AI för ett robust elnät när avbrotten blir vanligare

När ett elbolag ber myndigheter att sänka kraven på leveranssäkerhet är det lätt att tänka: “Okej, vädret har blivit tuffare – de vill vara realistiska.” Men det finns en annan läsning som jag tycker är mer relevant för 2025: kraven på elnätet ökar snabbare än nätet moderniseras, och vissa aktörer försöker lösa det genom att justera måttstocken i stället för att förbättra systemet.

Det här blev tydligt när FirstEnergys elnätsbolag i Ohio ville få mer svängrum i reglerna: längre tillåten tid för återställning efter avbrott och i vissa fall fler tillåtna avbrott per kund. Samtidigt hade kunderna nyligen fått högre elnätsavgifter och har redan betalat stora belopp för så kallad grid hardening – nätförstärkningar och modernisering.

I vår serie AI inom energi och hållbarhet är det här en perfekt fallstudie. Den visar varför AI i energisystemet inte handlar om futurism, utan om vardagsnytta: att förutse fel innan de blir avbrott, optimera drift i realtid och prioritera investeringar där de gör mest skillnad.

Varför fler elavbrott inte är “otur” – det är ett systemproblem

Elavbrott ökar i takt med att extremväder blir vanligare och mer intensivt. En analys från 2024 visade att USA hade ungefär dubbelt så många väderrelaterade större strömavbrott 2014–2023 jämfört med 2000–2009. Och kunder har inte bara upplevt fler händelser – avbrotten varar längre. Under 2025 rapporterades en genomsnittlig längd på 12,8 timmar för de längsta avbrotten, nästan 60 % längre än 2022.

Det viktiga är att se detta som ett mönster:

• Värmeböljor pressar efterfrågan (AC, kylkedjor, datacenter, laddning) och höjer risken för överlast.
• Kyla och is kan slå mot både elnät och bränsleförsörjning (t.ex. frysta gasledningar i vissa system) och skapa kedjeeffekter.
• Vind och stormar ger fler fel på luftledningar och orsakar trädrelaterade störningar.

Det här är inte bara “mer väder”. Det är mer variabilitet – en driftmiljö där historiska snitt blir sämre prognosverktyg. Och det är exakt där AI kan göra verklig nytta.

Myten: “Om vädret blir värre måste kraven sänkas”

Att sänka krav kan låta praktiskt, men det riskerar att bli en farlig normförskjutning.

Om klimatdriven volatilitet ökar, är en rimlig respons att höja nätets förmåga – inte att vänja kunder vid sämre service.

Det betyder inte att varje avbrott går att eliminera. Men det betyder att målet bör vara bättre precision och snabbare återställning, särskilt när kunder redan finansierar investeringarna.

När elbolag vill sänka leveranssäkerhetskrav: vad står på spel?

FirstEnergy ville att regulatorn skulle utgå från ett femårssnitt och sedan lägga på extra “tolerans” för vädervariation. Kritiker pekade på två saker som är relevanta även i svensk kontext:

1. Kunder betalar redan för nätförstärkning. Om leveranssäkerheten samtidigt tillåts bli sämre flyttas kostnaden för avbrott (förstörd mat, stillestånd, risker för hälsa och säkerhet) direkt till hushåll och företag.
2. Transparensen brister ofta. Utan detaljerade data om rotorsaker (vilka ledningar, vilka komponenttyper, vilka områden, vilka vädermönster) blir “vädret” en bekväm förklaring som kan maskera eftersatt underhåll eller dålig prioritering.

Det finns också en strategisk dimension: om ett bolag historiskt bromsat energieffektivisering och vissa former av ren energi, har man ofta missat billiga verktyg som minskar belastningen och förbättrar driftsäkerheten.

AI i elnätet: tre konkreta sätt att minska avbrott (innan de händer)

AI kan inte trolla bort stormar. Men AI kan göra elnätsdrift mer förutseende och mer målstyrd. Jag brukar beskriva det som att gå från “larm och utryckning” till riskstyrning.

1) Prediktivt underhåll som faktiskt prioriterar rätt

Nyckeln är att kombinera flera datakällor:

• felhistorik (SCADA/OMS)
• last- och spänningsdata
• sensorer på transformatorer och brytare
• vegetation och träddata
• väderprognoser och stormbanor
• inspektionsdata (drönarbilder, termografi)

AI-modeller kan då uppskatta felrisk per komponent och per delnät. Det gör att underhållsbudget kan flyttas från “lika mycket till alla” till “mest där risken och konsekvensen är störst”.

