AI-styrda batterier: lärdomar från 560 MWh i Kalifornien

Ett av de tydligaste tecknen på att batterilagring (BESS) har blivit “infrastruktur på riktigt” är när affären inte längre handlar om batterierna – utan om hur de körs, vem som styr dem och på vilka villkor. Det är precis det som sticker ut i nyheten om Clearway Energy Group och San Diego Gas & Electric (SDG&E): två tolling-avtal som tillsammans omfattar 560 MWh från en sol- och lagringsanläggning i Kern County, samt en försäljning av BESS-tillgångar till en yieldco-struktur.

För oss som jobbar med AI inom energi och hållbarhet är det här mer än en amerikansk affärshändelse. Det är ett konkret exempel på hur elnätsvärlden rör sig mot en logik där AI-driven prognostik, optimering och riskhantering blir lika viktig som själva kapaciteten i MW och MWh.

Tolling-avtal: när “vem som styr” är kärnfrågan

Ett tolling agreement kan sammanfattas så här: en aktör (ofta ett elbolag) betalar för rätten att disponera en resurs – i det här fallet ett batteri – och bestämmer när det ska laddas och urladdas, inom givna tekniska och kommersiella ramar. Resursägaren får en mer förutsägbar intäkt, och off-takern får operativ kontroll.

Det är lätt att missa poängen: värdet ligger inte bara i energin, utan i flexibiliteten.

Varför det blir extra intressant med två olika varaktigheter

I Clearways fall är det särskilt talande att avtalen har liknande effektstorlek, men olika urladdningsvaraktighet: en del kan leverera i 4 timmar och en annan i 8 timmar.

Det signalerar två saker:

1. Behoven i nätet är inte “en stor peak”. Det finns flera typer av toppar och flaskhalsar: snabba rampningar, kvällstoppar, och längre perioder med låg produktion.
2. Intäktslogiken skiljer sig. 4 timmar kan passa för frekventa cykler och snabba marknadssvängningar. 8 timmar handlar mer om uthållighet när systemet behöver stöd under längre intervall.

För AI och styrning betyder det att optimeringsproblemet blir mer komplext – och mer lönsamt att lösa bra.

Varför 560 MWh batteri + sol är en AI-fråga (inte bara en energifråga)

Det här är kärnan: när andelen sol och vind ökar blir “planering” mindre om statiska scheman och mer om prediktion och anpassning. Och där är AI praktiskt användbart.

AI i drift: tre beslut som måste bli rätt varje dag

För en hybridresurs (sol + BESS) är tre frågor avgörande:

• När ska batteriet laddas? (solöverskott, låga priser, nätbegränsningar)
• När ska det urladdas? (kvällstopp, prispeak, kapacitetsbehov)
• Hur mycket ska sparas “i reserv”? (osäkerhet i prognoser, risk för pristoppar, nätstörningar)

AI-modeller används här främst för:

• Lastprognoser (timme för timme, ofta med väder, helgdagar och beteendemönster)
• Prisprognoser och volatilitet (för marknader där intäkten styrs av prisspridning)
• Solprognoser (molnighet och intradag-justeringar)
• Optimering (t.ex. mixed-integer-optimering eller RL-liknande policys för dispatch)

Det är inte magi. Det är disciplin: bättre data, bättre prognoser, bättre beslut.

4h och 8h: två olika “AI-profiler”

Ett 4-timmarsbatteri kan ofta köras med högre cykelfrekvens. Då blir AI extra värdefullt för att:

• hitta många små marginaler
• undvika onödiga cykler (som sliter på batteriet)
• hantera intradag-förändringar

Ett 8-timmarsbatteri ställer andra krav:

• långhorisont-prognoser (kväll–natt, ibland flera dygn)
• strategisk energibudgetering
• scenarieoptimering (”om molnfront X kommer 17:00, vad gör vi då?”)

Det är samma teknikfamilj, men olika fokus i modellen och KPI:er.

Affärslogiken: varför yieldco + lagring säger mycket om marknadens mognad

När BESS säljs till en yieldco-liknande struktur är budskapet i praktiken: tillgången betraktas som stabil nog att paketeras för långsiktiga kassaflöden.

