AI-optimerade batterier: så tjänar BESS pengar i elnätet

Ett batterilager på 155 MW/298 MWh har precis börjat handla el i Australiens nationella elmarknad. Det låter som en teknisk fotnot – men det är i praktiken en tydlig signal om vart elnäten är på väg: stora batterier blir både “kraftverk” och “försäkring” på samma gång, och de styrs allt oftare av mjukvara som bygger på prognoser, optimering och AI.

Akaysha Energys Ulinda Park BESS i Queensland är nu i drift och deltar i två av de mest intressanta intäktsströmmarna för batterier: energiarbitrage (lastflytt) och stödtjänster för frekvens (FCAS). Det här är exakt den typ av verklig driftmiljö där AI gör konkret nytta – inte som en buzzword, utan som en uppsättning metoder som förbättrar beslut minut för minut.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag Ulinda Park som språngbräda för att förklara:

• varför stora batterilager blir centrala i smarta elnät,
• hur intäkterna faktiskt skapas (och varför det är svårare än det låter),
• vilken roll AI har i optimering, risk och drift,
• och vad svenska energibolag, industrier och investerare kan ta med sig.

Ulinda Park visar vad ett modernt batteri faktiskt gör

Ulinda Park BESS är operational och handlar i NEM (Australiens största sammankopplade elmarknad). Första fasen är 155 MW/298 MWh och en planerad utbyggnad adderar 195 MW/780 MWh, vilket tar sajten till totalt 350 MW och 1 078 MWh.

Det som gör projektet extra relevant för oss i Sverige är inte geografin – utan affärslogiken:

• Batteriet använder befintlig nätinfrastruktur (tidigare kopplad till fossil produktion), vilket minskar ledtider.
• Det deltar i både energimarknaden och frekvensmarknader.
• Det är kopplat till en intäktsmodell med riskhedging/”revenue swap” över 10 år, så att kapital kan mobiliseras i större skala.

Det här är en bra påminnelse: det är inte battericellerna som avgör om ett BESS blir lönsamt. Det är kombinationen av marknadsdesign, mjukvara, riskhantering och driftdisciplin.

Energiarbitrage: enkel idé, svår verklighet

Arbitrage är i grunden köp billigt, sälj dyrt. I el handlar det ofta om att ladda när priserna är låga (t.ex. mitt på dagen vid hög solproduktion) och urladda när priserna är höga (t.ex. kvällstopp).

Men verkligheten är full av friktion:

• Rundverkningsgrad (du förlorar energi i laddning/urladdning).
• Degradering (varje cykel sliter på batteriet).
• Nätbegränsningar (du får inte alltid ut den effekt du vill).
• Prisrisk (priser kan skifta snabbt på grund av väder, fel, flaskhalsar).

Det är här AI-driven optimering blir praktisk. För att arbitrage ska vara lönsamt måste du lösa ett återkommande problem: hur mycket ska jag ladda/urladda nu, givet att jag vill tjäna pengar senare – och samtidigt vara redo för stödtjänster?

FCAS: pengar för att vara snabb och stabil

FCAS (Frequency Control Ancillary Services) handlar om att hjälpa elnätet hålla frekvensen stabil. Batterier har en stor fördel: de kan reagera subsekundsnabbt jämfört med många konventionella resurser.

Det betyder att ett BESS kan tjäna pengar på att:

• hålla kapacitet i beredskap,
• leverera snabb upp- eller nedreglering,
• och stötta nätet vid störningar.

I ett elsystem med mer vind och sol blir frekvensstöd inte ”nice to have”. Det blir en hygienfaktor.

Där AI gör skillnad: från prisprognos till realtidsbeslut

AI i batterilager handlar sällan om en enda magisk modell. Det handlar om en kedja av beslut där varje länk måste hålla.

Här är de tre mest värdeskapande nivåerna jag ser i praktiken.

1) Prognoser: pris, last, förnybart och nätstatus

Batteriet tjänar på att ligga rätt före marknaden. Prognoser kan byggas med allt från klassiska tidsseriemodeller till maskininlärning.

Typiska input till en AI-baserad prognosstack:

• väderprognoser (vind/sol, temperatur),
• historiska spot- och intradagpriser,
• lastmönster (veckodagar/helger/säsong),
• planerade och oplanerade avbrott,
• begränsningar i nät (flaskhalsar).

Poängen är inte att förutspå exakt rätt pris varje timme. Poängen är att bli bättre på sannolikheter och därmed ta bättre positioner.

2) Optimering: när arbitrage och stödtjänster krockar

Ett stort batteri kan sällan maximera allt samtidigt. Om du urladdar fullt i energimarknaden kan du tappa möjligheten att leverera frekvensstöd minuter senare.

Det som funkar är en optimeringsmotor som:

• räknar på förväntad intäkt per MWh (energi) och per MW (tjänster),
• tar hänsyn till degraderingens kostnad,
• respekterar SoC-gränser (State of Charge),
• och lägger in riskpremier när osäkerheten är hög.

I avancerade upplägg används reinforcement learning eller stokastisk optimering, men ofta räcker det långt med en välbyggd blandning av prognoser + linjär/icke-linjär optimering – om den är väl integrerad i drift.

Ett batteri utan bra optimering är som en tradingdesk utan riskkontroll: det kan gå bra en vecka och riktigt dåligt nästa.

