Twence gaat zelf stroom leveren aan tien gemeenten. Wat zegt dat over lokale energie, netcongestie en de rol van AI in de Nederlandse energietransitie?
Twence als stroomleverancier: wat betekent dit voor gemeenten?
Vanaf 01-01-2026 krijgen tien Twentse gemeenten hun stroom niet langer via een commerciële leverancier, maar rechtstreeks van Twence, het afval- en energiebedrijf waarvan ze zelf aandeelhouder zijn. Tot nu toe liep dat via Greenchoice; straks levert Twence zelf elektriciteit aan zijn eigen gemeenten.
Dat lijkt een kleine contractwijziging, maar het laat iets groters zien: lokale energieproducenten schuiven op richting directe levering, balancering en datagedreven sturing. Precies daar komt AI in de energievoorziening in beeld.
Dit artikel past in de serie “AI voor Nederlandse Energie: Duurzame Transitie”. Hier kijken we naar wat de stap van Twence betekent, hoe gemeenten hier slim op kunnen inspelen en welke rol AI-gestuurde netoptimalisatie en vraagvoorspelling speelt in dit soort lokale energieketens.
Waarom gemeenten zelf stroom willen inkopen bij hun eigen producent
De kern is simpel: als je als gemeente mede-eigenaar bent van een energiebedrijf, wil je drie dingen tegelijk:
- Betaalbare energie voor inwoners en gemeentelijke gebouwen.
- Duurzame opwek die past bij je klimaatdoelen.
- Meer grip op risico’s rond prijzen, leveringszekerheid en netcongestie.
Door direct bij Twence in te kopen in plaats van via Greenchoice, ontstaat een kortere keten: minder schakels, meer regie.
Strategische voordelen voor gemeenten
Voor aandeelhoudende gemeenten levert dit meerdere voordelen op:
- Langjarige prijsafspraken: makkelijker om voorspelbare tarieven af te spreken gebaseerd op de kostprijs van de installatie in plaats van puur marktprijzen.
- Betere koppeling met klimaatbeleid: eigen duurzame opwek (afvalverbranding, biogas, mogelijk zonne- en windparken) sluit direct aan op lokale klimaatplannen.
- Meer invloed op investeringen: als Twence moet uitbreiden of vergroenen, hebben gemeenten direct belang én zeggenschap.
Dit past in een bredere trend: regionale energiebedrijven (afvalverbranders, warmtenetten, zonneparken van coöperaties) zoeken rechtstreekse relaties met eindafnemers. AI helpt om die relaties technisch, financieel en systeemmatig werkend te krijgen.
Van producent naar leverancier: nieuwe verantwoordelijkheden
Zodra Twence zelf elektriciteit levert, krijgt het er een heel pakket aan verantwoordelijkheden bij: forecasting, portfolio-optimalisatie, balanshandhaving, contractering en klantenservice.
Meer dan een GWh opwekken
Tot nu toe verkocht Twence zijn stroom aan een leverancier, die vervolgens:
- De onbalansrisico’s richting TenneT beheerde.
- De profielen van klanten integreerde in een grotere portefeuille.
- De handelsstrategie op de groothandelsmarkten bepaalde.
Door nu zelf te leveren, moet Twence (of een partner achter de schermen) dat grotendeels zelf doen. Daar liggen directe kansen voor AI-toepassingen:
- Vraagvoorspelling per klantgroep (bijvoorbeeld gemeentelijke gebouwen, openbare verlichting, gemalen).
- Productievoorspelling op basis van installatiestatus, onderhoudsplannen en weerdata.
- Balansoptimalisatie: realtime bijsturen, sturen op onbalanskosten en flexibiliteit.
"Elke producent die leverancier wordt, verandert in een databedrijf met een energiecentrale ernaast."
Dat klinkt scherp, maar het is wel de richting waar de sector heen gaat.
Hoe AI lokale energieketens slimmer maakt
AI is in dit soort lokale setups geen luxe, maar een versneller. Zeker nu we in Nederland kampen met netcongestie, strengere klimaatdoelen en krappe marges.
1. AI voor vraagvoorspelling bij gemeenten
Gemeenten hebben vrij voorspelbare én heel grillige afnameprofielen tegelijk:
- Kantoren, zwembaden, sporthallen, scholen.
- Openbare verlichting met seizoens- en weerinvloed.
