeld: “dit is vooral relevant in modellen met hoge elektrificatievoorkeur”).
Dat voorkomt dat een beleidsnotitie feitelijk de uitkomst van één model als harde waarheid presenteert.
2. Transparantere AI-toepassingen in de energietransitie
Voor AI-ontwikkelaars in de energiesector bieden vingerafdrukken een soort “dataset-bijsluiter”:
- Je kunt per AI-model aangeven: getraind op scenario’s met deze modelvingerafdruk.
- Gebruikers zien dan: dit AI-systeem is bijvoorbeeld vooral gevoelig voor hoge CO₂-prijzen, of gaat uit van snelle waterstofuitrol.
- Je kunt AI ook multimodel trainen: data combineren van verschillende energiemodellen en die mix expliciet ontwerpen met behulp van de vingerafdrukken.
Zo ontstaat AI die minder dogmatisch één toekomstbeeld volgt, maar beter omgaat met onzekerheid in de energietransitie.
3. Sterkere businesscases voor energiebedrijven en investeerders
Energiebedrijven, asset owners en investeerders gebruiken scenario’s om te beoordelen of projecten rendabel zijn:
- wind- en zonneparken;
- waterstofproductie;
- warmtenetten;
- batterijen en andere flexibiliteitsoplossingen.
Met modelvingerafdrukken kun je:
- expliciet kiezen voor conservatieve of optimistische modellen voor bepaalde risico-analyses;
- zien onder welke soorten modellen jouw businesscase overeind blijft;
- makkelijker uitleggen aan bestuurders en financiers waarom je een bepaald scenario vertrouwt.
Een waterstofproject dat alleen rendeert in modellen met extreem goedkope waterstof en razendsnelle vraaggroei, is iets anders dan een project dat ook in “voorzichtige” modellen goed uit de bus komt.
De rol van Europa en samenwerking: ECEMF en Horizon 2020
Deze ontwikkeling is geen losse Nederlandse exercitie, maar onderdeel van het Europese ECEMF-project, gefinancierd door het Horizon 2020-programma. PBL werkte hiervoor samen met vijftien partners uit negen landen, waaronder universiteiten, onderzoeksinstituten en partijen als TNO en Fraunhofer.
Dat is belangrijk voor Nederlandse gebruikers om twee redenen:
- Internationale vergelijkbaarheid – De IPCC-rapporten waarop ook Nederlands beleid rust, gebruiken precies dit soort energiemodellen. Door hun vingerafdrukken te kennen, weet je beter hoe “Nederlandse” analyses zich verhouden tot Europese en mondiale scenario’s.
- Kwaliteitsimpuls voor modellen – Door modellen langs dezelfde extreme scenario’s te leggen, worden zwakke plekken zichtbaar. Dat helpt modelbouwers hun modellen verder te verbeteren, wat weer doorwerkt in betrouwbaardere AI- en beleidsinstrumenten.
Wat je hier morgen al mee kunt doen
Je hoeft geen modelbouwer te zijn om iets te hebben aan modelvingerafdrukken. Een paar concrete suggesties:
- Vraag bij elke scenario-studie: welk model is gebruikt, en wat is de vingerafdruk van dat model?
- Laat AI-teams expliciet vastleggen op welke modelscenario’s hun algoritmen zijn getraind, inclusief de bijbehorende vingerafdruk.
- Combineer altijd meerdere modellen als het gaat om keuzes met grote lock-in (nieuwe centrales, waterstofinfrastructuur, grootschalig netverzwaring).
- Gebruik verschillen tussen modellen actief: als twee modellen totaal andere routes kiezen, is dat geen probleem maar een signaal dat je beleid robuuster moet worden ingericht.
De werkelijkheid van de energietransitie is veel rommeliger dan elk model kan voorspellen. Maar met modelvingerafdrukken komen we wél dichter bij eerlijke, transparante discussies over waar de modellen eindigen en waar het politieke en maatschappelijke keuzewerk begint.
Naar een eerlijker gebruik van modellen en AI in de energietransitie
De Nederlandse energietransitie hangt aan aannames. Aan waardesets in modellen. Aan keuzes over technologie, gedrag en prijzen die vaak diep in modelcode verborgen zitten. Modelvingerafdrukken trekken dat naar boven.
Voor deze blogreeks over “AI voor Nederlandse Energie: Duurzame Transitie” betekent dat een duidelijke les: wie AI inzet voor de energietransitie, moet óók serieus naar de bronmodellen kijken. Niet één scenario heilig verklaren, maar bewust omgaan met verschillen tussen modellen.
De combinatie van transparante energiemodellen, duidelijke vingerafdrukken en slimme AI biedt Nederland een veel steviger basis om het elektriciteitsnet te optimaliseren, vraag en aanbod te voorspellen en hernieuwbare energie betrouwbaar te integreren.
De volgende stap? Dat we in beleidsnota’s, investeringsvoorstellen en AI-documentatie net zo vanzelfsprekend verwijzen naar de vingerafdruk van het model als naar de uitkomst van het scenario. Zodra dat normaal is, wordt de discussie over onze energie-toekomst een stuk eerlijker – en de kans dat we onze klimaatdoelen daadwerkelijk halen een stuk groter.