AI och BESS: 14 GWh i november och vad det betyder

14 GWh. Så mycket nätansluten batterilagring (BESS) togs i drift globalt under november 2025 – och det trots att Kina hade en ovanligt långsam månad. För mig är siffran intressant av två skäl: den visar hur snabbt energilagring skalar, och den avslöjar hur beroende marknaden fortfarande är av ett enda land.

Det finns också en detalj som sticker ut: en 1 GWh-anläggning med natriumjonbatterier. För ett par år sedan hade det låtit som en labbnotis. Nu är det en driftsatt, storskalig datapunkt som påverkar hur investerare, elnätsbolag och industrikunder planerar sin flexibilitet.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder vi novembermånadens globala BESS-utfall som en praktisk fallstudie: vad säger trenden om teknikskiften, risker i leveranskedjor – och framför allt hur AI kan användas för att förutsäga, optimera och minska risken i storskaliga lagringsinvesteringar.

November 2025: vad siffrorna faktiskt säger

Kärnpunkten: Globalt gick cirka 4,9 GW / 14 GWh grid scale-BESS i kommersiell drift i november 2025, vilket var 29% lägre än samma period föregående år. Nedgången berodde främst på att Kina bromsade.

BESS-marknaden beskrivs ofta som ”global”, men den beter sig fortfarande som en marknad med tydlig tyngdpunkt. Under 2025 har Kina i många månader stått för 50–90% av globala installationer. I november kom Kina ändå in med 3 436 MW / 10 256 MWh, vilket motsvarar 73% av den globala volymen – men det var lägre än förväntat.

Det största enskilda projektet som togs i drift i november var ett kinesiskt projekt på 500 MW / 2 GWh. Att flera projekt ligger på över 1 GWh är i sig en signal: vi har passerat fasen där storskalig lagring är pilot. Det här är infrastruktur.

Varför spelar “GW” och “GWh” roll?

Snabbt svar: GW säger hur mycket effekt batteriet kan leverera (hur snabbt), GWh säger hur mycket energi det kan lagra (hur länge).

Det är skillnaden mellan en sprint och en långdistans. Ett batteri på 500 MW / 2 GWh är typiskt byggt för att kunna leverera sin maxeffekt i ungefär 4 timmar. Just den dimensioneringen (2–6 timmar) är ofta där dagens elmarknadsintäkter och nätbehov möts.

Och här kommer AI in tidigt: rätt dimensionering är nästan alltid den mest lönsamma optimeringen du kan göra – innan spaden ens sätts i marken.

Kina bromsar: ett skolexempel på marknadsrisk som AI kan mäta

Kärnpunkten: När Kina saktar ner påverkar det både globala volymer och pris-/leveransbilden, och AI kan göra den risken synlig tidigare.

Kinas lägre novemberutfall kopplas till policyförändringar som under året lett till att projekt försenats eller ställts in. Oavsett exakt policyinnehåll (som kan variera mellan provinser) är mekanismen bekant: när regelverk, ersättningsmodeller eller anslutningsvillkor ändras, flyttas projekt i pipeline.

Det här är inte bara ”en nyhet om Kina”. Det är en datapunkt som påverkar:

• Global leveranskapacitet (tillgång på celler, containersystem, PCS och transformatorer)
• Prisnivåer för turnkey BESS (när efterfrågan tillfälligt sjunker kan priser pressas)
• Planeringsrisk för projekt i Europa (ledtider och kontraktsvillkor påverkas)

Så använder jag AI-tänk här: från rubriker till prognoser

Ett vanligt misstag är att reagera på rubriker istället för att modellera konsekvenser. AI är särskilt bra på att “översätta” signaler till sannolikheter.

Praktiskt kan en organisation bygga en enkel riskmotor som väger ihop:

1. Policysignaler (t.ex. förändringar i krav på energilagring vid förnybar anslutning)
2. Projektpipeline (hur många projekt är byggstartade vs. bara annonserade)
3. Leverantörskoncentration (beroende av få integratörer eller cellleverantörer)
4. Nätanslutningsstatus (tillstånd, interconnection agreements, nätförstärkning)

Resultatet blir inte “exakta sanningar”, men en tidig varningsindikator: vilka månader/kvartal riskerar att bli svaga? Vilka regioner kan ta över volymen? Vilka komponenter blir flaskhals?

För svenska aktörer – nätägare, flexibilitetsaggregatorer och energitunga industrier – är det här guld. Det gör att du kan tajma upphandlingar och kontrakt med mindre magkänsla och mer data.

Natriumjon i 1 GWh-skala: varför det är mer än en tekniknotis

Kärnpunkten: En driftsatt 1 GWh natriumjon-BESS är ett tydligt tecken på att alternativ till LFP tar plats där kostnad, råvarurisk och säkerhet styr.

LFP (litiumjärnfosfat) dominerar grid scale-BESS av bra skäl: stabil kemi, rimliga kostnader, stark industribas. Men natriumjon har en attraktiv logik för stationär lagring:

• Natrium är mer tillgängligt globalt än litium, vilket kan minska råvarurisk
• Potentiellt lägre kostnadsvolatilitet över tid
• Stationära system kan acceptera lägre energidensitet än elfordon

Det betyder inte att natriumjon “vinner” över LFP överallt. Men det betyder att beslutsfattare behöver ha en portföljstrategi: olika kemier för olika användningsfall.

