AI-optimerad batterilagring: Tysklands BESS-boom

400 MW/800 MWh i Philippsburg. 200 MW/800 MWh vid Bertikow. 254 MW/700 MWh i Brunsbüttel. På bara några veckor har tre av Europas tyngsta energibolag satt en ny normalnivå för storskaliga batterilager i Tyskland.

Det här är inte “ännu ett projekt”. Det är en signal om att elnätet håller på att få en ny typ av infrastruktur: batterier som byggs för att tjäna pengar på elhandel, minska flaskhalsar och göra plats för mer vind och sol – utan att man först måste bygga enormt mycket ny gas. Och när batterier går från enstaka pilotanläggningar till portföljer på gigawattnivå blir nästa fråga snabbt praktisk: vem styr allt detta, minut för minut, och hur maxar man både systemnytta och intäkt?

Här kommer AI in. I serien AI inom energi och hållbarhet har jag gång på gång sett samma mönster: när komplexiteten ökar (fler marknader, fler begränsningar, fler risker) blir AI-styrning och optimering mindre av en “nice to have” och mer av ett krav för att batterierna faktiskt ska leverera det de lovar.

Varför Tyskland nu går “all in” på storskaliga BESS

Kort sagt: Tyskland behöver flexibilitet i stor skala, och batterier är den snabbaste vägen dit. Med kärnkraften avvecklad och kol på väg ut till 2030 pressas systemet att balansera allt större mängder variabel elproduktion.

Det som gör 2025–2028 extra intressant är att marknads- och regelmiljö driver en byggvåg:

• Elhandel (wholesale arbitrage): Batterier köper när priserna är låga och säljer när de är höga. Tyskland har haft stora prisvariationer, särskilt när vind och sol ger överskott vissa timmar.
• Nätbegränsningar och lokala prisskillnader: Flöden från norra Tyskland (vind) till södra (industri) skapar flaskhalsar. Batterier nära rätt knutpunkt kan få både systemnytta och intäktsmöjlighet.
• Tidsfönster till 2028: Det finns en tydlig “deadline-logik” i marknaden eftersom undantag för vissa nätavgifter (kopplat till laddning/urladdning) är planerat att förändras efter 2028. Det får projekt att vilja vara klara innan villkoren skärps.

Samtidigt visar mängden ansökningar om nätanslutning – över 500 GW enligt branschuppgifter i nyhetsflödet – att utvecklare tror på affären. Det innebär också att konkurrensen hårdnar och att intäkter riskerar att pressas när fler batterier jagar samma prisspreadar.

En mening jag ofta återkommer till i investerardiskussioner: ”När alla bygger batterier blir optimering viktigare än batteriet.”

Tre projekt som visar skiftet: från “stort” till “standard”

Budskapet är glasklart: 700–800 MWh är inte längre udda, det är normalstort. Här är vad de tre nyheterna säger om riktningen.

EnBW i Philippsburg: 400 MW/800 MWh utan subventioner

EnBW har tagit investeringsbeslut (FID) för 400 MW/800 MWh vid Philippsburg Energy Park, med planerad driftsättning 2027. Platsen är strategisk: två nedlagda kärnkraftblock demonteras, och området har redan tung elnätsinfrastruktur.

Det intressanta här är två saker:

1. Merchant-logik: EnBW betonar att projektet byggs utan subventioner. Det betyder att intäktsstacken måste hålla på egna ben.
2. Placering som marknadsfördel: Batteriet kopplas in i en nod som hjälper till att föra el från norra Tyskland till efterfrågan i sydväst. Rätt plats kan vara lika viktigt som rätt teknik.

AI-kopplingen: När ett batteri lever på marknadsintäkter blir det avgörande att förutse prisrörelser, hantera begränsningar och undvika “felcykling” som sliter på batteriet.

Enertrag + 50Hertz vid Bertikow: nätet byggs om för att släppa fram mer förnybart

Enertrag och systemoperatören 50Hertz har färdigställt en tvåårig uppgradering av transformatorstationen i Bertikow (Uckermark). Den moderniseras från 220 kV till 380 kV, med nya transformatorer på 400 MVA och 45 MVA. Syftet: lägre förluster, färre flaskhalsar och mindre nedreglering av förnybart.

På den infrastrukturen planeras ett BESS på 200 MW/800 MWh med planerad idrifttagning Q3 2027.

AI-kopplingen: Här handlar det inte bara om prisoptimering, utan om systemoptimering. AI kan hjälpa till att:

• prognostisera lokal vind/sol och planera laddning så att man minimerar nedreglering,
• samordna med nätbegränsningar (t.ex. exporttak),
• optimera mot flera mål samtidigt: intäkt + nätavlastning + förlustminimering.

Vattenfall i Brunsbüttel: 254 MW/700 MWh på gammal kärnkraftmark

Vattenfall har fått planbesked för 254 MW/700 MWh i Brunsbüttel (Schleswig-Holstein), med ambition att anläggningen ska vara i drift senast 2028 (men investeringsbeslut återstår).

Mönstret med tidigare kärnkraftplatser är logiskt: mark, anslutning och tillståndsmiljö är ofta enklare än “grön äng”. Det är också ett sätt att återanvända energiinfrastruktur i en tid där Europa vill bygga snabbt.

AI-kopplingen: Ett batteri i norra Tyskland kan få starka intäktsmöjligheter i takt med mer vind. Men när fler batterier kommer in kan prisvariationerna minska. Då måste styrningen bli smartare för att hitta nya intäktsben (t.ex. olika stödtjänster) och samtidigt skydda batteriets livslängd.

AI i praktiken: så optimeras storskaliga batterier timme för timme

Den praktiska nyttan med AI i BESS är att den fattar bättre beslut under osäkerhet än manuella regler och enkla prognoser. Det gäller särskilt när batteriet deltar i flera marknader och måste hålla marginaler för nät- och säkerhetskrav.

