AI och batterilager: lärdomar från Texas 500 MW-RFP

Texas bygger batterilager i en takt som gör många europeiska elmarknader avundsjuka. Bara i ett enda nyhetsflöde ser vi två signaler som säger mycket om vart energisystemet är på väg: GridStor har tecknat ett tolling-avtal för ett 150 MW/300 MWh batterilager i Hidalgo County, och CPS Energy i San Antonio har gått ut med en RFP på upp till 500 MW ny lagring.

Det här är mer än “ännu fler batterier”. Det är ett skifte i hur elnätskapacitet upphandlas, hur risk fördelas och hur man planerar robusthet i ett system med mer vind och sol. Och här kommer vår serie AI inom energi och hållbarhet in: när batterilager blir en infrastrukturtillgång i stor skala blir AI för prognoser, optimering och beslutsstöd inte en bonus – det blir det som avgör om projekten faktiskt levererar värde.

Varför Texas satsar så hårt på BESS – och varför det angår oss

Texas (ERCOT) är ett av världens tydligaste exempel på en marknad där prisvolatilitet, snabb efterfrågetillväxt och mycket förnybart möts. Resultatet är enkelt: elnätet behöver mer flexibilitet, och BESS (Battery Energy Storage Systems) är den snabbaste byggklossen att få på plats.

I nyheten finns konkreta siffror:

• GridStor bygger Gunnar Reliability Project: 150 MW/300 MWh med driftsättning planerad till slutet av 2026.
• CPS Energy vill upphandla upp till 500 MW extra lagring i San Antonio-området och siktar på att ha över 1 000 MW lagring “i drift eller kontrakterad” efter genomförda upphandlingar.

Det som gör detta relevant för svenska aktörer – kommunala energibolag, elnätsbolag, industrikunder, aggregatorer – är att samma logik sprider sig här: mer vind/sol, mer elektrifiering, fler timmar med trånga snitt och större krav på leveranssäkerhet. Skillnaden är att vi ofta försöker lösa det med mer process och mer manuellt planeringsarbete. Texas visar att tempo kräver automatiserade beslutscykler.

Tolling-avtal och RFP: affärsmodellerna som styr batterilagring

Kärnan i både GridStors tolling-avtal och CPS Energys RFP är risk. Vem tar den, hur prissätts den och hur säkerställer man att batteriet används på “rätt” sätt?

Vad ett tolling-avtal egentligen betyder

Ett tolling-avtal för batterilager kan förenklas så här: en köpare (ofta en stor elkonsument eller energibolag) betalar för rätten att disponera batteriets kapacitet enligt avtalade villkor. Operatören får stabilare intäkter, köparen får flexibilitet och kan styra hur batteriet tjänar pengar eller ger leveranssäkerhet.

För Gunnar-projektet är motparten en icke namngiven Fortune 500-aktör, vilket säger en sak tydligt: stora företag köper inte längre bara “grön el”. De köper flexibilitet.

Varför CPS Energys 500 MW-RFP är en markör

När ett kommunalt energibolag som CPS Energy upphandlar hundratals megawatt lagring är det ett tecken på att batterier inte längre ses som pilotprojekt. Det är en planeringsresurs på samma nivå som produktion, efterfrågeflex eller nätförstärkningar.

RFP:er i den här storleken gör också något annat: de pressar marknaden att professionalisera allt från projektrisk till driftoptimering.

Ett batterilager är inte “färdigplanerat” när det är byggt. Det är färdigplanerat när du kan styra det bra – varje dag.

Där AI gör skillnad: från planering till drift i realtid

Det finns en frestelse att prata om AI som en abstrakt teknik. Jag tycker man ska prata om AI som tre väldigt konkreta verktyg i batterilagring: prognoser, optimering och automatiserad uppföljning.

AI för prognoser: efterfråga, priser och nätbegränsningar

I en marknad som ERCOT kan intäkter och systemnytta för ett batteri variera kraftigt mellan dagar och säsonger. För att hantera det behöver du prognoser som är bättre än “gårdagens mönster”.

AI-modeller (ofta en kombination av tidsserie, gradient boosting och djupinlärning) används för att förutsäga:

• last och nettoproduktion (vind/sol)
• prisnivåer och prisrörelser
• sannolikhet för toppar (peak events)
• lokala flaskhalsar och effektbegränsningar

Det intressanta för upphandlingar som CPS Energys är att prognoserna inte bara hör hemma i drift – de hör hemma i anbudet. Den som kan modellera scenarier trovärdigt kan prissätta risk och leverans på ett helt annat sätt.

AI för optimering: “vilken strategi kör vi idag?”

