AI som minskar batteriers risk i elmarknadens regler

Den 2025-12-05 hände något som borde få varje batteriutvecklare, elhandlare och nätansvarig att stanna upp: en enskild marknadsregeländring i Texas fick priserna för vissa stödtjänster att skjuta i höjden – trots att belastning och driftläge på elnätet såg rätt “normalt” ut. För en stödtjänst (non-spin reserve) steg dag-före-priset till nästan 78, jämfört med 25 bara fyra dagar tidigare under liknande förutsättningar. Det är inte en liten svängning. Det är ett varningstecken.

Texas (ERCOT) har under flera år varit den mest snabbväxande batterimarknaden i USA. Batterier har varit duktiga på att pressa priser, bidra med snabb respons och göra elnätet mer stabilt. Men när ERCOT nu rullar ut real-time co-optimization plus batteries (RTC+B) skapas en ny typ av osäkerhet: batterier kan plötsligt hamna i en situation där de får en skyldighet i stödtjänstmarknaden, men blir omoptimerade till energimarknaden – och riskerar straffavgifter om de inte kan leverera.

Här kommer min tydliga ståndpunkt: det här är precis den sortens problem som AI är bra på att lösa – inte genom att “göra allt automatiskt”, utan genom att göra risk och konsekvens mätbar i realtid. Om vi vill ha fler batterier, mer förnybart och ett stabilare elsystem (i Texas, Sverige och resten av Europa), behöver vi smartare beslutsstöd som kan tolka regler, prognoser och driftdata samtidigt.

Vad händer i Texas – och varför skakar det batterimarknaden?

RTC+B gör att stödtjänster och energi optimeras samtidigt i realtid, vilket kan flytta resurser mellan marknader på ett sätt som är svårt att förutse. I teorin ökar effektiviteten: systemoperatören kan använda tillgängliga resurser där de gör mest nytta, minut för minut.

I praktiken skapar det en ny riskprofil för batterier. Tidigare kunde en batteriägare mer robust planera sin laddnivå (state of charge) för timbaserade åtaganden. Med RTC+B sker upphandling och aktivering oftare (var femte minut), och kraven på minsta laddnivå för att kvalificera till vissa stödtjänster har skärpts.

“Osynliga” risker: när optimering blir oförutsägbar

En batterioperatör kan lägga bud i dag-före-marknaden för stödtjänster (för att få bättre betalt), men om batteriet senare omoptimeras in i energimarknaden kan laddningen “ätas upp”. När nästa stödtjänstförpliktelse kommer kan batteriet stå där med fel laddnivå. Missad leverans = ekonomiskt straff.

Det här är en annan typ av risk än bränslepris eller kapacitetsrisk. Det är regel- och algoritmrisk.

Varför spelar det roll för konsumenterna?

När batterier drar sig ur stödtjänster minskar konkurrensen. Då kliver ofta långsammare, dyrare och fossilbaserade resurser fram. I artikeln syns det direkt i prissignalerna: den “lågstatus”-tjänst som kräver längre uthållighet (non-spin) blev plötsligt dyrast. Det är en marknad som signalerar att något är skevt.

Och när stödtjänster blir dyrare påverkas ofta även energipriser indirekt. Resultatet? Högre kostnader som till slut landar hos elkunderna.

Varför batterier pressat priser – och varför en regel kan ändra allt

Batterier har dominerat stödtjänster eftersom de är snabba, precisa och inte behöver bränsle. I Texas har de dessutom konkurrerat i en marknadsdesign som belönat flexibilitet.

Men regeländringar kan flytta “spelplanen” över en natt.

Batteriets styrka är hastighet – men marknaden betalar också för uthållighet

En viktig detalj i Texas: vissa stödtjänster kräver att resursen kan leverera under längre tid (t.ex. fyra timmar). Många batterier är byggda för kortare varaktighet. När kraven på minsta laddnivå och uthållighet tillämpas striktare, försvinner batteriers prisfördel i vissa produkter.

Det betyder inte att batterier blir irrelevanta. Det betyder att de behöver:

• bättre prognoser för laddnivå och aktiveringsrisk
• smartare budstrategi
• mer avancerad optimering mellan energi och stödtjänster

Det är här AI i energi och hållbarhet går från “intressant” till “nödvändigt”.

AI i elmarknader: så kan osäkerhet bli hanterbar

AI kan minska risken för straffavgifter genom att förutsäga sannolik omoptimering, styra laddnivåer och anpassa bud i realtid. Men AI måste byggas för marknadslogik, inte bara för teknik.

1) Prediktiva modeller för omoptimering och aktivering

Batterioperatörer behöver en sannolikhetsbild: Hur troligt är det att min resurs flyttas från stödtjänst till energi de kommande 1–6 timmarna? Det går att modellera med maskininlärning som kombinerar:

• lastprognoser (kort sikt)
• vind- och solprognoser
• historiska pris- och aktiveringsmönster
• driftstörningar (t.ex. termiska bortfall)
• marknadsläge (spreads mellan produkter)

Poängen är inte att gissa perfekt. Poängen är att prissätta risken och bygga marginaler.