- Piekbelasting door laadpalen en warmtepompen.
Met machine learning-modellen kun je per locatie of type gebouw voorspellen:
- Uurprofielen voor de komende dagen.
- Seizoenspatronen (bijvoorbeeld winter vs. zomer in zwembaden).
- Effecten van maatregelen (isolatie, LED-verlichting, laadbeheer).
Hoe beter de voorspelling, hoe:
- lager de onbalanskosten voor de leverancier,
- nauwkeuriger de inkoop op day-ahead- en intraday-markten,
- makkelijker het wordt om flexibiliteit te benutten (bijv. tijdelijk lager vermogen bij WKO’s of laadpalen).
2. AI voor netoptimalisatie en congestiemanagement
Lokale energiebedrijven als Twence opereren binnen een regio waar het net vaak op slot zit. AI helpt om meer capaciteit uit dezelfde kabels te halen doordat je slimmer stuurt op tijd en vermogen.
Denk aan:
- Voorspelling van lokale pieken op wijk- of bedrijventerreinniveau.
- Aanbevelingen voor sturing: wanneer laadpalen afknijpen, buffervaten opwarmen of batterijen laden/ontladen.
- Simulaties: wat gebeurt er als een gemeente 500 extra laadpalen plaatst of een nieuw warmtenet aanlegt?
In zo’n context kan Twence, als gecombineerde producent/leverancier, een actieve rol spelen in congestiemanagement. Bijvoorbeeld door met gemeenten flexcontracten te sluiten voor grote verbruikers (rioolgemalen, sportcomplexen, koude-warmteopslag) en die met AI te sturen binnen afspraken met de netbeheerder.
3. AI voor onderhoudspredictie van installaties
Afvalenergiecentrales, biovergisters en WKK’s zijn kapitaalintensief. Ongeplande uitval is duur en komt vaak op het slechtst denkbare moment (koude, windstille winterdagen).
Met predictive maintenance op basis van AI kunnen Twence-achtige bedrijven:
- Slijtage en afwijkingen vroegtijdig detecteren via sensordata.
- Onderhoud inplannen buiten de verwachte piekproductie.
- Productieplannen koppelen aan marktprijzen en contractverplichtingen.
Voor gemeenten betekent dit: betere leveringszekerheid en minder financiële verrassingen.
Wat andere gemeenten en regio’s van Twence kunnen leren
De stap van Twence is illustratief voor veel regio’s in Nederland. Denk aan afvalenergiecentrales in andere provincies, regionale warmtenetten of coöperatieve zonneparken. De vraag is: hoe kopieer je de voordelen zonder de valkuilen?
Les 1: Zie jezelf als één energie-ecosysteem
Twence en de aandeelhoudende gemeenten vormen samen feitelijk een lokaal energie-ecosysteem:
- Producent: Twence.
- Afnemers: gemeentelijke gebouwen, publieke voorzieningen, later misschien inwoners en lokale bedrijven.
- Regisseur: gemeenten die klimaat, ruimte, mobiliteit en energie aan elkaar knopen.
AI kan dat ecosysteem integraal ondersteunen, maar dan moet je:
- Vroeg beginnen met datastandaarden (meterdata, weerdata, assetdata).
- Rollen en verantwoordelijkheden helder maken: wie stuurt waarop?
- Niet per project maar regionaal denken (regiovisies, RES, netcapaciteit).
Les 2: Bouw een datastrategie vóór je AI-tools koopt
Veel organisaties beginnen enthousiast met dashboards, maar vergeten de basis. Wat Twence en gemeenten nodig hebben, geldt overal:
- Een voedingslijn voor data: slimme meters, SCADA, gebouwbeheersystemen.
- Heldere data governance: eigenaarschap, privacy, beveiliging.
- Eenvoudige eerste AI-toepassingen met directe waarde (bijvoorbeeld simpele load forecasting) vóór de meer geavanceerde scenario’s.
Ik heb bij vergelijkbare projecten gezien dat wie deze volgorde omdraait, na twee jaar vooral dure pilots en frustratie over "data die niet klopt" heeft. Wie begint bij de basis, kan vrij snel waarde laten zien.
Les 3: Betrek de netbeheerder en marktpartijen vanaf dag één
Een producent die leverancier wordt, raakt direct aan de rollen van netbeheerder en bestaande leveranciers. Wil je AI gebruiken voor lokale congestie-oplossingen, dan moet je samen ontwerpen:
- Welke data mag en kan gedeeld worden?