Det brukar kräva två saker:

1. Kontrakt som minskar intäktsrisk (t.ex. tolling, kapacitetsersättningar, eller hybrida avtal)
2. Tydlig driftstrategi och prestandauppföljning (availability, respons, degradering)

Här kommer AI in igen, fast på ett mindre “flashigt” sätt: yieldco-investerare gillar inte överraskningar. AI-baserad övervakning och prediktivt underhåll kan bidra till:

• färre oplanerade stopp
• bättre temperatur- och laststyrning
• bättre kontroll på degradering och garantivillkor

Det är svårt att överskatta hur mycket värde som ligger i att kunna säga: “Vi kan med hög sannolikhet leverera den här profilen i 10–15 år och visa det med data.”

Lärdomar för svenska energibolag och industrin (vinter 2025)

Kalifornien är inte Sverige. Men mönstret är bekant: mer förnybart, mer varians, mer lokal trängsel i nätet. I Sverige har vintern sin egen logik: hög last, stor betydelse av effektbalans, och perioder där marginalerna blir små.

Här är vad jag tycker att svenska aktörer kan ta med sig från Clearway/SDG&E:

1) Avtalsformen styr vilken AI-nytta du får ut

Om du äger dispatchen får du maximal nytta av AI i optimering och prognoser. Om du säljer dispatchen (via tolling) flyttar AI-fokus mot:

• prestanda och tillgänglighet
• batterihälsa
• efterlevnad av kontraktskrav (t.ex. responstid, ramp-rate, SoC-fönster)

Det är olika verktyg, olika team, olika databehov.

2) “Rätt varaktighet” är inte en teknisk fråga – det är en systemfråga

4 timmar vs 8 timmar är inte bättre eller sämre. Det är olika jobb.

• 4h: bra för att kapa toppar, stötta snabba svängningar och fånga återkommande prisskillnader.
• 8h: bra när systemet behöver uthållighet, t.ex. längre kvälls- och nattperioder eller när produktionen faller bort längre.

I svensk kontext är det rimligt att portföljer blandar varaktigheter, där AI hjälper till att avgöra vilken resurs som ska göra vad.

3) Den verkliga flaskhalsen är ofta organisationen, inte algoritmen

De flesta bolag fastnar inte på modellnivå. De fastnar på:

• data som är utspridd mellan SCADA, marknadssystem och underhåll
• otydlig ansvarsfördelning mellan trading, drift och nät
• KPI:er som drar åt olika håll (max intäkt vs min slitage vs max tillgänglighet)

Här är ett enkelt arbetssätt som brukar fungera:

1. Börja med en tydlig prioriteringsordning: säkerhet → kontrakt → tillgänglighet → ekonomi
2. Bygg en gemensam “sanning” i datalagret (mätvärden, priser, väder, loggar)
3. Låt AI börja som beslutsstöd innan den får mer autonomi

Så kommer AI-styrd lagring påverka smarta elnät 2026

Den tydliga riktningen är att elnätet blir mer “programvarustyrt”: fler resurser, fler beslut per minut och mindre tolerans för fel.

Tre trender jag tror att vi ser mer av under 2026:

• Portföljoptimering: AI styr inte ett batteri, utan en hel mix av batterier, flexibilitetsavtal och kanske även laddinfrastruktur.
• Standardiserade flexibilitetsprodukter: avtal och marknadsprodukter blir mer lika varandra, vilket gör att AI kan skalas snabbare.
• Mer fokus på mätbar prestanda: availability, responstid och degradering blir lika viktiga som MWh på pappret.

Batterilagring är inte längre en “pryl i nätet”. Den är ett styrbart beslutssystem – och AI avgör hur bra det systemet blir.

Nästa steg: från nyhet till lead-kvalificerad plan

Om du sitter på ett energibolag, en industrikoncern eller en utvecklare och funderar på BESS är det här ett bra test: Vet ni vem som ska styra resursen, och med vilka beslutsregler? Om svaret är oklart är risken hög att ni antingen överinvesterar, eller bygger en tillgång som inte utnyttjas.

Jag har sett att en enkel workshop ofta räcker för att komma igång:

• definiera affärsmål (tolling vs merchant vs hybrid)
• kartlägg datakällor och beslutscykler
• välj 3–5 KPI:er som alla kan enas om
• identifiera var AI ger snabbast effekt (prognos, optimering eller underhåll)

Frågan som avgör 2026 för många aktörer är inte om batterier behövs. Den frågan är redan besvarad. Den intressanta frågan är: vem blir bäst på att styra dem – och hur mycket av det jobbet ska AI göra?