Artificial intelligence is de laatste jaren in een enorme stroomversnelling geraakt. Ook de prognoses voor de toekomst wijzen op een exponentiële groei. De rekenkracht die nodig is voor AI leidt tot extra druk op de datacenters, meer energievraag en meer belasting van het al overuur draaiende elektriciteitsnet.
Tegelijkertijd is het besef diepgeworteld dat we steeds energie-efficiënter moeten worden. Nieuwe Europese rapportagevereisten onder de Energy Efficiency Directive en de Corporate Sustainability Reporting Directive (CSRD) verscherpen bovendien de bestaande controlemechanismen.
Zijn de groei van de inzet van AI en de vraag naar meer energie-efficiëntie dan wederzijds exclusief? Integendeel! De energietransitie – en dan vooral langs de vraagzijde – kan niet plaatsvinden als we niet op een slimme manier AI inzetten. AI heeft het potentieel om de uitstoot van koolstof te verminderen met een veel groter aandeel dan de eigen gegenereerde uitstoot. Hoe is dit mogelijk?
Data als basis
Een cruciale manier om de koolstofuitstoot te verminderen is het verlagen van het energieverbruik. Denk bijvoorbeeld aan industriële fabricageprocessen of aan verwarming- en koelingsystemen in gebouwen. Om deze te optimaliseren heb je precieze modellen nodig. Zo kan je de belangrijkste invloeden op het energieverbruik in kaart brengen, afwijkingen in het verbruik detecteren en oplossen en verschillende scenario’s uitwerken om de energiebehoefte te verminderen.
In veel gevallen is het echter onpraktisch om een precies model te construeren op basis van fysische formules en vergelijkingen, alleen al vanwege de complexiteit van een dergelijke taak. Om bijvoorbeeld een compleet energiemodel van een gebouw uit te werken, zou een leger van experts en wetenschappers nodig zijn.
Machine learning
Een alternatieve manier is het gebruik AI, en dan vooral machine learning (ML), om veel sneller te leren van de gemeten data en een voorspellend model te bouwen. Dergelijke toepassingen van het gebruik van AI om het energieverbruik te verminderen zijn breed inzetbaar; voor verwarming en koeling van gebouwen, industriële processen zoals waterontzilting, energie-optimalisatie van woningen, stadsverwarmingssystemen, et cetera.
Groene elektriciteit
Bovendien kan de overstap naar groene energiebronnen zoals zonne-energie en elektrische voertuigen alleen succesvol zijn dankzij de ondersteuning van kunstmatige intelligentie. Door slimme voorspellingen te maken en vraag en aanbod in evenwicht te brengen, speelt AI een sleutelrol in het minimaliseren van koolstofuitstoot en het stabiliseren van energiegrids. De complexiteit van de fysieke modellering van een dergelijk systeem op grote schaal is alleen mogelijk met de kracht van AI.
Een concrete toepassing zien we nu al in microgrids, die geoptimaliseerd zijn om de piekvraag naar het hoofdnet te verlagen, in oplaadsystemen voor elektrische auto’s, in energiesystemen voor thuisgebruik, enzovoort. De symbiose tussen AI en duurzaamheid is dus cruciaal voor onze toekomst.
AI slim inzetten
Intussen blijft het wel een feit dat AI veel energie verbruikt. Daarom is het belangrijk om het alleen in te zetten waar het de enige en beste oplossing is. Wil je energie besparen, gebruik dan geen ChatGPT om een standaardmailtje te schrijven of een complex machine learning-model waar dit echt niet nodig is.
Dit is niets nieuws onder de zon – we weten dit al veel langer dan vandaag: gebruik steeds het aangepaste gereedschap voor de taak. We hoeven geen (klimaat)moker in te zetten waar een klein hamertje volstaat. Maar als we AI op een slimme manier gebruiken, kan het ongetwijfeld een gamechanger zijn voor de energietransitie.
Dit is een ingezonden bijdrage van Schneider Electric. Via deze link vind je meer informatie over de mogelijkheden van het bedrijf.