AI-styrda batteriincitament som ersätter nya kraftverk

När elbehovet toppar handlar det sällan om “lite mer el” – det handlar om minuter och timmar då hela systemet pressas. I det läget är det dyrt att bygga för säkerhets skull: nya spetslastresurser, förstärkta nät, större marginaler överallt. Duke Energy i North Carolina väljer en annan väg: betala kunder för batterier och få tillgång till kapaciteten vid behov. Det är en tydlig signal om vart elmarknaden rör sig 2025: från centralt byggda kraftverk till distribuerad, AI-styrd flexibilitet.

För oss som jobbar med AI inom energi och hållbarhet är det här extra intressant. Incitamenten är bara halva berättelsen. Den andra halvan är styrningen: prognoser, optimering, styrsignaler och uppföljning – alltså exakt det som AI och smarta elnät är bra på.

Batterier som “virtuella kraftverk” är en kostnadsfråga, inte en hype

Ett virtuellt kraftverk (VPP) är i praktiken en styrmodell: många små resurser (batterier, solceller, laddboxar, flexibilitet i fastigheter) samlas ihop och kan agera som en större resurs. Poängen är konkret: samma nytta som ett kraftverk vid topplast, men utan att bygga ett kraftverk.

Duke Energy har redan testat detta med hushåll: man betalar ut stöd för batterier kopplade till solceller och får rätt att “tappa” batterierna ett begränsat antal gånger per år när efterfrågan är som högst. I pilotprogrammet handlar det om 30–36 aktiveringar per år. Det räcker ofta långt, eftersom topparna är få men dyra.

Det intressanta i Duke-fallet är att bolaget nu vill skala logiken till företag, kommuner och ideella verksamheter – där effekten per installation kan bli betydligt större och där styrbarheten ofta är mer professionell.

Varför detta blir extra relevant vintern 2025

Vi går in i en vinterperiod där flexibilitet är guld värd: korta toppar, hög belastning och samtidigt ökande elbehov från digitalisering och elektrifiering. I USA syns det tydligt via datacenter och andra stora laster som driver upp behovet av kapacitet. Sverige har andra förutsättningar, men samma mekanik: lokala flaskhalsar och effekttoppar är det som kostar.

Min ståndpunkt: kapacitetsproblemet löses snabbast genom styrning och incitament – inte genom att bara bygga mer. Bygga behövs också, men det är långsammare och kapitaltyngre.

Duke-modellen: betala för kapacitet och minska behovet av nya anläggningar

Dukes förslag för icke-bostadskunder (”Non-Residential Storage Demand Response Program”) är uppbyggt för att göra två saker samtidigt:

1. Snabba på investeringar i batterier hos kunder som annars tvekar.
2. Göra batterierna användbara för elsystemet via ett avtal om tillgänglighet och aktivering.

I siffror (som är bra att ha med sig när man utvärderar liknande upplägg):

• Stöd per installerad batterikapacitet: 120 USD per kW (plus 30 USD per kW om batteriet kombineras med solceller)
• Exempel på löpande ersättning: cirka 250 USD per månad för ett 100 kW-batteri som kan aktiveras upp till 36 gånger per år (med möjlighet till extra ersättning vid faktisk urladdning)
• Förväntad omfattning efter fem år: 26 MW batterikapacitet
• Påstådd systemnytta: undvika nästan 28 MW ny kraftverkskapacitet för topplast
• Ekonomi enligt Duke: 13,6 MUSD i besparingar jämfört med 11,8 MUSD i programkostnader

Det här är kärnan: incitamenten är utformade för att köpa kapacitet billigare än att bygga den.

“Capability factor” och varför AI blir avgörande

En detalj i upplägget säger mycket om verkligheten i VPP-program: Duke justerar ner kapacitetsersättningen eftersom man antar att en andel deltagare inte kommer hålla systemen redo. Kritiker kallar det “kollektiv bestraffning”. Oavsett etikett pekar det på samma sak:

• VPP kräver förtroende för att resurserna faktiskt levererar.
• Mätning, verifiering och prediktion blir helt centralt.

Det är här AI kommer in på riktigt. Med bättre driftdata och bättre modeller kan man:

• förutsäga sannolik leverans per site
• upptäcka batterier som degraderar eller felkonfigureras
• sätta ersättning baserat på faktisk tillgänglighet och historik

Resultatet blir mer rättvist för kunderna och mer pålitligt för systemoperatören.

Så fungerar AI-styrning i praktiken i ett virtuellt kraftverk

AI i VPP är inte magi. Det är ett paket av ganska jordnära metoder som tillsammans gör att hundratals batterier kan bete sig som en resurs du kan räkna med.

1) Prognoser: när kommer topparna och var uppstår de?

Lastprognoser är första byggstenen. För att kunna planera aktiveringar behöver man veta när och hur länge effekttopparna kommer. På lokal nivå behövs dessutom nätprognoser: var i nätet finns risk för överlast, spänningsproblem eller dyra flaskhalsar.

AI-baserade prognoser använder ofta:

• väderdata (temperatur, vind, molnighet)
• historisk last
• kalender- och beteendemönster
• (allt oftare) data från stora nya laster som datacenter eller laddinfrastruktur

2) Optimering: vem ska laddas ur – och när?

