AI i elnätet: slipp dyra “nödlösningar” med kol

Ett kolkraftverk i Michigan som egentligen skulle ha stängts hålls nu igång i ytterligare 90 dagar – med hänvisning till en påstådd “energinödsituation”. Notan? Enligt uppgifter från bolaget bakom anläggningen har extradriften redan kostat 80 miljoner dollar från maj till slutet av september 2025, vilket motsvarar över 615 000 dollar per dag.

Det här är en typisk konfliktlinje i energisystemet: politiskt motiverade beslut som prioriterar symbolik framför systemanalys – samtidigt som elnätet blir mer komplext med mer förnybart, fler elbilar och mer elektrifiering. För mig är lärdomen tydlig: om vi vill ha både robusta elnät och rimliga elpriser måste beslut byggas på data, inte på “nödrubriker”.

I den här delen av vår serie AI inom energi och hållbarhet tar vi Michigan-fallet som en motbild och visar hur AI-driven energiprognostisering, nätoptimering och flexibilitet kan minska behovet av dyra livlinor till åldrande fossil infrastruktur – utan att tumma på leveranssäkerhet.

Varför “håll kolkraften igång” ofta blir dyrt – och osäkert

Kort sagt: Att förlänga livslängden på gamla kolkraftverk är ett av de dyraste sätten att köpa sig “trygghet”, och det ger inte ens särskilt bra driftsäkerhet.

I Michigan handlar det om en 63 år gammal kolanläggning som redan var planerad för pensionering. En central poäng i rapporteringen är att både delstatliga tillsynsmyndigheter och regionala systemaktörer bedömt att anläggningen inte behövs för nätets tillförlitlighet. Ändå används en “emergency”-paragraf för att tvinga fram drift.

Åldrande produktion är inte samma sak som robust effekt

Ett missförstånd som återkommer i energidebatter är att “mer kraftverk” automatiskt betyder “mer trygghet”. Men systemvärde handlar om när och hur resurser levererar.

Gamla kolkraftverk har ofta:

• Högre risk för oplanerade stopp (slitage, bränslelogistik, underhållsskuld)
• Sämre flexibilitet (svårare att reglera snabbt upp/ner)
• Högre rörliga kostnader än modern produktion och lagring

I Michigan pekas dessutom avbrott i produktionen under sommar och höst ut som tecken på att anläggningen inte är särskilt pålitlig när det väl gäller.

Kostnaden hamnar nästan alltid hos kunderna

Här blir det obekvämt: när gamla anläggningar hålls igång av administrativa beslut skapas en “säkerhetskänsla” som i praktiken kan bli en prischock.

Siffrorna från Michigan är talande:

• 80 miljoner dollar i extrakostnader (maj–september 2025)
• 615 000+ dollar per dag i snitt

Det är pengar som annars hade kunnat gå till nätförstärkningar, flexibilitetsmarknader, batterier, energieffektivisering – eller sänkt risk i kundernas elpris.

Myten om vinterkrisen: varför prognoser slår panik

Kort sagt: Vinterdrift kräver planering – men det kräver inte reflexmässig fossil “backup” om systemet redan har analyserats och dimensionerats.

En intressant detalj i Michigan-fallet är att många tillförlitlighetsanalyser ofta fokuserar på sommarens toppar (AC-last under värmeböljor). Samtidigt används nu vinter som argument för fortsatt drift. Regionala bedömningar pekar dock på att det inte finns en akut vinterutmaning i närtid.

Här är det AI kommer in som något mer än en buzzword.

AI-driven energiprognos: från grova antaganden till timprecision

När elnätet elektrifieras räcker inte “historiska snitt”. Du behöver prognoser som tar höjd för:

• temperatur, vind, nederbörd och isbildning
• industrins lastmönster och produktionsplaner
• laddbeteende för elbilar
• värmepumpars drift i köldknäppar
• lokal flaskhalsrisk i nätet

Med maskininlärning kan man bygga last- och produktionsprognoser som uppdateras kontinuerligt, och som kan brytas ner geografiskt (station/område) och tidsmässigt (15-minutersintervall). Resultatet blir färre “överförsäkringar” i form av dyr fossil drift.

Prognos är inte bara ett diagram – det är ett beslutsunderlag

Den praktiska vinsten kommer när prognoser kopplas till beslut:

• vilka resurser som ska reserveras som effekt
• när batterier ska laddas ur/laddas upp
• när efterfrågeflex ska aktiveras (industri, fastigheter)
• hur nätet ska styras för att undvika flaskhalsar

Det är skillnaden mellan “vi känner oss osäkra” och “vi har en mätbar riskprofil”.

Smartare elnät: AI som gör förnybart och flexibilitet till kapacitet

Kort sagt: Nätstabilitet byggs bäst med en mix av flexibilitet, lagring och styrning – och AI gör mixen användbar i realtid.