Praktisk effekt:

• färre komponentfel som annars skulle ske “plötsligt”
• mindre akut underhåll (dyrt) och mer planerat underhåll (billigare)
• bättre leveranssäkerhet i de områden som historiskt drabbas hårdast

2) Snabbare felavgränsning och återställning med realtidsoptimering

När avbrottet väl sker är minuter viktiga. AI kan hjälpa driftcentraler att:

• identifiera trolig felpunkt snabbare
• simulera alternativa kopplingslägen för att återspänna fler kunder tidigare
• optimera resursutryckning (montörer, material, åtkomstvägar)

Det här är extra relevant vid större händelser, där det inte räcker att “skicka alla”. Man behöver prioriteringslogik som tar hänsyn till samhällsviktig verksamhet, riskkunder och konsekvenser.

3) Flexibilitet och “virtuella kraftverk” som avlastar nätet

Många avbrott föregås av stress: höga laster, lokala flaskhalsar, spänningsproblem. Här kan AI styra flexibilitet:

• smart laddning av elbilar
• styrning av värmepumpar och fastighetslast (med komfortgränser)
• batterier i fastigheter eller i nätstationer
• industriflex via avtal

Poängen är enkel: den billigaste kilowattimmen är den som inte behöver pressas genom en redan ansträngd ledning.

För hållbarhetsmålen är det också bra: flexibilitet och effektivisering minskar behovet av fossil topproduktion.

Så undviker man “AI-washing” i leveranssäkerhet

AI i energibranschen säljs ofta in med fina ord. Men elnät kräver mer än en modell som ser bra ut i en demo. Här är fem kontrollfrågor jag tycker att inköpare, nätbolag och kommunala energibolag ska ställa:

1. Vilket beslut förbättrar AI-lösningen? (underhållsprioritering, felavgränsning, laststyrning)
2. Vilken datakvalitet krävs och vem äger datan?
3. Hur mäts effekt i SAIDI/SAIFI eller motsvarande? Sätt mål i minuter och händelser, inte bara “bättre insikter”.
4. Hur hanteras bias mellan områden? AI får inte förstärka befintliga “vita fläckar” där data är sämre.
5. Hur fungerar lösningen under kris? Det är vid stormen den måste hålla.

En AI-lösning som inte kan kopplas till operativa beslut är bara ett analysprojekt med extra kostnad.

Vad svenska aktörer kan ta med sig från Ohio-fallet

Sverige har generellt hög leveranssäkerhet, men vi ser samtidigt:

• ökande elektrifiering (industri, transporter)
• fler lokala kapacitetsproblem
• större konsekvens när el försvinner (digitala betalningar, uppvärmning, logistik)

Ohio-fallet är en påminnelse om att regler och incitament spelar lika stor roll som teknik.

Tre lärdomar:

• Sänk inte ribban när pressen ökar. Bygg kapacitet och motståndskraft.
• Kräv transparens. Visa rotorsaker, åtgärder och resultat – område för område.
• Se energieffektivisering som leveranssäkerhet. Effektivisering är inte “snällt”, det är driftstrategi.

Nästa steg: en praktisk start för AI-driven nätresiliens

Om du ansvarar för elnät, energiledning i fastigheter, eller jobbar med hållbarhets- och energifrågor i en kommun eller ett industribolag, skulle jag börja här:

1. Kartlägg avbrottsmönster: var, när och varför uppstår de största konsekvenserna?
2. Identifiera “top 20”-risker: komponentfamiljer, områden, vegetation, ålder.
3. Välj ett AI-case med tydlig KPI: exempelvis “minska återställningstid med 10 %” eller “minska fel på X-komponent med 15 %”.
4. Skapa datalinjen: OMS/SCADA + tillgångsregister + väder + inspektionsdata.
5. Bygg en styrmodell för flexibilitet: börja med laddning och värme där potentialen är störst.

Det här är exakt den typ av arbete som gör att “AI inom energi och hållbarhet” blir konkret: mindre avbrott, lägre kostnad, lägre utsläpp.

När elbolag i stället vill justera ned kraven på leveranssäkerhet är det en signal om att de saknar en robust plan för nästa era av drift. Och det är där AI-baserad prediktion, optimering och energieffektivisering bör in som standardverktyg.

Frågan som hänger kvar inför 2026 är därför inte om extremvädret fortsätter sätta press på elnäten – det vet vi. Frågan är vilka aktörer som väljer att bygga smartare system och vilka som nöjer sig med att förklara bort försämringar.