AI i elnätet: Därför växer sol, vind och batterier ändå

92 %. Det är andelen av all ny elproduktionskapacitet som kopplades in på USA:s elnät under 2025 (fram till och med november) som kom från sol, vind eller batterilager. Inte kol. Inte gas. Sol, vind och lagring.

Det här är intressant av två skäl. För det första visar siffran att energiomställningen kan fortsätta även när politiken går i motsatt riktning. För det andra är det en påminnelse om att det som nu begränsar utvecklingen inte i första hand är tekniken för att bygga solparker, vindkraft eller batterier — utan förmågan att driva elnätet smart när mixen blir mer väderberoende och mer distribuerad.

I den här delen av vår serie ”AI inom energi och hållbarhet” tar jag fasta på lärdomen: när förnybart växer snabbt behöver vi lika snabb utveckling i AI för prognoser, nätoptimering och flexibilitet. Annars riskerar vi dyrare el, mer trängsel i nätet och sämre leveranssäkerhet, oavsett politiska ambitioner.

Förnybart växer även när politiken bromsar

Ny kapacitet följer ekonomi och byggtakt mer än retorik. Det är kärnan i USA-siffran.

Under 2025 gick president Donald Trump hårt åt förnybart i retorik och styrning. Ändå dominerade sol, vind och batterier nya nätanslutningar. Enligt analys som bygger på amerikanska EIA-data var 92 % av kapacitetsökningen genom november sol, vind eller lagring. Jämförelsen blir ännu tydligare när man tittar bakåt: 2024 var 96 % av USA:s kapacitetstillskott koldioxidfritt.

Det är lätt att missförstå vad den här typen av siffror betyder. De säger inte att fossil kraft försvunnit (USA producerar fortfarande mycket el med fossil energi). De säger att marginalen — det som byggs nytt — i allt högre grad är förnybart och batterier. Och marginalen bestämmer hur snabbt systemet förändras.

Varför fortsätter utvecklingen?

Tre drivkrafter gör förnybart ”trögrörligt” i positiv bemärkelse:

1. Projektpipeline och kapital: Sol- och batteriprojekt planeras i flera år. När de väl är finansierade och upphandlade rullar de ofta vidare även om politiken blir stökig.
2. Tid till drift: Sol och batterier går snabbt att bygga jämfört med många andra kraftslag. När efterfrågan ökar vill marknaden ha något som kan levereras nu.
3. Industrilogik: Leverantörskedjor och standardiserade komponenter gör att volym driver ner kostnader och ökar byggtakten.

Här finns en parallell till Sverige och Norden: även när tillståndsprocesser och lokala konflikter bromsar kan teknikskiften fortsätta när ekonomin och industristrukturen väl lutar åt ett håll. Men då flyttar flaskhalsen: från ”kan vi bygga?” till ”kan vi driva systemet?”

Batterierna tar fart – och det ändrar spelplanen för elnätet

Batterilager är inte bara ett komplement till sol och vind; de förändrar hur elnätet kan styras. I USA stod lagring för 31 % av ny kapacitet (till och med november 2025). Sol stod för ungefär hälften.

Det här är mer än en trend. Det är en strukturförändring.

Från energiproduktion till flexibilitet som produkt

Traditionellt har elsystemet byggts kring idén att produktionen följer efterfrågan: vi startar och stoppar kraftverk. Med mycket sol och vind blir det tvärtom: produktionen varierar, och efterfrågan måste delvis anpassas. Då blir flexibilitet en egen resurs:

• Batterier kan flytta energi från timmar med överskott till timmar med brist.
• Industrilaster kan styras om inom ramar.
• Elbilar och laddning kan optimeras.
• Byggnader kan förvärma/förkyla när elen är billig.

Det här är precis där AI i smarta elnät går från ”intressant” till ”nödvändigt”. När antalet resurser ökar (tänk tusentals batterier, laddare, solcellsanläggningar) blir det omöjligt att styra effektivt med manuella regler och statiska scheman.

Ett elnät med mycket förnybart behöver inte fler möten. Det behöver bättre prediktioner och snabbare beslut.

AI är det som gör hög andel förnybart praktiskt genomförbart

AI behövs för att matcha en väderstyrd produktion med en snabbföränderlig efterfrågan – i realtid. Det är den praktiska orsaken till att energiomställningens ”nästa fas” handlar lika mycket om mjukvara som om megawatt.

1) Prognoser: bättre beslut börjar i morgon, inte i dag

Den mest lönsamma AI-tillämpningen i många energimiljöer är tråkig på papper: prognoser.

• Lastprognoser (15 minuter till flera dygn): avgör hur mycket reserv och flexibilitet som behövs.
• Produktion från sol och vind: väderdata + historik + lokala sensorer ger bättre precision än enkla meteorologiska antaganden.
• Prisprognoser och kapacitetsprognoser: hjälper aktörer att planera drift, laddning och inköp.

När efterfrågan på el stiger snabbt (vilket USA ser, drivet av datacenter, elektrifiering och industri) blir prognosfel dyrt. För stora fel ger antingen risk (underskott) eller onödiga kostnader (överupphandling av reserver).

2) Nätoptimering: från statiska gränser till dynamiska beslut

Ett klassiskt problem i elnät är trängsel: kapaciteten finns någonstans, men den kan inte flyttas dit den behövs utan att överbelasta ledningar eller transformatorer.

AI kan bidra genom:

• Prediktivt underhåll: upptäcka avvikelser i transformatorer, brytare och kablar innan de fallerar.
• Dynamisk nätkapacitet (där regelverk tillåter): bättre utnyttjande av befintlig infrastruktur med realtidsdata.
• Optimal effektstyrning av lokala resurser (batterier, sol, laddning) för att hålla nätet inom gränser.

