Modelvingerafdrukken maken de energietransitie slimmer

Waarom modelvingerafdrukken nú zo belangrijk zijn

In de Nederlandse klimaatplannen voor 2030 en 2050 leunen we zwaar op energiemodellen. Ze bepalen welke mix van zon, wind, waterstof, CCS, kernenergie en energiebesparing als ‘haalbaar’ en ‘betaalbaar’ wordt gezien. Eén schuifje anders in zo’n model, en ineens ziet de routekaart naar klimaatneutraliteit er compleet anders uit.

Dit matters omdat steeds meer concrete beslissingen – van netverzwaring tot subsidie voor waterstofhubs – worden onderbouwd met juist díe modeluitkomsten. Wie in 2025 serieus bezig is met de Nederlandse energietransitie, kan zich geen blind vertrouwen meer veroorloven in één enkel model.

In een nieuw artikel in Nature Energy introduceren PBL en Europese partners het concept modelvingerafdrukken: compacte ‘profielen’ die laten zien hoe een energiemodel zich gedraagt. In deze blog plaats ik dat idee in de context van AI voor de Nederlandse energietransitie: hoe kun je als beleidsmaker, netbeheerder, energiebedrijf of data scientist slimmer omgaan met modellen, scenario’s en AI?

Wat zijn modelvingerafdrukken – in gewone-mensentaal

Een modelvingerafdruk is een soort identiteitskaart van een energiemodel. Het laat zien:

• hoe gevoelig het model is voor bepaalde beleidsprikkels (zoals CO₂-prijzen)
• welke technologieën het model ‘graag kiest’ (zon, wind, CCS, kernenergie, waterstof)
• hoe het model omgaat met energievraag, energiebesparing en elektrificatie
• welke kosten- en inspanningsprofielen daaruit volgen

Een modelvingerafdruk laat in één oogopslag zien waar een energiemodel optimistisch, voorzichtig of eigenzinnig is.

In de studie zijn acht invloedrijke energiemodellen geanalyseerd, waaronder IMAGE (PBL), REMIND en MESSAGE. Die modellen hebben allemaal dezelfde set van tien extreme mitigatiescenario’s gekregen, zoals:

• zeer beperkte beschikbaarheid van biomassa
• nauwelijks of juist heel veel CCS
• sterk gelimiteerde kernenergie
• extreem goedkope elektriciteit
• extreem goedkope waterstof
• hoge mate van energiebesparing

Door de uitkomsten systematisch te vergelijken, ontstaat per model een herkenbaar patroon: de vingerafdruk. Die vingerafdruk wordt vervolgens vastgelegd met diagnostische indicatoren in vijf categorieën:

1. modelresponsiviteit
2. mitigatiestrategieën
3. energieaanbod
4. energievraag
5. mitigatiekosten en -inspanningen

Voor AI- en data-gedreven energietransitie is dit goud: je krijgt eindelijk structuur in hoe modellen zich gedragen, in plaats van alleen een stapel scenario’s.

Waar modellen echt van elkaar verschillen

Hoewel de modellen op hoofdlijnen vaak dezelfde kant op gaan – richting een sterkere rol voor hernieuwbare energie, elektrificatie en efficiëntie – laten de vingerafdrukken zien waar de verschillen scherp worden.

Reactie op koolstofprijzen

Sommige modellen reageren heel sterk op een hogere CO₂-prijs. Zodra de prijs omhoog gaat, kantelen ze snel richting:

• forse energiebesparing
• snelle uitfasering van fossiel
• grootschalige inzet van hernieuwbaar

Andere modellen hebben juist een meer geleidelijke reactie. Dat lijkt misschien een detail, maar voor beleid is dit cruciaal. Stel dat jouw beleidsstudie uitgaat van één model dat extreem gevoelig is voor CO₂-prijsprikkels. Dan lijkt een hoge CO₂-prijs misschien dé oplossing. Maar een ander model – met een andere vingerafdruk – laat zien dat je dan alsnog flankerend beleid nodig hebt, zoals innovatieprogramma’s of normering.