3) Realtidsstyrning: millisekunder, inte möten

När batteriet väl är budat och positionerat krävs realtidslogik för att:

• följa frekvenssignaler,
• hantera rampbegränsningar,
• undvika termiska toppar,
• och upptäcka avvikelser innan de blir incidenter.

Här får AI en annan roll: anomalidetektion och prediktivt underhåll. Ett transformerfel i slutet av driftsättning (som ett annat stort australiskt BESS-projekt drabbades av) är en dyr påminnelse om att den fysiska infrastrukturen är lika kritisk som algoritmerna.

Finansiering och risk: därför blir “revenue swap” intressant

Ulinda Park knöts tidigt till ett 10-årigt riskhedging-upplägg där en motpart säkrar kontrakterade intäkter samtidigt som utvecklaren kan fortsätta optimera och handla i marknaden.

Det här spelar stor roll för leadsgenerering inom energitech och AI: när kapitalmarknaden tittar på batterier vill den se att intäktsprofilen inte bara bygger på “vi tror vi kan tjäna på volatilitet”. Den vill se:

• robusta scenarier,
• tydliga riskramverk,
• transparent styrning,
• och bevisad driftförmåga.

AI blir då inte en “smart feature”, utan en del av bankbarheten: kan ni visa att ni systematiskt hanterar prognosfel, prissvängningar och driftsrisker?

Politikens påverkan: investeringar kan tvärnita

Samma nyhetsflöde som lyfter en ny batteridrift i Queensland visar också en hård verklighet: investeringar i stora projekt kan minska snabbt när signalerna blir otydliga.

I Queensland pekar branschanalys på ett fall i investeringar i storskalig förnybart + lagring med 74% på ett år, i en kontext där energipolitiken ändrat riktning (bland annat genom att fortsätta driften av kolkraft längre och dra tillbaka stöd för vissa projekt).

För Sverige och Norden är lärdomen inte att kopiera Australiens marknadsmodell. Lärdomen är enklare:

• Batterier kräver förutsägbarhet: tillstånd, nätanslutning, stödtjänstmarknader, regelverk.
• AI kräver data och marknadsaccess: utan bra mätning, historik och tydliga produkter blir optimering mest teori.

Det är också här smarta elnät blir ett systemproblem. När investerare tvekar tappar vi tempo, och då blir både elektrifiering och utsläppsminskning dyrare.

Så kan svenska aktörer använda samma logik (utan att bygga 1 GWh direkt)

Du behöver inte äga ett gigantiskt BESS för att ha nytta av AI-metoderna bakom Ulinda Park. Samma principer går att tillämpa i mindre skala.

För energibolag och flexibilitetsaktörer

Fokusera på en styrkedja som går att revidera snabbt:

1. Datagrund: mätning per sekund/minut där det behövs, plus tydlig datamodell.
2. Prognoser: prissannolikheter, inte bara punktprognoser.
3. Optimering: gemensam motor för energi + stödtjänster + degradering.
4. Riskramverk: begränsa “tail risk” (dyra extremutfall).

För industri och fastigheter (bakom mätaren)

Om du har effektavgifter, produktionsvariation eller reservkraftbehov kan du använda batteri + AI för att:

• kapa effekttoppar,
• öka egenanvändning av sol,
• och sälja flexibilitet när marknaden tillåter.

Det som ofta missas är att “smart styrning” inte är ett projekt du gör en gång. Det är en driftförmåga.

För investerare och beslutsfattare

Ställ tre frågor innan du går vidare:

• Hur ser intäktsmixen ut mellan energi, stödtjänster och andra marknader?
• Hur bevisar teamet att optimeringen fungerar i verklig drift?
• Vilken plan finns för cyberrisk, datakvalitet och prediktivt underhåll?

Praktiska takeaways: så ser en AI-driven BESS-playbook ut

Om jag skulle koka ner det till en enkel playbook för ett batterilager som ska tjäna pengar och stötta elnätet skulle den se ut så här:

• Bygg för flera intäkter: arbitrage + stödtjänster ger stabilare kassaflöde.
• Optimera med degradering som “kostnad”: annars överkör du batteriet för små marginaler.
• Kör sannolikhetsbaserade prognoser: planera för fel, inte för perfektion.
• Inför tydliga drift-KPI:er: precision i bud, avvikelser, respons, tillgänglighet.
• Använd AI för underhåll, inte bara trading: utrustningsfel är en av de dyraste riskerna.

Det är också ett bra sätt att knyta ihop energi och hållbarhet: ett batteri som används smart behöver färre “onödiga cykler”, håller längre och ger mer nytta per investerad krona.

Nästa steg för smarta elnät: mer mjukvara, mer disciplin

Ulinda Park är ett bra exempel på hur storskalig energilagring går från planeringsdokument till faktisk marknadsaktör. Och det är ett lika bra exempel på varför AI inom energi och hållbarhet handlar om mer än modeller: det handlar om att bygga system som går att lita på när elnätet är stressat.

Vill du göra något konkret redan i Q1 2026? Börja med att kartlägga var ni tjänar eller förlorar pengar på osäkerhet: pris, prognoser, driftsavvikelser, degradering. Där finns oftast den snabbaste vägen till både lönsamhet och klimatnytta.

När allt fler batterier kopplas in blir nästa stora fråga inte om lagring behövs – utan vem som kan styra lagringen bäst när det verkligen gäller.