AI som minskar riskerna för batterier på elmarknaden

Den 2025-12-05 införde Texas elnätsoperatör ett nytt marknadsupplägg. Resultatet första dagen var talande: priserna för vissa stödtjänster sköt i höjden trots att efterfrågan och tillgänglig produktion såg “normala” ut för säsongen. Det här är exakt den sortens händelse som får investerare att tveka och driftteam att bromsa.

Och det är också ett skolexempel på varför AI i energisystem inte handlar om häftiga dashboards, utan om att överleva osäkerhet. När regelverk och marknadsdesign ändras kan en batteripark gå från trygg intjäningsmodell till ett läge där fel beslut vid fel femminutersintervall leder till straffavgifter.

I den här delen av serien AI inom energi och hållbarhet tar vi Texas som fallstudie och går igenom vad som faktiskt hände, varför batteriägare hamnar i limbo när marknadsregler skiftar, och hur AI-baserad optimering kan göra skillnaden mellan stabila intäkter och dyr volatilitet.

Vad som hände i Texas – och varför batterier blev nervösa

Kärnan: Marknadsreglerna ändrades så att batterier kan bli omfördelade mellan energileverans och stödtjänster mer oförutsägbart, vilket ökar risken att missa åtaganden och få ekonomiska påföljder.

Texas elmarknad (ERCOT) har varit en magnet för batteriinvesteringar just för att den är konkurrensutsatt och erbjuder flera intäktsströmmar: energiarbitrage och olika typer av stödtjänster (ancillary services) som håller nätet stabilt.

Den 2025-12-05 gick ERCOT live med ett nytt upplägg: real-time co-optimization plus batteries (RTC+B). På pappret är co-optimization logiskt: systemet ska kunna välja den billigaste kombinationen av energi och stödtjänster i realtid. Många andra elmarknader jobbar så.

Men skillnaden ligger i detaljerna:

• Stödtjänster som tidigare upphandlades mer “statiskt” hanteras nu tätare (femminuterslogik i driften).
• Batterier får striktare krav på minsta laddnivå (state of charge) för att kvalificera sig.
• En resurs kan bli omoptimerad från stödtjänst till energi (eller tvärtom) på ett sätt som batteriägaren inte kan förutse fullt ut.

För ett gaskraftverk kan det vara irriterande. För ett batteri kan det vara existentiellt.

Varför straffavgifter ändrar hela kalkylen

Kärnan: När du riskerar straffavgifter för utebliven leverans blir “säkra” budstrategier plötsligt mer värda än maximal intäkt.

Batterier tjänar pengar genom att lova tillgänglighet och snabb respons. Men om marknaden omfördelar batteriet så att det tappar laddning, kan det senare under dagen sakna energi för att uppfylla stödtjänståtaganden. Missar du ett åtagande kan det bli dyrt.

En stor aktör i Texas valde därför att sluta lägga vissa typer av bud i stödtjänstmarknaden när RTC+B trädde i kraft. Andra operatörer fortsatte – men beskrev att stödtjänster inte längre är “ställ in och glöm”, utan kräver aktiv styrning.

Första dagens prischock: ett varningstecken, inte ett bevis

Kärnan: När batterier deltar mindre i stödtjänster minskar konkurrensen, och då stiger priserna – vilket till slut kan smitta av sig på energipriserna.

Första dagen med RTC+B var vädret relativt “snällt” och nätet kollapsade inte. Ändå såg man en tydlig marknadseffekt: priserna i day-ahead för vissa stödtjänster steg kraftigt.

I artikeln jämfördes särskilt tjänsten non-spin reserve:

• 2025-12-05 (första dagen med RTC+B) steg priset till cirka 78 (angivet som nästan 78 i underlaget).
• 2025-12-01 (liknande systemförutsättningar innan regeländringen) toppade priset runt 25.

Det är ungefär en tredubbling under liknande belastning och produktionsläge. Den typen av hopp är vad man ser när en stor och effektiv resurs (batterier) blir mer tveksam att delta – och en mindre effektiv resurs (ofta bränslebaserad) sätter priset.

Det viktiga är inte om just den dagen var en engångseffekt. Det viktiga är mekanismen: om osäkerhet gör att batterier håller sig borta, blir stödtjänster dyrare. När stödtjänster blir dyrare tenderar hela systemkostnaden att stiga.

Därför är AI “riskmotor” nummer ett för batterioperatörer

Kärnan: AI kan göra marknadsosäkerhet hanterbar genom bättre prognoser, probabilistisk optimering och policy-anpassade budstrategier.

De flesta pratar om AI i energisystem som prognoser för vind och sol. Det är en bra början, men batteriägare i en marknad som ERCOT behöver mer än så. De behöver en riskmotor som väger ihop:

• sannolikheten att bli omoptimerad mellan produkter
• sannolik laddnivå över dagen givet scenarier
• sannolikheten att stödtjänster faktiskt aktiveras
• förväntat pris i energi och stödtjänster
• förväntad kostnad för straffavgifter

Det här är ett klassiskt område för AI/ML kombinerat med optimering: inte bara “förutsäg priset”, utan maximera förväntad vinst under begränsningar och risk.