Snelheid van technologiediffusie

AI en energiemodellen hebben één gedeelde zwakte: hoe snel nieuwe technologie zich in de echte wereld verspreidt, is moeilijk te voorspellen. De vingerafdrukken laten zien dat modellen flinke verschillen hebben in:

• de snelheid waarmee zonne- en windenergie opschalen
• hoe rap warmtepompen en elektrische voertuigen worden uitgerold
• de adoptie van waterstof in industrie en mobiliteit

In de Nederlandse context, waar de netcapaciteit al piept en kraakt, is dat geen theoretische discussie. Een model dat uitgaat van extreem snelle elektrificatie kan op papier prachtig zijn, maar botst in de praktijk op netcongestie en vergunningentrajecten. Met een vingerafdruk zie je: dit model is structureel “optimistisch” over uitrolsnelheid. Dat maakt de uitkomst niet waardeloos, maar vraagt wel om een reality check – en daar kan AI met betere data uit de praktijk echt verschil maken.

Mate van elektrificatie en rol van waterstof

Een ander terugkerend verschil zit in de balans tussen:

• directe elektrificatie (warmtepompen, e-boilers, elektrische mobiliteit)
• moleculen (waterstof, synthetische brandstoffen, groen gas)

Sommige modellen duwen bijna alles richting elektrificatie. Andere houden veel meer ruimte voor moleculen, zeker in industrie en zwaar transport. Voor Nederlandse spelers in waterstofclusters, havenbedrijven en netbeheerders bepaalt dit of er miljardeninvesteringen wel of niet logisch lijken.

Met een modelvingerafdruk zie je bijvoorbeeld:

• Model A heeft een sterke voorkeur voor goedkope elektriciteit en directe elektrificatie.
• Model B schuift relatief snel naar grootschalige waterstofproductie.

Als je dan een businesscase of beleidsadvies baseert op alleen Model B, is de kans groot dat je waterstof overschat en elektrificatie onderschat – of andersom.

Wat dit betekent voor beleid, markt en AI-toepassingen

De belangrijkste les van dit onderzoek is vrij scherp:

Studies op basis van één energiemodel zijn kwetsbaar, tenzij je precies weet hoe dat model zich verhoudt tot andere modellen.

Voor beleidsmakers en overheid

Voor ministeries, provincies en gemeenten betekent dit:

• Gebruik modelensembles, niet één model. Leg altijd meerdere scenario’s naast elkaar en vraag expliciet naar de vingerafdrukken van de gebruikte modellen.
• Toets technologie-specifiek beleid op modelvoorkeuren. Is een stevige subsidie op CCS of waterstof vooral logisch in één bepaald model? Dan hoort daar een duidelijke disclaimer en aanvullende analyse bij.
• Integreer praktijkdata via AI. AI-modellen kunnen historische data over bijvoorbeeld uitrolsnelheid van warmtepompen, laadinfrastructuur of netcongestie inbrengen als extra realiteitscheck op energiemodellen.

Voor netbeheerders en energiebedrijven

In de serie “AI voor Nederlandse Energie: Duurzame Transitie” staat vaak de vraag centraal: hoe maak je betere beslissingen over investeringen in netten, flexibiliteit en productiecapaciteit?

Modelvingerafdrukken helpen daarbij op drie manieren:

1. Netplanning beter kalibreren
   Door vraagvoorspelling en netoptimalisatie met AI te combineren met meerdere energiemodellen én hun vingerafdrukken, zie je sneller welke investeringsbeslissingen robuust zijn onder uiteenlopende aannames.

2. Risico op lock-in verkleinen
   Als één model structureel een voorkeur heeft voor bijvoorbeeld CCS, kan dat leiden tot té veel focus op pijpleidingen en opslag. Door modellen met verschillende vingerafdrukken naast elkaar te leggen, zie je waar flexibiliteit in je strategie nodig is.

3. Portfolio’s beter afstemmen op onzekerheid
   Financiële en operationele risico’s worden kleiner als je expliciet rekening houdt met de bias van modellen. AI kan hier scenario’s genereren en doorrekenen die inspelen op de uitersten van die vingerafdrukken.

Voor AI- en data-teams

Voor data scientists en AI-teams in de energiesector is dit onderzoek bijna een uitnodiging.

Er zijn drie kansrijke richtingen:

• Automatische modeldiagnostiek: AI-systemen kunnen zelf vingerafdrukken afleiden uit grote aantallen modelsimulaties, inclusief anomaliedetectie (“dit model reageert ongewoon traag op hogere CO₂-prijzen”).
• Meta-modellering: bouw AI-modellen die bovenop energiemodellen liggen en leren welke modeluitkomsten robuust zijn en welke sterk afhangen van specifieke aannames.
• Generatieve scenario-analyse: gebruik generatieve AI om sneller nieuwe, consistente scenario’s te formuleren, die vervolgens door meerdere energiemodellen worden getest. De verschillen in respons worden direct vertaald in een geactualiseerde vingerafdruk.

