AI och batterilager: lÀrdomar frÄn Georgia Powers 9,9 GW

AI inom energi och hĂ„llbarhet‱‱By 3L3C

Georgia Power ska möjliggöra 9,9 GW ny kapacitet med stort fokus pÄ batterilager. LÀrdomar om AI, upphandling och smart nÀtplanering.

AIEnergilagringBESSSmarta elnÀtEnergiplaneringReglering
Share:

Featured image for AI och batterilager: lÀrdomar frÄn Georgia Powers 9,9 GW

AI och batterilager: lÀrdomar frÄn Georgia Powers 9,9 GW

NĂ€r ett elbolag pratar om 9,9 GW nya resurser handlar det inte om finlir – det Ă€r en systemombyggnad. Georgia Power och tillsynsmyndigheten i Georgia har i december 2025 enats om ett upplĂ€gg som ska möjliggöra en stor utbyggnad av elproduktion och batterilager (BESS), samtidigt som hushĂ„llens elrĂ€kningar enligt bolagets kalkyl ska pressas ned.

Det som gör caset intressant för oss i Sverige Ă€r inte att allt Ă€r kopierbart rakt av. Det intressanta Ă€r logiken: snabb efterfrĂ„geökning (bland annat frĂ„n datacenter), en reglerad marknad som behöver fatta beslut under osĂ€kerhet, och ett resursmixval dĂ€r energilagring fĂ„r en central roll. LĂ€gg till det viktigaste: detta Ă€r exakt den typ av miljö dĂ€r AI i energisystemet gĂ„r frĂ„n “nice to have” till praktiskt nödvĂ€ndigt.

I den hĂ€r delen av serien ”AI inom energi och hĂ„llbarhet” anvĂ€nder jag Georgia som ett verkligt exempel pĂ„ hur planering, upphandling och nĂ€tinvesteringar kan bli smartare – och vad svenska energibolag, kommuner och stora elförbrukare kan lĂ€ra sig.

Vad avtalet faktiskt innebĂ€r – och varför det spelar roll

Avtalet mellan Georgia Power och Public Interest Advocacy-staben hos Georgia Public Service Commission (PSC) Àr i grunden en kompromiss: bolaget fÄr tydligare spelregler för att bygga/upphandla kapacitet, och kunderna ska fÄ lÀgre kostnadsrisk.

KÀrnpunkter som Àr lÀtta att missa i nyhetsflödet:

  • Omfattning: cirka 9 900 MW resurser Ă€r under granskning.
  • Resursmix om det godkĂ€nns:
    • över 3 600 MW ny kombikraft pĂ„ naturgas
    • över 3 000 MW nya batterilager (BESS)
    • cirka 350 MW BESS + sol
    • över 2 800 MW via PPA (kraftköpsavtal)
  • Prissignal: i nĂ€sta stora “base rate case” (2028) ska bolaget utforma sin ansökan sĂ„ att det sĂ€krar minst 556 miljoner USD per Ă„r i extra intĂ€kter frĂ„n storkunder.
  • HushĂ„llseffekt: detta ska enligt upplĂ€gget kunna ge minst 8,50 USD/mĂ„nad lĂ€gre kostnad för en genomsnittlig hushĂ„llskund (1 000 kWh/mĂ„nad), alltsĂ„ cirka 102 USD/Ă„r.

Den hĂ€r typen av konstruktion sĂ€ger mycket om vad som hĂ€nder nĂ€r lasten vĂ€xer snabbare Ă€n nĂ€tet. Man försöker tydligt knyta nya investeringar till de som driver behovet – och samtidigt hĂ„lla politiskt acceptabla hushĂ„llspriser.

9,9 GW pĂ„ pappret Ă€r en sak – leveransförmĂ„ga Ă€r en annan

Ny kapacitet i MW Àr ett bekvÀmt mÄtt, men det Àr inte hela sanningen. Det som spelar roll i elsystemet Àr nÀr resurserna finns tillgÀngliga och hur de kan styras.

Varför batterilager hamnar i centrum

Batterilager gör tre saker som blivit mer vĂ€rdefulla 2024–2026, bĂ„de i USA och Europa:

  1. Kapacitetsstöd i toppar: de kan kapa effekttoppar utan att du mÄste bygga lika mycket nÀt eller spetsproduktion.
  2. Snabb frekvens- och stödtjÀnst: stabiliserar nÀtet nÀr variationen i produktion och förbrukning ökar.
  3. Energiförskjutning: flyttar energi frÄn timmar med lÄg kostnad/hög produktion till timmar med hög kostnad/lÄg produktion.