1) Prognoser som faktiskt går att drifta på

Kärnan: Bra batteristrategi börjar med prognoser på rätt horisont: 5 minuter, 60 minuter och 24 timmar.

Med RTC+B och tätare omoptimering behöver operatörer:

• Korttidsprognoser (5–60 min): nettolast, frekvensavvikelser, rampbehov, risk för stödtjänstaktivering.
• Dygnsprognoser: prisfördelningar (inte bara punktprognoser), och förväntad knapphet.
• Tillgänglighetsprognoser: termiska bortfall, transmissionsbegränsningar, väderdriven volatilitet.

AI gör skillnad när den levererar sannolikhetsfördelningar (P10/P50/P90) snarare än en enda siffra. I en marknad med straffavgifter är “fel med 10%” ofta dyrare än att vara lite mer konservativ.

2) Budstrategi som är robust, inte maximal

Kärnan: Under nya regler vinner den som kan optimera mot flera mål: intäkt, risk och batterihälsa.

En praktisk AI-strategi är att köra en variant av stochastic optimization eller robust optimization där man:

• simulerar tusentals scenarier för priser, aktiveringar och omoptimering
• lägger bud som maximerar förväntat värde men begränsar “svansen” (de riktigt dåliga utfallen)

Det här går att översätta till ett driftmål som är lätt att förstå:

“Vi accepterar lite lägre toppintäkter för att halvera risken att hamna i straffavgiftsläge.”

För många investerare är det precis den logiken man vill se innan man finansierar nästa batteripark.

3) Laddnivåstyrning som tar hänsyn till reglerna

Kärnan: State-of-charge blir en affärsvariabel, inte bara en teknisk.

När kvalificering till stödtjänster kräver viss minsta laddning kan AI användas för att:

• hålla en dynamisk energireserv baserad på systemläge (inte en fast procentsats)
• prioritera laddning inför riskperioder (kvällstoppar, låg vind, hög bortfallsrisk)
• väga slitage/temperatur (degradering) mot marknadsvärde

I praktiken blir batteriet som en portfölj: en del kapacitet används för arbitrage, en del “låses” som försäkring mot omoptimering och straffavgifter.

Tre konkreta arbetssätt: så tar du AI från idé till drift

Kärnan: Batteri-AI fungerar när den kopplas till beslutsrutiner, inte när den ligger i en rapport.

Här är tre upplägg jag sett fungera i verkligheten (och som passar extra bra när regelverk skiftar):

1) “Digital tvilling” för marknadsregler

Bygg en modell som speglar marknadens logik: produkter, begränsningar, kvalificeringskrav och straffavgifter. När en regel ändras uppdaterar du tvillingen och kör simuleringar.

• Output: “Så här ändras optimal strategi under RTC+B jämfört med tidigare.”
• Effekt: färre överraskningar och snabbare anpassning.

2) Realtidsövervakning med larm på risk, inte bara pris

Sätt upp larm på:

• sannolikheten att hamna under minsta laddnivå för en viss tjänst
• avvikelse mellan planerad och faktisk laddnivå
• indikatorer för kommande knapphet (t.ex. samtidigt hög last och höga termiska bortfall)

Det viktiga är att larmen leder till fördefinierade åtgärder. Annars blir det bara brus.

3) “Human-in-the-loop” för de svåra dagarna

När marknaden är lugn kan AI styra mer autonomt. När riskerna ökar (köldknäpp, värmebölja, stora bortfall) ska AI växla till ett läge där den:

• föreslår åtgärder
• visar konsekvenser i kronor och risknivå
• låter en operatör godkänna större positionsförändringar

Det här brukar öka både säkerhet och acceptans internt.

Vanliga frågor (och raka svar)

Hjälper AI om regelverket ändå är otydligt?

Ja. AI gör inte regeln tydligare, men den kan prissätta osäkerheten. När du kan kvantifiera risk i pengar blir det möjligt att fatta rationella beslut istället för att dra sig ur marknaden.

Riskerar AI att göra alla bud likadana?

Inte om du bygger egna signaler och egna riskpreferenser. Två batteriägare kan se samma marknad men ha olika finansiering, olika degraderingskostnad och olika tolerans för straffavgifter. Det ger olika strategi.

Är det här relevant för Sverige?

Ja, mekanismen är densamma: mer förnybart och mer flexibilitet betyder fler marknadsprodukter, tätare tidsupplösning och större värde av korrekt styrning. Svenska aktörer ser redan hur intradags- och stödtjänstlogik kräver bättre prognoser och optimering.

När marknadsdesign ändras blir AI en hygienfaktor

Texas visar något som ofta glöms bort i energidebatten: teknik kan vara redo, men intäktsmodellen kan bli skakig över en natt. Batterier är centrala för ett förnybart elsystem, men de måste kunna räkna hem investeringen utan att bli gisslan i otydliga risker.

Min ståndpunkt är enkel: när elmarknader går mot tätare optimering och fler regler per produkt blir AI för batteristyrning inte ett “nice to have”. Det är det som gör att batterier faktiskt vågar delta, vilket i sin tur pressar systemkostnaden och gör nätet stabilare.

Om du driver, investerar i eller upphandlar flexibilitet: vilka beslut tar ni fortfarande på magkänsla när ni egentligen behöver en modell som räknar på sannolikhet, risk och konsekvens?