Wereldwijde prognoses voor zonne-energiepotentieel met behulp van machine learning en deep learning modellen

Waarom zonlicht en slimme computers ertoe doen

Naarmate de aarde opwarmt en extreem weer vaker voorkomt, haasten samenlevingen zich op zoek naar schonere manieren om huizen, vervoer en industrie van energie te voorzien. Zonnepanelen behoren tot de meest veelbelovende opties: ze worden goedkoper, efficiënter en kunnen vrijwel overal worden ingezet waar de zon schijnt. Deze studie stelt een eenvoudige maar cruciale vraag: hoe ver kan zonne-energie tegen het midden van deze eeuw komen, en wat zou dat betekenen voor onze totale energiemix als we moderne data-instrumenten gebruiken om in de toekomst te kijken?

Het verleden bestuderen om de toekomst te zien

De onderzoekers verzamelden gedetailleerde wereldwijde gegevens van 2000 tot 2022, waaronder hoeveel elektriciteit de wereld verbruikte, hoeveel daarvan van zonnepanelen kwam, en de belangrijkste weersfactoren die zonne-energie aansturen: zonlicht, temperatuur en windsnelheid. In deze periode explodeerde de wereldwijde zonnestroomcapaciteit van slechts 1,23 gigawatt in 2000 tot meer dan 1.000 gigawatt in 2022, en steeg de jaarlijkse zonnestroomproductie van ongeveer 1 terawattuur naar meer dan 1.300. Deze cijfers weerspiegelen goedkopere panelen, betere technologie en sterke beleidssteun in landen als China, India, de Verenigde Staten en in heel Europa. Het team gebruikte deze historische patronen als basis voor hun prognoses tot 2050.

Twee slimme manieren om zonkracht te voorspellen

Om de toekomst te projecteren, wendden de auteurs zich tot twee families van computermodellen die gespecialiseerd zijn in tijdreeksgegevens. Eén, SARIMAX genoemd, behoort tot de traditionele gereedschapskist van statistici; het zoekt naar terugkerende patronen en trends en kan ook externe factoren zoals temperatuur of wind meenemen die de zonneopbrengst beïnvloeden. De andere, bekend als een temporal convolutional network, is een deep learning-benadering die lange reeksen data tegelijk bekijkt en complexere, niet-lineaire relaties kan ontdekken. Beide modellen werden getraind en getest op dezelfde wereldwijde dataset, en hun nauwkeurigheid werd beoordeeld met standaard maatstaven voor fout en fit. In deze tests presteerde SARIMAX iets beter dan het deep learning-model en leverde het over het geheel genomen preciezere voorspellingen.

Hoe groot zonne-energie kan worden

Met deze instrumenten voorspellen de onderzoekers dat de wereldwijde zonnestroomproductie blijft doorstoten. Volgens SARIMAX zou de geïnstalleerde zonnecapaciteit kunnen stijgen van ongeveer 1.300 gigawatt in 2023 tot meer dan 11.600 gigawatt in 2050. Het deep learning-model geeft een zeer vergelijkbare bovengrens, iets boven 11.500 gigawatt. De elektriciteitsopbrengst van zonne-energie vertoont dezelfde spectaculaire stijging: van onder de 2.000 terawattuur in 2023 naar ongeveer 15.000–16.000 terawattuur in 2050 volgens de twee modellen. Met andere woorden: de wereld zou tegen het midden van de eeuw meer dan tien keer zoveel zonne-elektriciteit kunnen produceren als vandaag, als de huidige trends doorzetten en het beleid grotendeels ondersteunend blijft.

De veranderende samenstelling van de wereldenergie

De studie bekijkt ook hoe deze opkomst van zonne-energie past binnen de bredere mix van energiebronnen — fossiele brandstoffen, kernenergie en alle hernieuwbare bronnen samen. Historisch gezien domineerden fossiele brandstoffen, terwijl hernieuwbare energie en kernenergie een kleiner aandeel leverden. De modellen suggereren dat hernieuwbare elektriciteit, met zonne-energie voorop, tegen 2050 meer dan zal verdrievoudigen vergeleken met 2023 en rond de 26.000 tot 31.000 terawattuur per jaar zal uitkomen. Kernenergie blijft min of meer stabiel of daalt licht, terwijl fossiele elektriciteit nog groeit, vooral in het SARIMAX-scenario, zij het langzamer dan hernieuwbare energie. Dit betekent dat zelfs als schone energie indrukwekkend uitbreidt, er nog steeds sterk optreden nodig is om kolen, olie en gas in te dammen als de mensheid strikte klimaatdoelstellingen wil halen.

Wat dit betekent voor het dagelijks leven

Voor niet-specialisten doen de technische details van de voorspellingsinstrumenten er minder toe dan hun boodschap: er is ruim zonpotentieel om een groot deel van menselijke activiteit van energie te voorzien, en die rol zal sterk groeien. De studie concludeert dat traditionele statistische methoden, mits zorgvuldig afgestemd en gevoed met goede data, kunnen wedijveren met of zelfs beter kunnen presteren dan modieuzere deep learning-technieken voor langetermijnenergievoorspellingen. Belangrijker nog: beide benaderingen wijzen in dezelfde richting — een toekomst waarin zonne-energie centraal staat in de wereldwijde energievoorziening. Als regeringen deze groei koppelen aan beleid dat het gebruik van fossiele brandstoffen beperkt en opslag van energie, elektrische voertuigen en koolstofverwijdering ondersteunt, blijft een schoner en stabieler klimaat binnen handbereik.

Bronvermelding: Raza, M.A., Karim, A., Altayeb, M. et al. Global solar energy potential forecasting through machine learning and deep learning models. Sci Rep 16, 10466 (2026). https://doi.org/10.1038/s41598-026-41357-x

Trefwoorden: zonne-energie, hernieuwbare energie, energietransitie, klimaatverandering, machine learning