Ett 150 MW/300 MWh-batteri kan användas på flera sätt:

• arbitrage (ladda billigt, sälja dyrt)
• frekvensstöd/stödtjänster
• kapacitets- och robusthetsbehov
• lokalt nätstöd (där det är möjligt)

Utmaningen är att målen ofta krockar. Optimering med AI/ML-kopplad matematisk optimering (t.ex. mixed-integer eller stochastic optimization) kan:

• välja marknad per timme
• allokera energibudget så batteriet inte står tomt vid fel tillfälle
• minimera degradering genom att styra cykling och SoC-fönster

Det här är extra relevant i tolling-upplägg: köparen vill ha nyttan, operatören vill ha stabilitet, och båda vill undvika oväntade degraderingskostnader.

AI för “asset performance”: upptäck problem innan de kostar pengar

När CPS Energy vill ha 1 000+ MW lagring i portföljen blir driftuppföljning en industri i sig. AI används här för:

• avvikelsedetektering (temperatur, spänning, intern resistans)
• prediktivt underhåll
• tidig varning för prestandafall på cell- eller racknivå

Den praktiska effekten är ofta större än man tror: färre oplanerade stopp, bättre tillgänglighet i kritiska timmar och mer pålitlig leverans mot avtal.

Vad den här Texas-vågen säger om Norden: tre konkreta lärdomar

Texas är inte Sverige. Men mönstren går att översätta.

1) Upphandlingar behöver bli “dataförst”

RFP:er tenderar att bli dokumenttunga, och leverantörer svarar med PDF:er. Det fungerar dåligt när man ska jämföra verklig systemnytta.

Ett bättre upplägg (som AI möjliggör) är att kräva att anbud inkluderar:

• scenarioanalys (minst 3 pris/last-scenarier)
• tydliga antaganden om degradering och tillgänglighet
• simulerad leveransprofil för kritiska timmar

AI gör inte anbudet “snyggare”. Den gör det jämförbart.

2) Interconnection och lokalisering är där värdet ofta avgörs

GridStor lyfter indirekt en klassiker: projekt som kan ansluta via befintlig infrastruktur får ofta försprång. I Norden ser vi samma sak kring nätkapacitet och anslutningsköer.

AI kan stötta lokalisering genom att väga ihop:

• nätbegränsningar och sannolik kötid
• prisområden och volatilitet
• närhet till stora laster (industri, laddinfrastruktur)
• möjlighet till lokala flexibilitetsaffärer

3) “Reliability” kommer tillbaka som affärskrav

Både Gunnar-projektet (”Reliability Project”) och CPS Energys plan kopplas till robusthet och klimatmål. Det är en viktig kombination: hållbarhet utan leveranssäkerhet får politiskt motstånd. Leveranssäkerhet utan hållbarhet blir dyrt och kortsiktigt.

AI-baserad driftplanering är ett av få sätt att samtidigt:

• minska kostnad för reservlösningar
• integrera mer förnybart
• leverera stabil effekt när det behövs

Praktisk checklista: så använder du AI i ett BESS-projekt redan i upphandling

Om du sitter på beställarsidan (energibolag, kommun, industri) är det här en rimlig start:

1. Definiera nyttan i timmar, inte i slogans: Vilka 50–200 timmar per år är kritiska för er?
2. Kräv transparenta modeller: inte källkod, men antaganden, datakällor, felmarginaler.
3. Sätt KPI:er som går att mäta i drift:
   • tillgänglighet (%), responstid (sek), levererad energi i kritiska timmar (MWh)
   • degraderingsbudget (t.ex. max cykler/år eller SoH-gräns)
4. Planera för dataflöden från dag 1: telemetry, loggning, incidenthantering.
5. Bygg in “human-in-the-loop”: AI ska föreslå och optimera, men ansvar och kontroll måste vara tydligt.

Nästa steg: batterier i stor skala kräver smart styrning

GridStors 150 MW/300 MWh och CPS Energys 500 MW-RFP är två sidor av samma mynt: marknaden går mot storskalig batterilagring som standardverktyg. Den som vinner på det är inte bara den som kan bygga snabbt, utan den som kan planera, handla och drifta med bättre beslutsstöd.

I vår serie AI inom energi och hållbarhet återkommer vi till samma slutsats: elektrifieringen handlar inte bara om fler tillgångar i nätet. Den handlar om att styra dem smartare. Batterier är perfekta för det – de är snabba, mätbara och helt beroende av bra beslut.

Om du skulle upphandla 500 MW lagring i din region: vilka datakrav och AI-funktioner skulle du kräva för att vara säker på att kapaciteten faktiskt finns där när den behövs?