AI och elnät: lärdomar från Illinois nya energilag

Illinois har precis gjort något som många regioner pratar om men få faktiskt genomför: de har klubbat en stor energilag som beställer 3 gigawatt nätanslutna batterier till 2030 och samtidigt bygger upp ett program för virtuella kraftverk. Det här är inte bara amerikansk lokalpolitik. Det är en tydlig signal om vart elnäten är på väg – och varför AI i energisystem snabbt går från “bra att ha” till “måste fungera”.

Det som sticker ut är inte bara storleken på satsningen, utan logiken: lagstiftarna försöker köpa ner risk och köpa upp tempo i omställningen, i en tid när elpriserna rör sig snabbt och kapacitetsmarknader sätter press på kunderna. Och när man bygger ett system med många batterier, sol, flexibel efterfrågan och distribuerade resurser blir en sak uppenbar: utan smart styrning blir dyr infrastruktur inte lika värdefull.

I den här delen av vår serie AI inom energi och hållbarhet går jag igenom vad Illinois faktiskt beslutade, varför det spelar roll för energibolag och stora elkunder i Sverige, och hur AI kan göra den typen av program mätbart bättre – i kronor, kilowatt och leveranssäkerhet.

Vad Illinois-lagen faktiskt gör – och varför det är strategiskt

Illinois nya paket, Clean and Reliable Grid Affordability Act (CRGA), sätter en tydlig riktning: mer flexibilitet i nätet och fler verktyg för att hantera toppar och prissvängningar.

Kärnpunkterna är tre:

• 3 GW energilagring till 2030 via upphandling/incentivmodell.
• Program för virtuella kraftverk (VPP) där hushåll och företag med batterier kan bidra med effekt när elnätet behöver det.
• Geotermi blir berättigat till delstatens förnybarhetsincitament, och ett gammalt stopp för stora kärnkraftsbyggen mildras.

Det intressanta här är att energilagring inte behandlas som en “extra produkt” vid sidan av elnätet. Den behandlas som en del av nätets kapacitet – alltså ett sätt att säkra att effekt finns när den behövs.

Kostnadsdebatten: avgift nu, besparing senare

Motståndet i Illinois var i huvudsak ekonomiskt: varför ska elkunder betala för incitament om marknaden kan bygga batterier ändå?

Delstatens inköpsmyndighet bedömde att utveckling och drift av lagringen kostar 9,7 miljarder dollar över 20 år, finansierat via en ny avgift på elräkningen. Samtidigt är modellen konstruerad så att en del av intäkterna från lagringsbolagen går tillbaka till kunderna, vilket gör att nettokostnaden för kunderna uppskattas till cirka 1 miljard dollar.

Och här kommer det politiska “betet”: myndigheten bedömde också att den nya lagringen kan sänka kostnader i kapacitetsmarknaderna och därmed ge cirka 13,4 miljarder dollar i besparingar över 20 år genom prisdämpning.

En mening som är värd att bära med sig:

Kostnadsfrågan handlar sällan om att priserna sjunker – den handlar om att bromsa hur snabbt de stiger.

Det är en debatt vi känner igen i Sverige också, särskilt när nätavgifter, flaskhalsar och effektproblem diskuteras.

Varför 3 GW batterier kräver AI – inte bara hårdvara

Poängen med nätbatterier är enkel: de ska ladda när el är billig/ren och leverera när el är dyr/bristvara. Men i praktiken är det en optimeringsuppgift med många mål samtidigt:

• hålla frekvens och spänning stabil
• minimera kostnad för slutkund
• maximera nyttan i kapacitets- och stödtjänstmarknader
• skydda batteriets livslängd (degradering)
• respektera nätbegränsningar lokalt

Det här går att göra “okej” med traditionella regler. Men det går att göra konsekvent bra med AI – särskilt när man kombinerar prognoser, optimering och realtidsdata.

AI-prognoser: bättre beslut börjar dagen innan

Batterier blir mest värdefulla när de agerar före topparna, inte efter. Där är AI starkt:

• Lastprognoser på transformatorstationsnivå (inte bara systemnivå)
• Prisprognoser (spot, intradag, kapacitet, stödtjänster)
• Förnybarprognoser (sol och vind) med väderdata och historik
• Riskprognoser: sannolikhet för kapacitetsbrist eller extrema pristimmar

I ett program som CRGA, där nyttan delvis ska komma via “price suppression” i kapacitetsmarknader, blir prognoskvalitet central. Om batterierna laddar fel tidpunkt eller inte har energi när marknaden är som mest ansträngd försvinner en stor del av samhällsvärdet.

AI-optimering: från enskilda batterier till portföljer

När man går från ett batteri till hundratals (eller tusentals) uppstår en ny nivå av komplexitet: portföljstyrning.

AI-baserad optimering kan t.ex.:

1. Fördela laddning/ur-laddning så att lokala nät inte överbelastas.
2. Prioritera resurser med bäst “marginalnytta” just nu.
3. Växla mellan användningsfall: energi-arbitrage, effekttoppskapning, stödtjänster.

Det här är praktiskt relevant även i Sverige, där nätbegränsningar ofta är lokala och där flexibilitet behöver koordineras snarare än bara “ad hoc”-aktiveras.

Virtuella kraftverk (VPP): där policy möter algoritmer

Ett virtuellt kraftverk är i grunden en aggregator: ett system som samlar många små resurser (batterier, värmepumpar, laddboxar, reservkraft) och får dem att agera som en större enhet.