2) Optimering av state of charge som en riskbudget

Under RTC+B blir laddnivå inte bara en teknisk parameter – den blir en ekonomisk buffert. En bra AI-strategi behandlar SoC som en “riskbudget”:

• håll en miniminivå som skyddar framtida åtaganden
• utnyttja uppsida när aktiveringsrisken är låg
• styr laddning/utladdning baserat på förväntade straffkostnader, inte bara spotpris

En användbar tumregel i praktiken: optimera mot förväntad marginalintäkt minus förväntad straffkostnad, inte mot intäkt ensam.

3) Budstrategi som lär sig av marknadsregler (inte bara data)

Många företag gör misstaget att tro att mer data automatiskt ger bättre bud. Men i marknader som Texas är regler och produktdefinitioner minst lika viktiga.

Det som fungerar bäst är ofta en hybrid:

• regelmotor som säkerställer att bud ligger inom krav (varaktighet, SoC, ramp, etc.)
• AI-modell som förutspår pris och aktiveringsrisk
• optimeringsalgoritm som väljer budportfölj mellan energi och stödtjänster

Den kombinationen ger både regelefterlevnad och adaptiv strategi.

Ett rakt påstående som håller i verkligheten: I en co-optimerad elmarknad är “set and forget” inte en strategi – det är en förlustplan.

Så undviker marknaden att skrämma bort batterier (och varför det är relevant i Sverige)

Marknadsdesign måste ge tydliga incitament, annars får vi färre flexresurser och högre priser. Texas är ett extremt fall, men mekanismen är universell: när osäkerhet och straffrisk ökar snabbare än intäktspotentialen så minskar deltagandet.

Vad systemoperatörer kan göra

Jag tycker att tre åtgärder är mest träffsäkra, oavsett land:

1. Tydligare transparens om optimeringslogik: inte all kod, men tydliga principer och simuleringar.
2. Gradvis införande med “sandbox”-period: där straffavgifter dämpas medan marknaden lär sig.
3. Produktdesign som matchar tekniken: om batterier är snabba men ofta 1–2 timmar, bygg produkter som värderar snabbhet utan att överbetala uthållighet.

Vad batteriägare och utvecklare kan göra redan nu

För att skydda intäkter och minska risken under nya regler brukar det här fungera:

• bygg en intern “riskdesk” även i mindre organisationer (kan vara 1–2 personer med rätt verktyg)
• simulera regler i efterhand och kör what-if på budhistorik
• separera strategi per produkt (reglering, reserver, energi) istället för en gemensam modell
• investera i AI-baserad driftoptimering som kan fatta beslut var 5:e minut

Det här är också en viktig lärdom för Sverige när flexibilitet, stödtjänster och batterier blir allt mer centrala. Svenska aktörer rör sig mot mer realtidsnära styrning, mer frekvensmarknader och mer lokal nätflex. Regelkomplexitet kommer att öka även här, och då blir AI-baserade beslutsstöd en konkurrensfördel.

Snabba svar på vanliga frågor (som alltid kommer upp)

Är RTC+B “dåligt” för batterier?

Det är inte binärt. RTC+B kan öka effektiviteten i systemet, men det flyttar risk till batteriägare på ett sätt som kan minska deltagandet om inte strategier och incitament hänger med.

Varför blir priserna högre om batterier backar från stödtjänster?

För att konkurrensen minskar och andra resurser (ofta termiska kraftverk) tar plats. De har högre rörliga kostnader och ofta sämre dynamik, vilket driver upp clearingpriser.

Kan AI verkligen minska straffavgifter?

Ja – genom att förutsäga aktivering/omoptimering och hålla rätt laddmarginaler. AI ersätter inte marknadskunskap, men den kan göra den skalbar och konsekvent.

Nästa steg: från “regelchock” till smartare elnät

Texas visar hur snabbt en marknad kan gå från batteriboost till batteritvekan när regler och risk ändras. Den viktiga poängen för vår serie AI inom energi och hållbarhet är enkel: när elsystemet blir mer dynamiskt måste besluten bli mer datadrivna. Annars tappar vi flexibilitet precis när vi behöver den.

Vill du bygga en batteriverksamhet som tål nya marknadsregler? Börja med att kartlägga var straffrisk uppstår, vilka signaler som föregår omoptimering och hur ofta du egentligen behöver fatta beslut. Sedan: bygg en AI- och optimeringsstack som klarar realtid på riktigt.

Frågan som avgör 2026 är inte om batterier behövs. Frågan är: vem vågar vara kvar i marknaden när reglerna ändras – och vem har AI-stödet som gör risken hanterbar?