NĂ€r Georgia Power planerar >3 000 MW BESS plus ytterligare BESS+sol Ă€r det ett tecken pĂ„ att lagring inte lĂ€ngre behandlas som en sidoprodukt. Den blir en del av “basverktygslĂ„dan”.

Varför naturgas fortfarande byggs (och vad man kan tycka om det)

Det Ă€r lĂ€tt att vilja förenkla: “batterier och sol borde rĂ€cka”. Men en snabb vĂ€xande last (datacenter, industri, elektrifiering) krĂ€ver ofta en kombination av:

  • styrbar effekt (nĂ„got som kan gĂ„ nĂ€r det behövs)
  • snabba reserver (nĂ„got som kan reagera pĂ„ minuter/sekunder)
  • energi över lĂ€ngre perioder (dĂ€r batterier i dag ofta Ă€r 2–6 timmar, beroende pĂ„ design)

Min take: gasutbyggnad Ă€r ofta en försĂ€kring mot leveransrisk nĂ€r beslutshorisonten Ă€r kort och lasttillvĂ€xten Ă€r aggressiv. FrĂ„gan Ă€r hur man gör försĂ€kringen temporĂ€r – och hur snabbt man kan byta ut rollen med mer lagring, flexibilitet, efterfrĂ„gestyrning och andra resurser.

Den verkliga motorn: upphandling och kostnadsoptimering

Avtalet pekar pĂ„ att resurserna ska vara “cost-effective” och i huvudsak upphandlas via konkurrensutsatta processer. Det lĂ„ter administrativt, men det Ă€r hĂ€r pengar sparas eller brĂ€nns.

Konkurrensutsatta upphandlingar fungerar – om kraven Ă€r smarta

En upphandling (RFP) kan pressa pris, men bara om du:

  • specificerar prestanda (tillgĂ€nglighet, ramp-hastighet, cykling, livslĂ€ngd) snarare Ă€n bara MW
  • sĂ€tter tydliga regler för interconnection och nĂ€tanslutning
  • vĂ€ger in systemvĂ€rde (t.ex. lokal nĂ€tavlastning) och inte bara lĂ€gsta anbudspris

Georgia Power har redan fÄtt godkÀnt för en RFP kopplad till sin IRP som inkluderar 500 MW BESS. Det Àr ett konkret exempel pÄ att lagring behandlas som en resurs man kan upphandla och standardisera, inte bara som pilotprojekt.

DÀr AI faktiskt gör skillnad i upphandling

AI Ă€r inte ett magiskt verktyg som “sĂ€nker elpriset”. Men i upphandling och planering finns tydliga, mĂ€tbara vinster:

  • Lastprognoser per nod/omrĂ„de: bĂ€ttre prognoser gör att du kan köpa rĂ€tt resurs pĂ„ rĂ€tt plats.
  • Scenarioanalys i IRP: AI-stödda modeller kan snabbare testa tusentals kombinationer av last, brĂ€nslepris, vĂ€derĂ„r och tillstĂ„ndsförseningar.
  • Optimering av portfölj: vĂ€lja mix av BESS, PPA och styrbar produktion som minimerar kostnad under risk.

En bra tumregel: ju mer osĂ€kerhet, desto större vĂ€rde av bĂ€ttre prognoser. Och osĂ€kerheten Ă€r just nu hög – bĂ„de i pris, tillstĂ„nd och efterfrĂ„gan.

Datacenter och “storkundseffekten”: rimligt eller riskabelt?

Avtalet bygger pÄ idén att stora elförbrukare ska bÀra mer av investeringskostnaden, vilket i sin tur ska ge lÀgre kostnader för hushÄll.

Det hĂ€r Ă€r logiskt – men inte riskfritt.

Varför upplÀgget kan fungera

Om storkunder (t.ex. datacenter) stÄr för en stor del av lastökningen och samtidigt betalar en större del av intÀktsbehovet:

  • minskar trycket pĂ„ hushĂ„llstariffer
  • skapas finansieringsutrymme för nĂ€t och kapacitet
  • kan det ge en mer “rĂ€ttvis” kostnadsfördelning

TvÄ risker som svenska aktörer bör kÀnna igen

  1. Lasten Àr mer flyttbar Àn man tror. Datacenter kan etablera sig snabbt och i vissa fall flytta expansion. Om man bygger dyr infrastruktur med antagandet att lasten stannar, mÄste tariffdesignen ha skydd (minimiÄtaganden, effektabonnemang, anslutningsavgifter).
  2. Regulatorisk legitimitet blir allt. Citatet i nyhetsunderlaget om att tillsynsmyndigheter ofta saknar energisystemexpertis pekar pÄ en klassiker: nÀr besluten blir tekniskt svÄra ökar risken för fel incitament. HÀr behövs transparens och robusta modeller.

