Het probleem
Op 28 april 2025 om 12:33 uur verloren Spanje en Portugal samen 15 gigawatt aan vermogen in vijf seconden. Dat is ruwweg 60% van de totale nationale vraag — weg in de tijd die nodig is om twee keer te knipperen. Ongeveer 60 miljoen mensen zaten tot wel tien uur zonder stroom. Enkele mensen overleden als gevolg van infrastructuurstoringen tijdens de stroomuitval.
Eerst richtte de schuldvraag zich op hernieuwbare energie. Dat bleek onjuist. Onderzoeken door ENTSO-E (het Europese coördinatieorgaan voor het elektriciteitsnet) en Red Eléctrica de España brachten de werkelijke oorzaak aan het licht: energiecentrales hielden zich niet aan hun eigen regels voor spanningsregeling. Eén grote installatie injecteerde zelfs reactief vermogen in het net tijdens een overspanningsgebeurtenis — het elektrische equivalent van benzine op het vuur gooien. Het duwde energie het systeem in terwijl elk protocol vereiste dat het er juist energie uithaalde.
Als uw organisatie kritieke infrastructuur exploiteert of afhankelijk is van ononderbroken stroomvoorziening, dan is dit relevant. De netcontrollers die de hoogspanningsverbindingen in de gaten hielden, zagen normale waarden. De gevaarlijke spanningspieken bleven verborgen op een lager niveau — de verzamelstations aan de collectorzijde — waar niemand goed genoeg keek. Tegen de tijd dat de cascade begon, was het al te laat om haar te stoppen.
Dit was geen toevallig ongeluk. Het was een systemisch falen van besturingsintelligentie. En het legde een kloof bloot die bestaande AI-tools niet zijn ontworpen om te dichten.
Waarom dit belangrijk is voor uw bedrijf
De Iberische stroomuitval ging niet alleen over elektriciteit. Het is een waarschuwing voor wat er gebeurt wanneer geautomatiseerde systemen hun eigen regels niet in realtime kunnen afdwingen. Als u kritieke infrastructuur beheert of ervan afhankelijk bent, dan moeten drie cijfers u wakker houden:
- 15 GW verloren in 5 seconden. Dat gaat sneller dan welke menselijke operator ook kan reageren, en sneller dan de meeste AI-systemen zelfs maar een API-call naar de cloud kunnen verwerken.
- 78% hernieuwbare penetratie op de ochtend van het incident. Naarmate uw net naar hernieuwbare bronnen verschuift, krimpt de marge voor fouten. De natuurlijke traagheid die het systeem vroeger stabilizeerde, verdwijnt.
- 24 uur om het net te herstellen. Handmatige black-start-procedures maakten van wat een herstel van 4 uur had kunnen zijn, een uitval van een hele dag in twee landen.
Voor uw bedrijf lopen de regelgevende belangen snel op. De EU AI Act classificeert netbesturing als kritieke infrastructuur. Dat betekent dat elk AI-systeem dat u inzet uitlegbare, auditbare beslissingspaden moet leveren — geen plausibele gokken. Als uw AI-leverancier u niet kan laten zien waarom het systeem een specifieke beslissing nam, loopt u zowel operationeel risico als juridische aansprakelijkheid.
De financiële blootstelling gaat verder dan boetes. Langdurige stroomuitval verstoort toeleveringsketens, legt de productie stil en ondermijnt het klantvertrouwen. Uw raad van bestuur wil weten: kunnen onze systemen dit voorkomen? En zo niet, wat is het plan?
Wat er werkelijk onder de motorkap gebeurt
Om te begrijpen waarom deze stroomuitval plaatsvond, moet u één begrip kennen: reactief vermogen. Zie uw elektriciteitsnet als de waterdruk in een leidingsysteem. Actief vermogen is het water dat stroomt — het verricht het nuttige werk. Reactief vermogen is de druk die het water soepel laat stromen. Zonder genoeg druk stort het systeem in.
Spaanse regelgeving (Operating Procedure 7.4) verplicht elke centrale om reactief vermogen op te nemen of te injecteren ter hoogte van ten minste 30% van haar maximale productie. Zo blijft de spanning stabiel. Op 28 april moesten centrales reactief vermogen opnemen, omdat de spanning piekte. Meerdere centrales reageerden te traag of helemaal niet. En één installatie deed het tegenovergestelde — zij injecteerde reactief vermogen, dreef de spanning verder omhoog en veroorzaakte een kettingreactie van beschermende uitschakelingen door het hele net uit.
Hier schuilt het diepere probleem. De controllers waarmee deze centrales worden aangestuurd, gebruiken decennia oude technologie — Proportional-Integral-Derivative-(PID)-controllers, afgestemd op stabiele omstandigheden. Ze werken prima als het rustig is. Maar zodra het net in een snelle, niet-lineaire oscillatiegebeurtenis terechtkomt, kunnen deze controllers zich niet aanpassen. Ze zijn als een thermostaat die voor een woonkamer is ontworpen en wordt gevraagd een smeltoven te beheren.
Ondertussen keken de transportnetbeheerders naar 400 kV-lijnen die er prima uitzagen. Het echte gevaar dreigde op het 220 kV-collectorniveau, waar transformatorstappenwisselaars niet snel genoeg konden bijsturen. Deze "observability gap" (observatiekloof) maakte de crisis onzichtbaar voor de mensen die verantwoordelijk waren voor het voorkomen ervan. Uw monitoringsystemen zijn slechts zo goed als de datapunten die ze daadwerkelijk kunnen zien.
Wat werkt (en wat niet)
Laten we beginnen met wat er faalt in risicovolle netomgevingen:
- Klassieke PID-controllers: Deze presteren goed onder stationaire omstandigheden, maar vallen uit bij de niet-lineaire dynamiek van een snelle oscillatiegebeurtenis — precies wat er op 28 april gebeurde.