- Welke flexibiliteit is echt beschikbaar?
- Hoe borg je dat afspraken passen binnen de regelgeving?
Projecten waar de netbeheerder pas aan het einde aanschuift, lopen meestal vast of vertragen. Betrek ze meteen, zeker als je met AI gaat sturen op belasting van het net.
Praktische eerste stappen voor gemeenten en regionale energiebedrijven
Geïnspireerd door de stap van Twence? Dan zijn dit concrete stappen die ik zou aanbevelen aan elke gemeente of regionale producent die hetzelfde overweegt.
1. Maak een gezamenlijke routekaart producent–gemeenten
Zet producent, gemeenten en netbeheerder aan tafel en beantwoord drie vragen:
- Welke energiedoelen delen we (CO₂, kosten, leveringszekerheid)?
- Welke assets hebben we samen (installaties, gebouwen, laadpalen, warmtenetten)?
- Welke data hebben we nu al en wat ontbreekt er nog?
Leg een routekaart vast voor 3–5 jaar waarin je zowel technische stappen (meters, systemen, AI) als organisatorische stappen (contractvormen, governance) opneemt.
2. Start één of twee gerichte AI-pilots
Kies pilots die direct aansluiten op de stap richting rechtstreekse levering:
- Pilot 1 – Vraagvoorspelling gemeentelijke gebouwen: gebruik historische verbruiksdata en weerdata om dag- en weekprofielen te voorspellen en vergelijk met de huidige planning.
- Pilot 2 – Flexibiliteitssturing: kies een cluster (bijv. laadpalen of zwembaden) en stuur met AI-ondersteuning op verbruik binnen afgesproken bandbreedtes.
Zorg dat pilots meetbaar zijn: bijvoorbeeld een x% lagere onbalans, y% lagere piekbelasting of z% energiekostenbesparing.
3. Vertaal resultaten naar contracten en beleid
AI alleen verandert niets zolang contracten, tarieven en beleidsregels niet meebewegen. Gebruik pilotresultaten om:
- Nieuwe contractvormen uit te werken (bijv. flexibele vermogensbanden, dynamische tarieven voor grootverbruikers).
- Lokale verordeningen en beleidsplannen te actualiseren (bijv. laadbeleid, warmtevisies).
- Inkoopstrategieën te herzien: meerjarige, datagedreven afspraken tussen gemeentelijke inkoop en regionale producent.
Zo ontstaat een structurele koppeling tussen techniek (AI), markt (contracten) en beleid.
Waarom deze ontwikkeling cruciaal is voor de Nederlandse energietransitie
De stap van Twence raakt aan drie hoofdpijndossiers van de Nederlandse energietransitie:
- Betaalbaarheid: door dichter op de kostprijs te gaan zitten en slimmer te sturen met AI, kunnen gemeenten hun energierekening beter beheersbaar maken.
- Betrouwbaarheid: regionale productie gekoppeld aan slimme sturing verlaagt de kans op congestieproblemen en onbalanskosten.
- Duurzaamheid: lokale, vaak circulaire opwek (afval, biomassa, restwarmte) kan optimaal worden ingezet in combinatie met zon, wind en opslag.
Er is een misvatting dat AI iets is "voor later" in de energietransitie, als we eerst de hardware maar op orde hebben. De werkelijkheid is dat zonder AI en datagedreven sturing het huidige net simpelweg niet genoeg ruimte heeft om alle geplande duurzame projecten logisch in te passen.
Twence laat zien hoe een traditioneel afval- en energiebedrijf langzaam verandert in een regionale energieservicepartij. De volgende logische stap is dat dit soort partijen AI inzetten voor:
- geavanceerde vraagprognoses,
- slimme netintegratie,
- en voorspellend onderhoud.
Gemeenten die nu al nadenken over deze combinatie – lokale producenten, directe levering én AI – lopen straks niet achter de feiten aan als de druk op net en prijzen verder oploopt.
Wil je als gemeente, energiebedrijf of regionale samenwerkingsregio hiermee aan de slag, begin dan klein maar gericht: één duidelijke casus, goede data, en de bereidheid om op basis van inzichten ook écht anders te gaan sturen. Daar zit het verschil tussen een mooi rapport en een werkende duurzame energiepraktijk.