För svensk del syns samma spĂ€nning i diskussioner om effekttariffer, nĂ€tköer och anslutningsvillkor för industri och datacenter. Skillnaden Ă€r att vĂ„ra marknadsregler och nĂ€tstruktur ser annorlunda ut – men behovet av smart tariffdesign Ă€r universellt.

Tre praktiska lĂ€rdomar för Sverige: sĂ„ blir energiplaneringen mer “AI-klar”

Georgia-caset visar att teknik, reglering och affÀrsmodeller mÄste klicka ihop. HÀr Àr tre saker jag tycker svenska energibolag, kommuner och större fastighets-/industriförvaltare kan göra redan 2026.

1) Planera för effekt, inte bara energi

MÄnga organisationer följer kWh och glömmer kW. Men nÀtets flaskhalsar Àr ofta effektrelaterade.

Gör detta:

  • kartlĂ€gg effekttoppar per timme och sĂ€song
  • identifiera “dyra timmar” dĂ€r flexibilitet eller lagring ger mest vĂ€rde
  • sĂ€tt interna KPI:er för peak shaving (t.ex. sĂ€nka topp 10 timmar per mĂ„nad)

2) Bygg en portfölj: lagring + flexibilitet + avtal

Det rÀcker sÀllan med en enda lösning.

En robust portfölj för en region eller större kund kan vara:

  • BESS för snabba toppar och stödtjĂ€nster
  • PPA eller lĂ„ngsiktiga elavtal för prisstabilitet
  • efterfrĂ„geflexibilitet (styrning av HVAC, processer, laddning)

AI hjĂ€lper hĂ€r genom att optimera nĂ€r resurserna ska anvĂ€ndas – och genom att kvantifiera risk (pris, tillgĂ€nglighet, volym).

3) KrĂ€v “modelltransparens” nĂ€r besluten blir politiska

NÀr investeringar och tariffer ska motiveras offentligt mÄste beslutsunderlaget vara begripligt.

Ett enkelt kravpaket vid AI-stödd planering:

  • tydlig beskrivning av data (kĂ€llor, kvalitet, tidsupplösning)
  • dokumenterade antaganden (vĂ€derĂ„r, brĂ€nslepris, anslutningstider)
  • stress-tester: “vad hĂ€nder om lasten blir 30% lĂ€gre/högre?”

Det Àr sÄ man bygger förtroende för bÄde investeringar och AI.

Vanliga följdfrÄgor (och raka svar)

Är 3 000 MW batterilager “mycket”?

Ja. Det Àr en nivÄ dÀr lagring blir en av de största nya resurskategorierna i portföljen, inte ett sidospÄr.

Betyder batterilager lÀgre elpris för alla?

Inte automatiskt. Lagring sÀnker kostnader nÀr den ersÀtter dyra toppar, minskar nÀttrÀngsel eller levererar stödtjÀnster. Men fel placerad eller fel dimensionerad lagring kan bli dyr.

Vad har detta med AI att göra?

NÀr portföljen blir mer komplex (BESS, PPA, styrbar produktion, flexibilitet) rÀcker inte magkÀnsla. AI-stödda prognoser och optimering Àr det som gör att resurserna anvÀnds rÀtt timme, pÄ rÀtt plats.

NĂ€sta steg: frĂ„n “mer kapacitet” till smartare kapacitet

Georgia Powers överenskommelse Ă€r ett tydligt tecken pĂ„ vart elsystemen Ă€r pĂ„ vĂ€g: snabb lastökning krĂ€ver bĂ„de nya resurser och bĂ€ttre styrning. Att man kombinerar batterilager, kraftköpsavtal och styrbar produktion Ă€r pragmatiskt. Att man försöker fördela kostnader mot storkunder Ă€r politiskt och ekonomiskt logiskt – men mĂ„ste göras med öppenhet och bra riskhantering.

För oss som jobbar med AI inom energi och hÄllbarhet Àr budskapet krasst: systemen byggs just nu om i realtid. De aktörer som vinner Àr de som kan förutsÀga efterfrÄgan, optimera resursmixen och bevisa vÀrdet med data som gÄr att granska.

Om du skulle designa din egen “9,9 GW-plan” för en svensk region – vilken del hade du AI-optimerat först: lastprognosen, upphandlingen, driftoptimeringen eller tariffmodellen?