1) Pris- och volatilitetprognoser som faktiskt går att köra på

En enkel “köp lågt, sälj högt”-strategi fungerar bara när marknaden är gles och volatiliteten stor. När batterier blir många uppstår det som Wood Mackenzie varnar för i branschkommentarer: pris-kannibalisering.

AI-modeller (ofta en mix av tidsserier + väder + marknadsdata) kan i stället optimera mot:

• sannolikhetsfördelningar (inte bara en punktprognos),
• riskjusterad intäkt,
• “regime shift” (t.ex. vad som händer vid storm, låg vind, nätfel).

2) Multi-marknadsoptimering: arbitrage + stödtjänster + nätbegränsningar

Batterier tjänar sällan mest pengar på en enda marknad över tid. Den stabila strategin är att bygga en intäktsstack.

AI används för att lösa ett schemaproblem som i praktiken ser ut så här:

• Hur mycket energi ska reserveras för snabba stödtjänster?
• När ska batteriet cyklas för arbitrage utan att äta upp degraderingsbudgeten?
• Hur påverkar nätbegränsningar (t.ex. exportkapacitet) vad som är möjligt?

Det här är typiskt ett optimeringsproblem där AI kombineras med matematiska metoder (t.ex. mixed-integer-optimering) och sedan uppdateras löpande när verkligheten avviker från prognosen.

3) Degradering som affärsparameter, inte en eftertanke

Varje cykel kostar – även när intäkten ser bra ut på papper. När marknadsintäkter pressas blir batteriets degraderingskostnad en hård konkurrensfaktor.

Ett moget AI-upplägg inkluderar därför:

• en degraderingsmodell som kopplar cykeldjup, temperatur och effektuttag till slitage,
• en “shadow price” på batteriets livslängd i optimeringen,
• policy för när man inte ska köra, även om priset lockar.

Det är här många aktörer går bort sig: de maxar intäkten i vecka 1 och betalar notan i år 6.

4) Drift: avvikelsedetektion, prediktivt underhåll och snabb felsökning

När Tyskland bygger storskaligt kommer också en ny verklighet: fler containrar, fler komponenter, fler felmoder.

AI i driftmiljö ger direkt nytta via:

• anomalidetektion i sensordata (temperatur, spänning, impedans),
• prediktivt underhåll på kylsystem, transformatorer och PCS,
• snabbare rotorsaksanalys efter incidenter.

Vad svenska energiaktörer kan lära av Tysklands tempo

Tyskland visar att storskalig lagring inte längre är en framtidsfråga – det är ett byggprogram. För svenska aktörer (energibolag, nätbolag, industrier, fastighetsägare) finns tre konkreta lärdomar.

Bygg strategi för data och styrning innan ni bygger megawatt

Om BESS ska bli en intäktsmaskin och en systemresurs krävs det att ni tidigt bestämmer:

• vilka marknader ni ska delta i,
• vilken dataplattform som behövs (mätdata, väder, prisdata, nätstatus),
• hur ni mäter resultat: intäkt per cykel, tillgänglighet, degradering per MWh.

Planera för 2028-logiken: regeländringar kan avgöra kalkylen

Tysklands fokusering på projekt som hinner online före 2028 är en påminnelse: regler och tariffer är inte bakgrundsbrus, de är affärskritiska. För svenska projekt (och nordiska portföljer) betyder det att scenarioplanering måste vara en del av investeringsbeslutet.

Räkna med att “enkla pengar” försvinner – och att AI blir konkurrensmedel

När fler batterier kommer in minskar prisspreadar. Då vinner den som:

• kan optimera över fler intäktsben,
• har lägst degraderingskostnad per intjänad krona,
• har bäst driftdata och snabbast återställning efter fel.

Vanliga frågor jag får om AI och storskaliga batterilager

“Är AI nödvändigt, eller räcker det med regler och erfaren driftpersonal?”

För små anläggningar med en enkel strategi kan regler räcka. Men när du kör multi-marknad, har nätbegränsningar och vill skydda livslängden blir AI det mest kostnadseffektiva sättet att fatta konsekvent bra beslut.

“Vilken del ger snabbast ROI: prisprognos eller driftoptimering?”

Jag har sett snabb ROI från driftoptimering och avvikelsedetektion eftersom det påverkar tillgänglighet direkt. Prisprognoser ger ofta störst effekt när marknaden är volatil och när du kan agera på flera marknader.

“Hur undviker man att AI blir en ‘svart låda’?”

Genom att ställa krav på:

• förklarbarhet i beslut (varför laddar/inte laddar vi?),
• tydliga guardrails (SOC-gränser, effekttak, säkerhetsregler),
• kontinuerlig validering mot verkliga utfall.

Nästa steg: från byggboom till smart drift

Tysklands BESS-våg visar att energisystemet håller på att få ett nytt nervsystem av batterier på hundratals megawatt. Men när volymerna växer blir utfallet binärt: antingen får vi en flexibel, stabil och lönsam resurs – eller så får vi en dyr tillgång som cyklas fel, slits för snabbt och tappar intäkter när marknaden mognar.

Min tydliga ståndpunkt: Batterilagring i stor skala utan AI-styrning är att lämna pengar på bordet och risk i systemet. Särskilt i marknader som Tyskland där konkurrensen hårdnar och där varje procentenhet i optimering betyder miljoner över livslängden.

Om du arbetar med energi, nät, industri eller investeringar: vilka beslut i din organisation tas fortfarande “på magkänsla” trots att data finns? Och vad skulle hända om ni lät en AI-modell föreslå nästa veckas batterischema – och lät driftteamet granska det som en pilot?