I praktiken innebär det att vi kan få ut mer nytta av samma nät — vilket är avgörande när ledtiderna för nätutbyggnad är långa.

3) Flexibilitet och styrning: virtuella kraftverk på riktigt

När batterier blir vanliga uppstår en ny möjlighet: att aggregera många små resurser till en stor, styrbar portfölj — ett virtuellt kraftverk.

AI behövs för att:

• välja vilka resurser som ska aktiveras när (för att minimera kostnad och maximera effekt)
• respektera kundpreferenser och tekniska begränsningar
• hantera osäkerhet (väder, priser, avbrott)
• optimera över flera mål samtidigt (kostnad, utsläpp, nätkapacitet)

Det här är ett av de tydligaste ”AI inom energi och hållbarhet”-casen just nu: utan intelligent orkestrering blir flexibilitet fragmenterad och underutnyttjad.

Politisk osäkerhet gör AI-investeringar mer, inte mindre, logiska

När styrmedel riskerar att ändras snabbt behöver energibolag och stora elkunder minska sin exponering mot osäkerhet. Här är AI ett ovanligt praktiskt verktyg.

I USA pekar utvecklingen på att projekt kan ”rushas” innan skatteregler eller incitament stramas åt. Sådana vågor skapar en volatil marknad: många anslutningar på kort tid, sedan en inbromsning. För elnät och marknader är det svårt.

AI-baserad planering kan då skapa stabilitet genom att:

• simulera scenarier för kapacitetsutveckling (”om X försvinner, vad händer då?”)
• prioritera nätinvesteringar där de ger mest systemnytta
• identifiera vilka flexibilitetsresurser som minskar behovet av dyr topproduktion
• kvantifiera effekten av olika driftstrategier på elkostnad och leveranssäkerhet

Min erfarenhet är att organisationer som väntar på ”tydliga besked” ofta hamnar i ett sämre läge. De som bygger förmågan att anpassa sig (data, modeller, processer) kan hantera både medvind och motvind.

Praktiska steg: så kommer du igång med AI för smarta elnät

Börja med ett avgränsat problem som har tydlig ekonomisk effekt, och bygg därifrån. Det här är en checklista jag själv återkommer till.

Steg 1: Välj ett användningsfall med mätbar nytta

Bra startpunkter brukar vara:

• lastprognos för en anläggning/portfölj
• optimerad batteristyrning (peak shaving, arbitrage, stödtjänster)
• prognos för solproduktion bakom mätaren
• upptäckt av avvikelser i nätstationer/utrustning

Steg 2: Säkra dataflöden före ”perfekta modeller”

AI i energi faller ofta på datahygien, inte algoritmer.

• tidsstämplar måste vara korrekta
• mätserier behöver enhetlighet (kW vs MW, netto vs brutto)
• väderdata måste matcha plats och upplösning
• datagap ska hanteras systematiskt

Steg 3: Bygg in styrbarhet och ansvar

Ett AI-system som ger rekommendationer men ingen kan agera på dem ger ingen effekt.

• definiera vem som äger beslutet (drift, handel, anläggning)
• sätt gränser för automatisk styrning
• logga beslut och utfall för att förbättra modellen

Steg 4: Utvärdera med rätt KPI:er

För energifall är de mest relevanta ofta:

• prognosfel (MAE/MAPE) för last/produktion
• kostnadsbesparing i kr/MWh eller kr/månad
• minskad effekt (kW) i toppar
• minskade obalanser och färre larm
• förbättrad leveranssäkerhet (t.ex. SAIDI/SAIFI där relevant)

Vanliga frågor jag får (och raka svar)

Behöver vi AI om vi redan har SCADA och driftstödsystem?

Ja, om du vill optimera snarare än bara övervaka. SCADA är ofta bra på status och larm. AI är bra på prognoser, mönster och beslut under osäkerhet.

Räcker det inte med mer planerbar kraft?

Planerbar kraft hjälper, men den löser inte nätets komplexitet när resurserna blir fler och mer distribuerade. Dessutom tar mycket planerbar kapacitet lång tid att bygga. Förnybart och batterier går snabbare — och då måste styrningen hänga med.

Är batterier alltid klimatnytta?

Inte automatiskt. Klimatnyttan beror på vad batteriet laddas med och vilken produktion det tränger undan när det levererar. AI kan bidra genom att optimera laddning mot timmar med låg marginalutsläpp och hög systemnytta.

Vad USA-siffran betyder för Sverige 2026

Poängen är inte att kopiera USA. Poängen är att förstå dynamiken: när sol, vind och batterier dominerar ny kapacitet blir elnätets styrning den avgörande konkurrensfaktorn.

Sverige går in i 2026 med fortsatt elektrifiering, hårdare krav på effektivitet och en energidebatt som ofta fastnar i enskilda kraftslag. Jag tycker vi ska prata mer om förmåga: hur vi bygger ett elnät som klarar snabb förändring utan att elräkningen skenar.

Det är här AI i energi och hållbarhet passar in på riktigt. Prognoser, optimering och flexibilitetsstyrning gör att förnybart kan växa utan att systemet blir instabilt.

Om din organisation vill ta nästa steg är en bra start att kartlägga tre saker: vilka data ni har, var osäkerheten kostar mest pengar, och vilka styrmöjligheter ni faktiskt kan aktivera inom 3–6 månader. När det är gjort blir nästa fråga svår att komma runt:

Vilket är ert första AI-användningsfall som ger effekt redan under 2026?