Där AI gör verklig nytta: från material till drift

AI blir viktig i två faser:

1) Utveckling och kvalificering

• Modellering av degradering och cykelliv
• Prediktion av prestanda i olika temperaturprofiler
• Optimering av cellmatchning och packdesign

2) Driftsoptimering (där pengarna ofta sitter)

• Prediktivt underhåll: identifiera svaga moduler innan de fallerar
• Smart laddning/utladdning baserat på prisprognoser, frekvensrisk och nätbegränsningar
• Säkerhetsanalys: tidiga tecken på termiska avvikelser

Min erfarenhet är att många projekt lägger 95% av energin på inköp och bygg, och 5% på data- och driftstrategi. Det är bakvänt. Ett BESS är inte bara en anläggning – det är en optimeringsmaskin som behöver bra styrning.

AI för att optimera BESS: vad som fungerar i praktiken

Kärnpunkten: De mest lönsamma AI-tillämpningarna för batterilagring är prognoser, dispatch-optimering och tillgänglighet – inte “flashiga” dashboards.

Här är en konkret struktur jag brukar rekommendera när man vill använda AI i storskalig energilagring.

Prognoser: pris, effektbehov och nätbegränsningar

En BESS-affär står och faller med när du laddar och urladdar. Prognoser behöver därför vara operativa, inte akademiska.

Bra prognosstack (utan att göra det onödigt komplicerat):

• Day-ahead och intradag prisprognoser (med osäkerhetsintervall)
• Last- och förnybarprognoser lokalt (särskilt nära vind/solparker)
• Nätindikatorer: flaskhalsrisk, spänningsproblem, planerade avbrott

AI:s styrka här är kombinationen av många svaga signaler som tillsammans blir en användbar bild.

Dispatch och intäktsstapling

De flesta svenska och europeiska projekt vill kombinera flera intäktsströmmar (så kallad “revenue stacking”), till exempel:

• frekvensreglering
• energiarbitrage
• kapacitetstjänster (där de finns)
• lokala nätstödjande tjänster

AI kan optimera detta som ett begränsningsproblem:

• Batteriet har SoC-gränser, degraderingskostnad och effekttak
• Marknader har budregler, tidsupplösning och straffavgifter
• Nätet har lokala begränsningar

Målet är inte “max intäkt i en timme”, utan max riskjusterad intäkt över ett år.

Tillgänglighet och cyberrisk: den bortglömda ledningsfrågan

När en BESS står still kostar det direkt. Och när styrsystemen angrips kan det bli mycket värre.

AI kan bidra med:

• Avvikelsedetektering i telemetri (spänning, temperatur, interna resistanssignaler)
• Prediktiva modeller för fel på PCS och kylsystem
• Automatiserade larm som är färre men bättre (”alarm fatigue” är vanligt)

Mitt tydliga ställningstagande: cybersäkerhet ska in i kravspecen från dag 1, inte som en påbyggnad när anläggningen är klar.

Vad betyder 14 GWh i november för Sverige 2026?

Kärnpunkten: Storskalig batterilagring går från “intressant” till “nödvändigt” när mer vind och sol kopplas in, och AI blir verktyget som gör flexibiliteten lönsam.

I Sverige ser vi samtidigt flera drivkrafter:

• Mer variabel produktion i systemet (vind) och ökande elektrifiering
• Hårdare krav på effekt och lokala nät (industriprojekt, laddinfrastruktur)
• Fler aktörer som vill bygga batterilager nära nätknutpunkter eller industrikunder

Den globala volymen är relevant eftersom den påverkar kostnadskurvor, tillgång på utrustning och mognad i leverantörsledet. Men det som avgör om ett enskilt svenskt projekt blir en succé är ofta:

• datakvalitet (mätning, tidsstämplar, upplösning)
• styrstrategi (hur du budar och kör)
• kontrakt (garantier, prestandadefinitioner, degraderingsvillkor)

AI kan inte trolla bort dåliga avtal. Men AI kan göra det enklare att skriva bra avtal, eftersom du kan kvantifiera riskerna tidigare.

Ett batterilager utan bra styrning är som en sportbil på dubbdäck mitt i juli. Det funkar, men du betalar för potential du inte använder.

Nästa steg: så kommer du igång utan att fastna i en teknikfälla

Vill du skapa leads internt (budget, mandat, förtroende) är det smart att börja med en avgränsad pilot som är kopplad till pengar.

Ett upplägg som brukar fungera:

1. Välj ett konkret beslut: dimensionering, marknadsstrategi eller underhåll
2. Samla 8–12 veckor drift- och marknadsdata (även simulerad drift duger i början)
3. Bygg en baseline (enkla regler) och jämför mot en AI-optimerad strategi
4. Sätt KPI:er: avkastning, tillgänglighet, antal larm, degraderingskostnad

Om skillnaden inte syns i KPI:erna är det en signal att modellen är fel – eller att problemet är fel valt.

BESS-installationer på 14 GWh på en månad visar att världen trycker på gasen. Samtidigt visar Kinas inbromsning att marknaden är känslig för policy och timing. För mig är slutsatsen enkel: den som kombinerar energilagring med AI-driven analys och optimering kommer att fatta snabbare och tryggare beslut.

Vilken del av värdekedjan behöver du mest hjälp med under 2026 – prognoser, dispatch eller riskkontroll?