AI för driftsäkert elnät utan kol: lärdomar från USA

En siffra sticker ut: ett enda amerikanskt kolkraftverk tvingades hållas i drift till en kostnad på cirka 615 000 dollar per dag under några månader 2025. Det är pengar som i praktiken hamnar på elräkningen – samtidigt som anläggningen är både utsläppsintensiv och ofta mer driftstörningskänslig än modern produktion.

Det här är bakgrunden till att USA:s energidepartement (DOE) 2025 utfärdade flera så kallade must-run-order. Senast handlar det om TransAltas Centralia-anläggning i Washington: Unit 2 beordras att fortsätta köra i 90 dagar efter att avvecklingen redan var planerad. För oss som jobbar med energiomställning i Norden är det här inte bara amerikansk inrikespolitik. Det är ett stress-test av en större fråga: Hur bygger man ett elsystem som klarar både extremväder, politiska ryck och snabb omställning – utan att fastna i dyr, gammal fossil drift?

I den här delen av serien AI inom energi och hållbarhet tar jag ställning: att hålla gamla kolkraftverk vid liv för “driftsäkerhet” är ofta en dyr genväg. AI-stödd nätoptimering, bättre prognoser och flexibla resurser ger mer driftsäkerhet per krona – och det går att införa snabbare än många tror.

Varför tvingas kolkraftverk fortsätta köra?

Kärnan är enkel: myndigheter hänvisar till nätets driftsäkerhet vid risk för effektbrist under toppar – ofta kopplat till extrem kyla, värme eller torka och till att överföringskapacitet eller planerbar produktion bedöms otillräcklig i vissa lägen.

I fallet Centralia pekar motiveringen på en påstådd “energikris” i västra USA och hänvisar till risker under extrema vädersituationer i nordvästra regionen. Samtidigt har delstater och aktörer i andra fall (som Michigan) invänt att dessa order används för att runda långsiktiga planer, och att “akuta nödlägen” blandas ihop med strukturella utmaningar som borde lösas med planering.

Det obekväma: driftsäkerhet används som argument – men kol är inte särskilt driftsäkert

Ett av de mest förbisedda fakta i den här debatten är att äldre kolkraft ofta har högre risk för oplanerade stopp än nyare anläggningar. När man “säkrar” systemet genom att låsa fast sig vid gammal produktion kan man alltså samtidigt öka risken för fel – och definitivt öka kostnaden.

Kostnadseffekten är real

När ett kraftverk tvingas köra trots att ägare och regulatorer planerat nedstängning, uppstår en kedja av kostnader:

• extra underhåll och reservdelar på anläggningar som egentligen är på väg ut
• dyrare bränsle- och logistikflöden
• fler timmar med hög marginalkostnad i elproduktionen
• osäkerhet som försenar investeringar i alternativ (flexibilitet, lagring, nät)

Samma mönster syns i flera order: 90 dagar i taget. Det låter “tillfälligt”, men blir lätt en återkommande förlängning – och marknaden hinner aldrig ställa om i lugn och ro.

Vad betyder Centralia-beslutet för energiomställningen?

Det tydligaste svaret: sådana order bromsar avvecklingen av kol och gör omställningen dyrare. När ett kolkraftverk hålls kvar i drift förändras kalkylerna för allt runtomkring.

I Centralia var planen att stänga kol och på sikt konvertera till gas till 2028 (med en investering som uppges ligga runt 600 miljoner dollar). En must-run-order kan:

• komplicera tidsplanen (personal, underhåll, bränsle, tillstånd)
• flytta fokus från långsiktig flexibilitet till kortsiktig drift
• öka risken att man väljer “minsta motståndets väg” – mer fossil inlåsning

Och även om gas kan minska utsläppen jämfört med kol, är det fortfarande en fossil lösning som riskerar att bli en dyr mellanetapp om den inte kombineras med tydlig plan för flexibilitet, lagring och förnybar integration.

Där AI faktiskt gör skillnad: driftsäkerhet utan fossil inlåsning

Nyckeln är att ersätta “vi behöver mer planerbar fossil produktion” med en mer exakt fråga: Vilken typ av kapacitet och flexibilitet behövs, var i nätet, under vilka timmar, och hur ofta?

Det är här AI i energisystemet kommer in – inte som magi, utan som ett praktiskt sätt att få bättre beslut snabbare.

AI-drivna last- och effektprognoser minskar behovet av dyra nödlösningar

Driftsäkerhet handlar ofta om några få kritiska timmar per år. Med AI-baserade prognosmodeller (t.ex. gradient boosting, deep learning för tidsserier, hybridmodeller som kombinerar fysik och ML) kan man förbättra:

• korttidsprognoser (intradag och dag-före) för last
• prognoser för vind/sol och nettoeffekt i regioner
• sannolikhetsbaserade scenarier för extremväder

Resultatet blir mer än “bättre gissningar”. Det blir bättre dimensionering av reserver och tydligare svar på om en stängning faktiskt hotar leveranssäkerheten eller om det finns smartare alternativ.