Hoe je modelvingerafdrukken praktisch kunt toepassen

Je hoeft niet te wachten op een compleet nieuw toolplatform om hier iets mee te doen. Een paar concrete stappen die ik in organisaties zie werken:

1. Vraag altijd om de ‘identiteitskaart’ van een model

Wanneer je met consultants, kennisinstellingen of interne modelteams werkt, stel expliciet vragen als:

• Hoe reageert dit model doorgaans op hoge CO₂-prijzen?
• Is het model eerder optimistisch of conservatief over uitrolsnelheden van nieuwe technologie?
• Hoe behandelt het model beperkingen in het elektriciteitsnet of in ruimtegebruik?

Kortom: vraag om de vingerafdruk, niet alleen om de grafieken.

2. Koppel AI-voorspellingen aan meerdere energiemodellen

Gebruik je al AI voor vraagvoorspelling, onderhoudspredictie of optimalisatie van flexibiliteit? Koppel dan de AI-uitkomsten aan meerdere energiemodellen, bijvoorbeeld:

• laat een AI-vraagprofiel door meerdere modellen lopen
• vergelijk hoe elk model reageert in termen van benodigde capaciteit, kosten en emissies
• gebruik de verschillen als input voor risicomanagement en strategische keuzes

3. Bouw interne standaarden voor modeltransparantie

Zeker in grote organisaties loont het om een basisset diagnostische indicatoren af te spreken:

• standaardcategorieën (responsiviteit, aanbod, vraag, kosten, strategie)
• vaste extreme scenario’s die elk model moet kunnen draaien
• een eenvoudige visuele vingerafdruk die in elk besluitvormingsdocument wordt opgenomen

Zo voorkom je dat er “black box”-modellen in besluiten sluipen die later moeilijk uitlegbaar zijn aan bestuur, toezichthouders of de samenleving.

De rol van Europa en samenwerking

Dit onderzoek naar modelvingerafdrukken is geen soloproject van één instituut. Het PBL werkte samen met 15 partners uit 9 landen en verschillende onderzoeksinstellingen. Het maakt deel uit van het ECEMF-project, gefinancierd door Horizon 2020.

Waarom is dat relevant voor Nederlandse lezers?

Omdat de Nederlandse energietransitie nooit in een vacuüm plaatsvindt. CO₂-prijzen, energiemarkten en interconnecties zijn Europees verweven. Modellen zoals IMAGE, REMIND en MESSAGE worden gebruikt in IPCC-rapporten én in Europese beleidstrajecten. Wie in Nederland serieuze keuzes maakt – of dat nu over waterstof in de Rotterdamse haven gaat, over warmtenetten in stedelijke gebieden of over netuitbreiding in het noorden – moet begrijpen in welke internationale modelwereld die keuzes zijn ingebed.

Modelvingerafdrukken maken die wereld niet simpeler, maar wel eerlijker en transparanter.

Waarom dit perfect past in ‘AI voor Nederlandse Energie’

De rode draad in deze blogserie is simpel: AI helpt de Nederlandse energietransitie alleen vooruit als we de onderliggende aannames snappen.

• AI kan vraagpatronen beter voorspellen dan ooit, maar als het gevoed wordt met één eenzijdig energiemodel, krijg je alsnog scheve strategieën.
• AI kan onderhoud aan windparken en netten slimmer plannen, maar als het beleid dat daarboven hangt blind is voor modelbias, blijven de grote investeringsbeslissingen kwetsbaar.

Modelvingerafdrukken zijn daarom een logische volgende stap: ze geven context, nuance en houvast bij het gebruik van zowel traditionele energiemodellen als moderne AI-modellen.

Wie in 2025 serieus met de energietransitie bezig is – in beleid, markt of techniek – doet er goed aan drie vragen standaard te stellen bij elk modelrapport:

1. Wat is de vingerafdruk van dit model?
2. Hoe wijkt die af van andere modellen?
3. Hoe gebruik ik AI om de uitkomsten te toetsen aan de werkelijkheid?

Wie daar goede antwoorden op heeft, maakt in de komende tien jaar betere keuzes dan de rest.