Banen in hernieuwbare energie · Machine Learning

Machine Learning in duurzame energie

Machine learning in de energiesector bouwt de modellen die wisselende productie afstemmen op de vraag in het net. Het voorspelt wind- en zonproductie tot dagen vooruit, optimaliseert batterijdispatch, herkent beginnende turbinedefecten uit trillingsdata en zet prijzen op de day-ahead markt.

Het is van onderzoeksonderwerp naar operationele noodzaak verschoven. DeepMind meldde een waardestijging van 20 procent op zijn windenergie toen zijn neurale netwerk de productie 36 uur vooruit voorspelde en operators op de day-ahead markt konden toezeggen in plaats van bij te sturen op het laatste moment. Het rapport Energy and AI van het IEA constateert dat AI-vaardigheden duidelijk minder vertegenwoordigd zijn bij nutsbedrijven, olie en gas dan in tech, finance en media. Daar zit de opening.

Waar het werk zit

De rollen vallen in een paar categorieën. Data scientists bouwen prognoses voor productie en vraag, ML-engineers brengen die modellen in productie binnen handels- en dispatchsystemen, data engineers koppelen SCADA en meterdata aan datapijplijnen, en een kleinere onderzoekshoek werkt aan plasmasturing voor fusie, materiaalontdekking en toestandsmodellen voor batterijen. Vacaturetitels als "Data Scientist - Forecasting & Analytics" duiken steeds op, omdat ML in voorspelling de duidelijkste commerciële winst boekt.

De vraag concentreert zich in een handvol steden. Londen leidt in volume dankzij leveranciers, traders en analyticsbureaus. Berlijn en München volgen, gedreven door de honger van de Energiewende naar netsoftware. Bristol, Glasgow, San Francisco, Houston, Bengaluru en Singapore sluiten de top. In Nederland en België zitten de meeste ML-vacatures in en rond Amsterdam, Utrecht en Brussel, bij Eneco, Vattenfall, Engie, TenneT, Elia en de groeiende laag van energiehandel- en flexstart-ups. Thuiswerken is hier gangbaarder dan in technische veldrollen, maar de meeste functies vragen tijdzone-overlap met handel of operatie.

Werkgevers en salaris

De actieve werkgevers vallen in vier archetypes. Nutsbedrijven en eigenaren van assets (Vattenfall, EDP Renewables, NextEra Energy) zoeken mensen voor prognose, optimalisatie en portfolio-analytics. Leveranciers van netsoftware en huishoudplatforms (OVO Energy, Kiwigrid, Uplight, Eliq) gebruiken ML voor verbruiksdisaggregatie, klantsegmentatie en sturing van decentrale bronnen. Handelsgerichte firma's als Gridmatic betalen hun kwantitatieve ML-engineers op fintech-niveau. Fabrikanten (Verkor, Bloom Energy) bouwen modellen voor celdegradatie en brandstofcelprestatie.

De salarissen weerspiegelen deze kruising. Een ML-engineer in Duitsland verdient doorgaans 70.000 tot 100.000 € basis, met senioren in Berlijn of München boven 120.000 €. In Nederland zitten vergelijkbare profielen bij nutsbedrijven en energiesoftware tussen 60.000 en 95.000 € voor mediors, en 100.000 tot 130.000 € voor senioren en leads in Amsterdam. In België ligt het bruto basisbedrag 5 tot 10 procent lager, met extralegale voordelen die het pakket effectief dichterbij brengen. In het Verenigd Koninkrijk stegen de renewables-salarissen in 2025 gemiddeld met 13,2 procent en haalt een ML-engineer bij een Londense energiestart-up 85.000 tot 110.000 £. De premie gaat naar wie ML-fundamenten combineert met sectorkennis: tijdreeksen en probabilistische voorspelling, mechaniek van de elektriciteitsmarkt, omgang met SCADA en netdata, of ervaring met voorspellende modellen voor activabeheer.

Waar recruiters echt op screenen

Generieke ML-credentials volstaan niet. Hiring managers in de sector zoeken óf productie-ervaring met tijdreeksen en probabilistische voorspelling (LSTMs, gradient boosting, conformal prediction), óf een geloofwaardige reden om juist in energie te willen werken. Bijkomende vaardigheden die telkens terugkomen: Python, PyTorch of TensorFlow, MLOps-tooling, geospatiale analyse en steeds vaker LLM-tools voor activadocumentatie en operator-copilots. De sterkste kandidaten begrijpen ook de basis van het stroomsysteem: wat curtailment is, waarom balanceringsmarkten bestaan, hoe de inkomstenstack van een batterij is opgebouwd. De combinatie van data science en domeinkennis verschuift een cv van de "misschien"-stapel naar het eerste gesprek.