En bra driftsäkerhetsstrategi bygger inte på mer fossil produktion – den bygger på bättre förutsägelser och snabbare respons.

AI för flexibilitet: demand response som går att skala

Om en region är känslig för toppar kan man antingen hålla liv i ett gammalt kraftverk, eller så kan man styra bort topparna. AI gör demand response mer träffsäkert genom att:

• identifiera vilka laster som kan flyttas utan att störa verksamheten
• optimera styrning timme för timme med hänsyn till elpris, nätbegränsningar och komfort/produktion
• mäta och verifiera faktisk effekt (M&V) med högre precision

I praktiken kan det handla om:

• smart styrning av värmepumpar och elpannor
• industriprocesser med flexibilitetsfönster
• batterier i fastigheter och depåer
• laddning av elfordon (privat och flotta)

När flexibilitet fungerar blir “akut effektbrist” ofta en styrningsfråga snarare än en produktionsfråga.

AI för nätoptimering: mer kapacitet ur samma infrastruktur

Många missar att driftsäkerhet inte alltid handlar om energibrist. Det kan vara en flaskhals i nätet. AI-stödd nätoptimering kan bidra med:

• bättre flödesstyrning och driftplanering
• prediktivt underhåll (färre oplanerade avbrott)
• dynamiska kapacitetsbedömningar (där tillämpligt)
• snabbare felidentifiering och återinkoppling

Det här är “tråkigt” jämfört med stora kraftverk – men det är ofta här de snabbaste vinsterna finns.

En praktisk checklista: så ersätter ni must-run med smart planering

Om du jobbar på ett energibolag, en nätägare, i industrin eller i en kommun och vill minska risken att hamna i dyra nödlösningar, är det här en vettig start.

1. Kartlägg topphändelserna

   • Hur många timmar per år är ni faktiskt nära kapacitetstak?
   • Är det energi (MWh) eller effekt (MW) som är problemet?

2. Bygg en probabilistisk “extremväder-portfölj”

   • inte ett värsta-fall, utan flera scenarier med sannolikheter
   • koppla scenarier till reserver, flexibilitet och nätbegränsningar

3. Prioritera flexibilitet före ny fossil kapacitet

   • räkna på kostnad per undviken MW under kritiska timmar
   • inkludera implementeringstid (månader vs år)

4. Inför AI-stöd i driftbeslut – men börja smalt

   • en region, en flaskhals, en typ av last
   • mät resultat: prognosfel, reducerade toppar, minskade balanskostnader

5. Skapa en “exit-plan” för fossila reservresurser

   • om fossil reserv används: definiera tydliga kriterier för när den ska bort
   • följ upp årligen och koppla till investeringsplan

Den röda tråden: gör driftsäkerhet mätbar och styrbar. Då blir det svårare att motivera dyr “panikdrift”.

Vanliga följdfrågor (och raka svar)

Kan AI ensam ersätta planerbar kraft?

Nej. AI ersätter inte fysik, men AI gör att du kan använda befintliga resurser bättre: flexibilitet, lagring, nätkapacitet och modern produktion. Kombinationen är det som minskar behovet av att hålla kvar gamla anläggningar.

Blir inte detta bara mer komplexitet?

Jo, men det är hanterbar komplexitet. Alternativet är att betala för dyr fossil drift och ändå leva med oplanerade avbrott. Jag föredrar system som är komplexa på rätt sätt: styrbara, mätbara och transparenta.

Vad är den snabbaste AI-satsningen som ger effekt?

För många aktörer: bättre korttidsprognoser + flexibilitetsstyrning. Det kan ge resultat inom ett kvartal om datan finns på plats.

Driftsäkerhet 2026 kräver bättre beslut – inte äldre kraftverk

Centralia-beslutet i Washington visar hur snabbt energiomställningen kan hamna i motvind när driftsäkerhet används som politiskt verktyg. Men det visar också något annat: om systemet upplevs skört, kommer någon alltid att vilja “säkerställa” med fossil drift.

Min ståndpunkt är tydlig: vill vi ha ett robust, prisvärt och klimatanpassat elsystem behöver vi bli bättre på att förutse och styra – inte på att hålla liv i det som redan borde pensioneras. AI i smarta elnät är inte en sidogrej; det är det som gör att förnybar integration och avveckling av kol kan ske utan att kunderna blir försökskaniner.

Om du vill ta nästa steg i din organisation: börja med att identifiera era 20 mest kritiska timmar per år och bygg en AI-stödd plan för hur de timmarna ska hanteras utan fossil “nöddrift”. Vilken del av er drift skulle du vilja göra mindre sårbar redan under första kvartalet 2026?