När du väl vet att ett toppfönster kommer uppstår nästa fråga: vilka batterier ska aktiveras?

Här behövs optimering med begränsningar, till exempel:

• batteriets State of Charge (SoC)
• kundens krav (reservkraft, komfort, drift)
• max antal aktiveringar per år
• nätbegränsningar lokalt
• batteriets åldrande (cykler kostar)

Bra VPP-styrning optimerar inte bara “mest kW nu”, utan lägsta totalkostnad över tid, inklusive batterihälsa och kundnytta.

3) Mätning och verifiering: levererade vi verkligen effekt?

För att programmet ska vara hållbart behöver du kunna svara på två frågor:

• Levererade batteriet avtalad effekt vid rätt tid?
• Vad var alternativet (baseline) om batteriet inte hade aktiverats?

AI kan hjälpa genom att modellera baseline mer rättvist och upptäcka avvikelser, vilket minskar konflikter och gör ersättningen mer transparent.

Ett virtuellt kraftverk blir trovärdigt först när du kan mäta det som om det vore en fysisk anläggning.

Vad svenska energibolag och fastighetsägare kan lära av Duke

Duke-fallet är amerikanskt, men lärdomarna översätter väl till svenska förhållanden där elnätets lokala kapacitetsbrist ofta bromsar etableringar och elektrifiering.

För energibolag och nätbolag: designa incitament som ger styrbarhet

Om jag skulle plocka ut tre designprinciper från Duke-upplägget är det dessa:

1. Betala för tillgänglighet (kapacitet), inte bara för installation. Engångsstöd hjälper adoption, men löpande ersättning driver driftsäkerhet.
2. Tillåt batterier även utan ny solinstallation. Det öppnar för retrofits i kommuner och kommersiella fastigheter.
3. Sätt begränsningar som speglar faktisk systemnytta. Caps kopplade till kundens topplast eller anslutningsstorlek är ofta mer logiska än ett godtyckligt tak.

För fastighetsägare och industrin: batterier är lika mycket ekonomi som hållbarhet

Många investerar i batterier av hållbarhetsskäl, men affären blir tydligare om man räknar på flera intäktsströmmar samtidigt:

• effektavgifter och toppkapning
• reservkraft och driftsäkerhet
• deltagande i flexibilitetsprogram (VPP/demand response)
• optimering med solceller och laddning

Det som ofta saknas är kompetensen att styra detta dag för dag. Där är AI-baserad energistyrning en praktisk investering: den gör att batteriet inte blir en dyr pryl i ett teknikrum, utan en aktiv resurs.

“People also ask”: Är det säkert att låta någon annan styra mitt batteri?

Ja, om avtalen och tekniken är rätt gjorda. Nyckeln är:

• tydliga gränser för aktivering (tider, antal, minsta SoC)
• lokal fallback: kunden måste kunna prioritera sin drift
• transparens: loggning av varje aktivering och ersättning
• cybersäkerhet och segmenterade styrsystem

Det är fullt rimligt att vara skeptisk – särskilt när incitamenten är nya. Men med bra styrning blir det här lika normalt som att ha fjärrvärmeavtal eller effektabonnemang.

Vägen till leads: så kommer du igång med AI för batteri- och flexibilitetsstyrning

Om du sitter med en portfölj av fastigheter, en industriell site eller ett energibolag som vill köpa flexibilitet, är nästa steg inte “köp ett batteri”. Nästa steg är att skapa beslutsunderlag.

Här är en enkel startplan jag har sett fungera i verkliga projekt:

1. Kartlägg topplaster och effektkostnader (minst 3–6 månaders högupplöst mätdata).
2. Identifiera flexibilitetsresurser: batterier (befintliga/planerade), ventilation, kyla, laddning, reservkraft.
3. Simulera tre scenarier: bara toppkapning, VPP-deltagande, kombinerad optimering (AI).
4. Sätt upp KPI:er: kW reducerad toppeffekt, kr/MWh sparat, antal aktiveringar, batterihälsa.
5. Välj styrstrategi: regelbaserad (enkelt) eller AI-optimerad (mer värde när komplexiteten ökar).

Vill du driva detta som ett program (snarare än ett pilotprojekt) behöver du dessutom en modell för mätning/verifiering och en tydlig datastruktur. Det är där många tappar fart.

Batteriincitament + AI är den snabbaste vägen till mer kapacitet

Duke Energys förslag visar något som fler aktörer kommer landa i: det blir billigare att köpa flexibilitet från kunder än att bygga bort varje topp med ny produktion och ny nätkapacitet. Men det fungerar bara när resurserna går att planera och lita på.

AI är därför inte ett sidospår här. AI är det som gör att tusentals små batterier kan uppträda som en resurs som driftcentralen faktiskt vågar använda.

Om fler länder och bolag följer efter, kommer frågan skifta från “ska vi ha virtuella kraftverk?” till “vilka aktörer kan styra dem mest robust och mest rättvist?”. Var hamnar din organisation i den utvecklingen under 2026?