AI som skydd mot osäkra regler för batterilager

Den 2025-12-05 gjorde Texas elnätsoperatör ERCOT en regeländring som på pappret skulle sänka kostnaderna med över 1 miljard dollar per år. Utfallet dag 1 blev i stället ett varningstecken: priserna i vissa stödtjänster sköt i höjden, trots ”helt vanlig” väderlek.

Det här är inte bara en Texas-historia. Det är en berättelse om hur marknadsdesign och regelstabilitet påverkar investeringar i batterilager – och om varför AI i energisystem inte kan leverera full effekt när spelreglerna blir svårtolkade eller ändras snabbt. För oss som jobbar med AI inom energi och hållbarhet är lärdomen tydlig: tekniken räcker inte. Den måste matchas av robusta regelverk och bra verktyg för riskhantering.

Vad hände i Texas – och varför bryr sig batteriutvecklare?

Kärnan: ERCOT införde en modell som kan flytta resurser mellan energimarknad och stödtjänster oftare och mer automatiskt. För batterier innebär det risk att bli “omplacerade” på ett sätt som gör att de senare inte kan uppfylla sina åtaganden – och då väntar straffavgifter.

Den nya regeln heter Real-Time Co-Optimization plus Batteries (RTC+B). Det som förändrades i praktiken:

• Stödtjänster (ancillary services) hanteras mer dynamiskt och i kortare tidsintervall (i femminuterslogik snarare än timlogik i vissa delar av processen).
• Batterier måste uppfylla striktare krav på minsta laddningsnivå (state of charge) för att kunna väljas för specifika stödtjänster.
• Optimeringen kan göra att ett batteri som säkrat intäkter i stödtjänster ändå dras över till energileverans, vilket kan dränera laddningen.

En stor utvecklare (Eolian) valde att sluta buda in sin merchant-flotta i dag-före-stödtjänster när RTC+B trädde i kraft, just på grund av den nya riskbilden.

Varför är stödtjänster så viktiga för batterier?

Kort svar: där har batterier historiskt varit som mest konkurrenskraftiga.

Batterier svarar snabbt och behöver inget bränsle. Det har gjort att de i många marknader pressat priserna i stödtjänster kraftigt. I Texas har batterier under flera år varit en dominerande aktör i just den delen av marknaden.

När regler ändras så att deltagandet blir mer riskfyllt, minskar batteriernas vilja att delta. Då tar långsammare och ofta dyrare resurser (typiskt fossila kraftverk) en större del av stödtjänsterna – och priserna kan stiga.

När osäkerhet blir dyrt: prisrörelsen som avslöjade problemet

Kärnan: På första dagen med RTC+B steg dag-före-priset för stödtjänsten non-spin reserve till cirka 78 dollar, jämfört med cirka 25 dollar en jämförbar dag innan regeländringen.

Det intressanta är att marknadsförutsättningarna var relativt lika:

• Belastning (demand) i storleksordningen ~60 GW.
• Betydande bortfall i termisk produktion (outages), runt 19–20 GW.
• Låg vindproduktion under kvällstimmarna.

Ändå blev clearingpriset för non-spin ungefär tredubblat. En rimlig tolkning (som också lyfts av forskare i Texas) är att konkurrensen minskade när batteriaktörer agerade mer försiktigt.

Det här är ett mönster man ofta ser i marknader: när risken blir svår att prissätta, väljer aktörer hellre att stå över än att riskera stora straffavgifter.

När den ”lägst värderade” stödtjänsten plötsligt blir dyrast brukar det betyda att något i marknadslogiken skaver.

Vad betyder det här för AI i elnät och energilagring?

Kärnan: AI kan optimera drift och budgivning – men bara om den kan modellera reglerna, riskerna och konsekvenserna med tillräcklig stabilitet.

När marknadsdesignen ändras på ett sätt som gör utfallet mer oförutsägbart för batterier, händer två saker:

1. Operativ komplexitet ökar: Det räcker inte längre med en enkel strategi för stödtjänster. Du måste kontinuerligt anpassa dig till systemläge, pris, laddningsnivå och sannolik omdisponering.
2. Kapital blir dyrare: Investerare och långivare vill se stabila kassaflöden. Om reglerna skapar svårkvantifierad risk kan avkastningskraven öka och projekt pausas.

Här kan AI göra verklig nytta – men inte som en ”magisk autopilot”. Jag har sett att de bästa resultaten kommer när AI används som en riskmotor och beslutsstöd, inte som ett löfte om att ”optimera allt”.

Tre AI-förmågor som direkt adresserar regelosäkerhet

1. Prediktiv modellering av omdisponering och straffrisk
   • Bygg modeller som skattar sannolikheten att en resurs flyttas mellan energimarknad och stödtjänster under dagen.
   • Kombinera historiska dispatch-data, systemreservläge, prognoser för vind/sol och kända flaskhalsar.
   • Output ska vara operativ: “Om vi säljer X MW stödtjänst kl 18:00 ökar sannolik straffexponering med Y%.”