- LLM-wrapperapplicaties — tools die uw gegevens naar een cloudbased AI-model zoals GPT-4 sturen voor verwerking: Deze introduceren latenties van 500 milliseconden tot enkele seconden. Wie 15 GW verliest in 5 seconden, kan geen halve seconde missen. Erger nog: deze modellen kunnen "hallucineren" — ze rapporteren misschien dat de spanningen stabiliseren op basis van historische patronen, zelfs wanneer realtime-data een uitdijende cascade laat zien.
- Black-box-AI zonder audittrail: Als uw AI-systeem zijn redenering niet stap voor stap kan uitleggen, voldoet het niet aan de eisen van de EU AI Act voor hoogrisicotoepassingen. U kunt geen beslissing verdedigen die u niet kunt traceren.
Wat wél werkt, is een gelaagde aanpak die het aanpassingsvermogen van neurale netwerken combineert met hardgecodeerde fysische regels. Zo werkt die:
Input — Fysica-bewuste sensing: Installeer sensoren met hoge resolutie op collectorniveau (niet alleen op transportnetniveau) om de observability gap te sluiten. Voed deze data in Physics-Informed Neural Networks (PINNs) — AI-modellen die de werkelijke vergelijkingen die elektrisch gedrag beheersen direct in hun wiskunde verankeren. Deze modellen reageren binnen 1 milliseconde, ruim 87 keer sneller dan conventionele optimalisatiemethoden.
Verwerking — Regelgebaseerde guardrails: Leg een neuro-symbolische architectuur bovenop. Het neurale netwerk verzorgt patroonherkenning en voorspelling. Maar een symbolische logicalaag treedt op als poortwachter. Die codeert uw regelgevende vereisten — zoals P.O. 7.4 — als onbreekbare regels. Als het neurale netwerk suggereert om reactief vermogen te injecteren tijdens een overspanningsgebeurtenis, blokkeert de symbolische laag dat commando fysiek. Het scenario waarin één centrale reactief vermogen "toevoegde in plaats van opnam", wordt onmogelijk.
Output — Auditbaar beslissingspad: Elke geautomatiseerde actie levert een in mensentaal leesbaar logboek op: wat de actie activeerde, welke regel gold, welke maatregel werd genomen en welk resultaat volgde. Voor het incident van 28 april zou dat er zo uitzien: "Oscillatie van 0,63 Hz gedetecteerd. Spanningslimiet P.O. 7.4 overschreden. Verplichte opname van reactief vermogen afgedwongen op 30% van de maximale productie. Spanning gestabiliseerd op 418 kV. Uitschakeling aan de collectorzijde voorkomen."
Dat beslissingspad is precies wat uw compliance-team en uw toezichthouders nodig hebben. Het maakt van uw AI een transparant, verdedigbaar systeem in plaats van een black box. Voor energie- en nutsorganisaties, is dit het verschil tussen een regelgevende aansprakelijkheid en een aantoonbare beheersmaatregel.
U kunt deze architectuur verder versterken met simulatie- en digital twin-omgevingen waarmee u de AI-reacties van uw net kunt stresstesten voordat u ze in productie neemt — in feite een vluchtsimulator voor uw energiesysteem.
De herstelperiode van 24 uur na de Iberische stroomuitval had ook drastisch ingekort kunnen worden. Multi-agent-AI-systemen — waarbij lokale agenten afzonderlijke power islands beheren en coördinerende agenten de synchronisatie verzorgen — hadden de 900 MW uit Marokko en de 2 GW uit Frankrijk naar de herstelzones met de hoogste prioriteit kunnen routeren. Schattingen wijzen erop dat deze aanpak de uitval van 24 uur had kunnen terugbrengen tot circa 4 uur.
Uw net hoeft niet slimmer te worden. Het moet simpelweg niet in staat zijn om fysiek onmogelijke beslissingen te nemen.
Lees de volledige technische analyse | Verken de interactieve versie
Belangrijkste inzichten
- De Iberische stroomuitval van 2025 kostte 15 GW in 5 seconden — niet door hernieuwbare energie, maar doordat centrales zich niet aan de regels voor spanningsregeling hielden en één centrale de crisis actief verergerde.
- Cloudbased AI-tools introduceren vertragingen van 500+ milliseconden en kunnen hallucineren met foutieve meetwaarden — beide zijn diskwalificerend voor beslissingen in nettempo.
- Op fysica gebaseerde AI-modellen reageren binnen 1 milliseconde en verankeren de werkelijke natuurwetten van elektriciteit in hun besluitvorming, waardoor fysiek onmogelijke outputs onmogelijk worden.
- De EU AI Act vereist uitlegbare, auditbare AI voor kritieke infrastructuur — neuro-symbolische systemen produceren menselijk leesbare beslissingslogboeken die aan deze eis voldoen.
- Een gelaagde AI-aanpak met fysica-bewuste sensoren, regelgebaseerde guardrails en auditbare outputs had de cascade kunnen voorkomen en het herstel van 24 uur kunnen terugbrengen tot circa 4 uur.
Kort samengevat
De Iberische stroomuitval bewees dat snelheid en zekerheid niet onderhandelbaar zijn voor AI in kritieke infrastructuur. Probabilistische modellen die gokken en cloudbased tools die achterlopen, kunnen uw net, uw klanten of uw regelgevende positie niet beschermen. Vraag uw AI-leverancier: als een centrale reactief vermogen injecteert tijdens een overspanningsgebeurtenis, kan uw systeem die actie dan fysiek blokkeren en mij binnen één milliseconde het beslissingspad tonen?