Illinois VPP-del i CRGA bygger på idén att hushåll och företag med batterier ska kunna tjäna pengar på att stötta nätet. Det låter enkelt, men det finns två återkommande fallgropar:

1) Om styrningen blir “för aggressiv” tappar kunderna förtroendet

Om ett VPP gång på gång dränerar ett företags batteri precis när de behöver egen reservkraft, eller om komforten i en fastighet påverkas, så lämnar man programmet.

AI kan hjälpa genom kundcentrerad styrning:

• begränsningar per kund (minsta SoC, max antal cykler)
• preferenser (t.ex. “prioritera egenanvändning”)
• prediktion av kundens eget behov (produktion/last)

2) Utan mätbarhet blir det politiskt skört

CRGA mötte motstånd just för att kostnaderna syns på räkningen. Då måste nyttan kunna visas på ett sätt som håller i både media och budgetprocesser.

Här har AI en oväntat viktig roll: verifiering och effektutvärdering.

• Vilken del av prisdämpningen kan tillskrivas VPP/batterier?
• Vilka feeder-områden fick färre överlasttimmar?
• Hur mycket kapacitet var faktiskt tillgänglig vid kritiska timmar?

När den typen av uppföljning är robust blir programmet svårare att “såga” i nästa politiska cykel.

Geotermi: AI kan korta vägen från karta till projekt

CRGA gör geotermi berättigat till förnybarhetsincitament. Det kan låta som en sidonotis jämfört med 3 GW batterier, men jag tycker det är smart.

Geotermi (särskilt låg- och medeltemperatur för värme, samt förbättrad geotermi för el i vissa regioner) lider ofta av två saker:

• osäkerhet i resursbedömning
• höga initiala utrednings- och borrkostnader

AI kan bidra tidigt i kedjan:

• resurskartläggning med geologiska data, brunnsdata, seismik och topografi
• borr- och designoptimering för att minska risk och överdimensionering
• driftoptimering (pumpar, värmeväxlare) för högre verkningsgrad

För svenska aktörer är kopplingen tydlig: även om el-geotermi är begränsat här och nu, är AI-stödd resursanalys relevant för fjärrvärme, bergvärmeportföljer och industriell spillvärmeinfrastruktur.

Marknad vs upphandling: varför Illinois valde “trygghet före chansning”

Motståndarsidan pekade på Texas, där batterier byggts snabbt utan motsvarande upphandlingskrav. Illinois valde ändå en modell med incitament och långsiktig styrning.

Jag köper det resonemanget. Batterier är kapitalintensiva och intäktsströmmarna kan vara volatila. När politiken vill ha 3 GW på en deadline är det rationellt att minska investeringsrisk.

Men det ställer också krav: om staten skapar en “säker” intäktsmodell måste man samtidigt säkerställa att resurserna används på rätt sätt. Och “rätt sätt” är inte en paragraf – det är drift, prognoser och optimering. Med andra ord: ett mjukvaruproblem.

Tre principer jag tycker Sverige bör plocka upp

Om man översätter Illinois tänk till svensk kontext (elnätsbolag, kommuner, industri, fastighetsägare) finns tre tydliga principer:

1. Betala för verifierad nytta, inte installerad effekt. Incitament bör triggas när resurser faktiskt bidrar vid kritiska timmar.
2. Bygg program som klarar lokal nätfysik. Flexibilitet utan nätmedveten styrning skapar nya flaskhalsar.
3. Gör uppföljning till en produkt, inte en rapport. Automatiserad M&V (measurement & verification) bör vara inbyggt från dag ett.

Praktiska nästa steg: så kommer du igång med AI för lagring och flexibilitet

Om du jobbar på energibolag, som nätägare, aggregator, fastighetsbolag eller i industrin kan du ta konkreta steg redan i Q1 2026.

En enkel checklista (som faktiskt blir av)

• Inventera flexibilitet: batterier, UPS, värmepumpar, kylprocesser, laddning, reservkraft.
• Säkra datagrunden: mätdata i 5–15 min upplösning, status/telemetri, väderdata, prisdata.
• Välj ett första användningsfall: toppkapning i abonnemang, stödtjänster, lokal nätavlastning eller egenanvändning av solel.
• Sätt styrregler + AI-prognoser: börja hybrid. Ren AI utan skyddsräcken blir ofta dyrt.
• Bygg M&V från start: definiera KPI:er som ekonomi, CO₂, tillgänglighet, cykler, kundnöjdhet.

Det viktigaste jag sett i verkliga projekt: börja smalt, men designa så att du kan skala till portfölj.

Vad Illinois visar – och vad som händer härnäst

Illinois CRGA är ett exempel på hur energipolitik kan vara både offensiv och “räknad”: stor satsning, men med en finansieringsmodell som försöker skydda kunderna och en tydlig koppling till leveranssäkerhet.

För oss som jobbar med AI inom energi och hållbarhet är slutsatsen krispig: ju mer flexibilitet vi bygger in i elsystemet, desto mer måste vi kunna styra och bevisa nyttan. Batterier och virtuella kraftverk är inte bara teknikprojekt – de är förtroendeprojekt.

Nästa gång någon säger att “batterier löser det”, skulle jag vända på det: batterier skapar möjligheten. AI avgör om möjligheten blir billig, stabil och skalbar.

Om du planerar satsningar på energilagring, flexibilitet eller VPP under 2026: vilka två beslut kan du ta redan nu för att säkerställa att data, styrning och uppföljning håller när programmet ska skala?