1. Robust optimering (inte bara maxintäkt)

   • Klassisk optimering jagar högst förväntad vinst.
   • Robust optimering jagar hög vinst med kontrollerad nedsida.
   • Praktiskt innebär det att AI väljer budstrategier som klarar flera scenarier: normaldag, låg vind, hög outage, snabb prisrusning.

2. Adaptiv budgivning med “state-of-charge som förstaklassparameter”

   • Under RTC+B blir laddningsnivån i praktiken en regulatorisk constraint.
   • AI-modeller behöver därför behandla laddning som en styrvariabel som skyddar framtida åtaganden, inte bara som en restpost.

Så framtidssäkrar du batteriprojekt när reglerna rör på sig

Kärnan: Det går att bygga en affär som tål förändringar – men det kräver att teknik, avtal och processer designas för osäkerhet från dag ett.

Här är en checklista jag själv skulle använda om jag satt på utvecklarsidan (eller hos en större energiköpare som vill säkra flexibilitet).

1) Bygg en “policy-to-profit”-modell

Många gör misstaget att ha en marknadsmodell och en policyanalys som två separata spår. Slå ihop dem.

• Lista vilka regler som styr intäkter och risk: kvalificeringskrav, tidsupplösning, straffavgifter, omdisponeringslogik.
• Översätt varje regel till en ekonomisk parameter: intäktstak, riskkostnad, kapitalkostnad.
• Låt AI-simuleringar köra scenarier där reglerna “stressas” (t.ex. striktare SoC-krav).

2) Skapa operativa skyddsräcken (guardrails)

När osäkerheten ökar vill du minska risken för katastrofala utfall.

Exempel på guardrails:

• Minsta tillåtna SoC inför kända peaks (kvällstoppar).
• Max exponering mot produkter med hög straffrisk.
• Automatisk “risk-off”-logik när systemet blir ansträngt (hög outage + låg vind + hög last).

3) Säkra intäktsmixen

Ett batteri som är helt beroende av en enskild marknadsprodukt blir sårbart.

Praktiska sätt att diversifiera:

• Kombinera stödtjänster med intradag/real-tidsarbitrage.
• Utvärdera kapacitetsliknande kontrakt där det finns.
• För större portföljer: portföljoptimering där vissa enheter “tar risk” och andra hålls i säker drift.

4) Gör regeländringar till en del av MLOps

Om ni använder AI för optimering bör regeländringar hanteras som en produktionsrisk, på samma sätt som datadrift.

• Versionshantera “regelmodellen” som en dependency.
• Testa modeller mot syntetiska scenarier när marknadsregler uppdateras.
• Inför en release-process där trading/operations kan godkänna modelländringar innan drift.

Vad Sverige och Norden kan lära av Texas (utan att kopiera problemen)

Kärnan: Även stabila elmarknader får friktion när mer flexibilitet ska in. Skillnaden är hur väl regelverken förklarar risk och hur förutsägbar avräkning och strafflogik är.

Svenska aktörer ser redan liknande spänningar i mindre skala:

• Mer vindkraft ökar behovet av flexibilitet.
• Batterilager, industriell laststyrning och elbilsladdning blir viktiga resurser.
• Mer finmaskiga marknader (tidsupplösning, lokala flaskhalsar) ökar komplexiteten.

Min tydliga ståndpunkt: marknadsdesign som gör flexibilitet lönsam måste också göra risk prissättbar. Annars får du färre bud, högre priser och ett system som i praktiken blir mer beroende av dyr reglerkraft när det verkligen gäller.

Nästa steg: så använder du AI för att minska risken redan i vinter

Stödtjänster och flexibilitet är extra relevanta i december: laster varierar, marginaler kan bli tajta och vädret kan skapa snabba svängningar. Om du är utvecklare, energibolag eller stor elkonsument finns tre konkreta steg att ta innan Q1 2026 är över:

1. Kartlägg var intäkterna kommer ifrån och var straffen kan uppstå (produkt för produkt).
2. Bygg en scenario- och riskmodell (även enkel) som kan mata en AI-optimerare.
3. Sätt upp tydliga driftregler som gör att operatörer vågar agera när marknaden blir stökig.

AI inom energi och hållbarhet handlar i slutänden om att göra elsystemet mer förutsägbart, billigare och renare. Men den största paradoxen är att AI ofta fungerar bäst när reglerna är tydliga. Om marknadsdesignen skapar “limbo” för batterier får vi mindre flexibilitet – och då får både klimatet och elkunderna betala.

Vilken regel i din marknad är svårast att översätta till en prissatt risk – och vad skulle hända om ni faktiskt modellerade den i er AI-styrning?