När politiken pressar fram fortsatt drift av gamla kraftverk är det ofta ett symptom på att man inte litar på alternativen. Men alternativen fungerar – om de samordnas.

Från kraftverk till portfölj: det moderna sättet att köpa trygghet

Ett enskilt kolkraftverk är en monolit. Ett modernt system bygger en portfölj av resurser:

• sol och vind (billig energi)
• batterier (snabb effekt och frekvensstöd)
• flexibel efterfrågan (minskar toppar)
• gasturbiner eller bio som sällan körs (strategisk reserv)
• nätoptimering och kapacitetsstyrning

AI behövs för att portföljen ska bete sig som en “virtuell kraftstation” som kan leverera rätt tjänst vid rätt tid.

Tre AI-användningar som direkt minskar behovet av “nödkolkraft”

1. Prediktivt underhåll i nät och produktion
   AI kan förutse fel i transformatorer, brytare och kablar genom mönster i sensordata. Färre oplanerade avbrott ger mindre behov av dyr reserv.

2. Optimering av batterier och flexibilitet
   Batterier är inte bara energi – de är timing. AI kan optimera laddning/utladdning mot prognoser, elpris och nätbegränsningar.

3. Flaskhalsprognoser och dynamisk kapacitet
   Genom att förutse överlast kan man styra om flöden, aktivera lokal flexibilitet eller justera anslutningskapacitet smartare.

En bra tumregel: ”Stabilitet i elnätet är ett styrproblem, inte ett bränsleproblem.”

Vad svenska energibolag och industrin kan lära av Michigan

Kort sagt: Sverige behöver inte kopiera amerikansk energipolitik för att känna igen mönstret – osäkerhet leder lätt till dyra beslut om man saknar datadriven riskstyrning.

Även här hemma pratar vi om effekt, vintertoppar, nätkapacitet och elektrifiering. Skillnaden är att vi har goda förutsättningar att göra det bättre, särskilt om vi kombinerar:

• starka mätdata (AMI/smarta mätare)
• vädermodeller och produktionsdata
• marknadsdata (spot, intradag, balanskraft)
• industriell digitalisering

En praktisk checklista: så blir AI ett beslutsstöd, inte ett experiment

Om du jobbar på energibolag, nätbolag, fastighetsbolag eller i energiintensiv industri: här är ett upplägg jag har sett fungera.

1. Välj ett tydligt beslut att förbättra
   Exempel: effektreservplanering, batteristyrning, flexaktivering eller underhåll.

2. Säkra datakvalitet och spårbarhet
   Prognoser blir bara bättre om mätserier är rena, tidsstämplar korrekta och metadata tydlig.

3. Bygg en “human-in-the-loop”-modell
   Operatörer ska kunna förstå varför modellen föreslår en åtgärd och när den kan ha fel.

4. Mät effekt med hårda KPI:er
   Till exempel:

   • minskad toppbelastning (kW)
   • minskade balanskostnader (SEK)
   • färre oplanerade avbrott (SAIDI/SAIFI)
   • bättre prognosfel (MAPE)

5. Skala först när styrningen sitter
   Börja i ett nätområde eller ett fastighetsbestånd, skala sedan med standardiserade datagränssnitt.

Vanliga följdfrågor (och raka svar)

Är AI en ersättare för planerbar produktion?

Nej. AI ersätter inte fysik, men den gör att vi kan använda befintliga resurser smartare och därmed minska behovet av att hålla dyr fossil kapacitet igång “för säkerhets skull”.

Räcker batterier i en kall vintervecka?

Batterier löser främst snabb effekt och kortare obalanser. För längre perioder behövs en mix: efterfrågeflex, nätåtgärder, lagring i flera tidskalor och viss planerbar produktion. AI är det som får mixen att fungera ihop.

Varför blir politiska “nödbeslut” så dyra?

För att de ofta ignorerar optimering: man betalar för drift istället för att betala för riskreducering. Det låter som trygghet men blir lätt permanent merkostnad.

Nästa steg: bygg robusthet som går att räkna på

Michigan-historien visar hur snabbt en “nödsituation” kan bli en ursäkt för att fortsätta med dyr och smutsig drift. Jag tar ställning här: den sortens beslut hör inte hemma i ett modernt energisystem när vi har data, modeller och verktyg för att mäta risk och välja billigare, renare alternativ.

Vill du minska behovet av ad hoc-reserv, kapa toppar och samtidigt skapa mer plats för förnybar el? Börja med en konkret fråga: Vilket beslut i vår driftplanering skulle bli bättre om vi hade 10–20% bättre prognoser och snabbare optimering?

Det är ofta där AI inom energi och hållbarhet ger mest effekt – inte som vision, utan som vardagsverktyg i kontrollrummet och planeringsmötet.