AI i elnätet: slipp kolkriser och dyra nödlösningar

En siffra fastnar: att hålla ett 63 år gammalt kolkraftverk igång kan kosta över 615 000 dollar per dag. Det var prislappen som rapporterades när J.H. Campbell-anläggningen i Michigan tvingades fortsätta köra trots att både elbolag och tillsynsmyndigheter bedömde att stängningen inte skulle hota driftsäkerheten.

Det här är inte bara en amerikansk politisk strid om kol. Det är ett tydligt exempel på ett mönster som många elsystem hamnar i när planering, prognoser och flexibilitet släpar efter: när vintern närmar sig tar man till nödbromsen i stället för att ha byggt in robusthet.

I den här delen av serien ”AI inom energi och hållbarhet” tar jag ställning: att förlänga livet på gamla fossilanläggningar som ”beredskap” är ofta en dyr genväg. Det är smartare (och snabbare än många tror) att investera i AI-driven efterfrågeprognos, smarta elnät och flexibel kapacitet som faktiskt går att styra när det behövs.

Vad Michigan-fallet egentligen säger om elsystemet

Det centrala budskapet är enkelt: när ett kraftverk som skulle pensioneras ändå hålls kvar med hänvisning till ”energikris” blir det ofta ett tecken på bristande systemflexibilitet och dålig riskhantering, inte på att kol är en bra lösning.

I Michigan-fallet handlade det om att USA:s energidepartement (DOE) använde sin nödbefogenhet för att hålla J.H. Campbell i drift i ytterligare 90 dagar (och det var tredje gången under 2025). Samtidigt pekade både delstatliga tillsynsmyndigheter och regionala nätoperatören MISO på att anläggningen inte behövdes för driftsäkerheten.

Det mest intressanta är inte vem som ”har rätt” juridiskt. Det intressanta är vad som händer när politiken försöker ersätta systemdesign:

• Kunderna får notan (här: tiotals miljoner dollar på några månader).
• Utsläppen fortsätter trots att alternativ finns.
• Risken flyttas: ett gammalt verk är oftare mer felbenäget än moderna resurser.

Ett elsystem som kräver nödbeslut för att klara vintertoppar är ett elsystem som planeras baklänges.

Varför ”håll kolkraftverket öppet” sällan ger trygghet

Den snabba förklaringen: ålder och komplexitet. Äldre kolkraftverk tenderar att ha fler oplanerade stopp, mer underhållsbehov och sämre verkningsgrad. När man då säger ”vi behöver det här verket för nödlägen” bygger man beredskapen på något som statistiskt sett kan vara sämre när det verkligen gäller.

Tre praktiska problem med nödförlängningar

1. Kostnadskurvan går åt fel håll När man tvingar fram drift efter planerad nedläggning blir det ofta dyrare: reservdelar, personal, bränslelogistik och kortsiktiga driftbeslut.

2. Fel typ av kapacitet Vinterutmaningar handlar ofta om snabb respons och lokala flaskhalsar. Ett stort centralt verk kan hjälpa ibland – men inte alltid där och när problemet uppstår.

3. Man tränger undan investeringar i flexibilitet Om marknaden eller politiken signalerar att ”det löser sig med undantag” minskar pressen att bygga ut det som faktiskt gör nätet robust: lagring, efterfrågeflex, nätförstärkning och bättre styrning.

AI-driven prognos: den billigaste “nya kapaciteten”

Den mest underskattade sanningen i energibranschen: den bästa kilowattimmen är ofta den du slipper producera vid fel tidpunkt.

AI gör skillnad här eftersom modern maskininlärning kan prognostisera belastning och produktion mer träffsäkert än traditionella modeller, särskilt när vädret blir mer extremt och beteenden förändras.

Vad AI kan prognostisera (och varför det hjälper vinterberedskap)

• Efterfrågetoppar per timme baserat på temperatur, vind, nederbörd, helgdagar, evenemang och historiska mönster.
• ”Ramp”-händelser: när belastningen stiger snabbt (typiskt kalla morgnar när värmesystem och verksamheter drar igång).
• Produktion från vind och sol med högre upplösning och bättre osäkerhetsintervall.
• Felrisk i kritiska komponenter (transformatorer, brytare) genom prediktivt underhåll.

När prognoserna blir bättre kan systemet planera mer exakt:

• Lagra energi tidigare när det är billigt.
• Aktivera efterfrågeflex innan topparna blir kritiska.
• Optimera värme, laddning och industriella laster utan att försämra komfort.

Det är här kopplingen till Michigan blir tydlig: om ett system behöver hålla kvar ett kolkraftverk ”för säkerhets skull” är det ofta för att man saknar en kombination av bra prognos + styrbar flexibilitet.

Smarta elnät i praktiken: från “nödläge” till planerad flexibilitet

Ett smart elnät är inte en pryl. Det är en uppsättning arbetssätt och teknik som gör att operatören kan styra resurserna bättre.

Den direkta vinsten: du minskar behovet av dyra reservlösningar.

Tre byggstenar som brukar ge snabb effekt

1) Flexibel efterfrågan (Demand Response)

Det här är den mest missförstådda åtgärden. Många tror att det innebär att ”stänga av kunder”. I praktiken handlar det om att styra sådant som tål förskjutning:

• värmepumpar och varmvattenberedare (korta justeringar)
• fastighetsautomation (ventilation, komfortzoner)
• elbilsladdning (flytta från 17–19 till 22–05)
• industriprocesser med buffertar

Med AI kan du segmentera kunder, förutse deltagande och mäta faktisk effekt, vilket gör flexibiliteten mer pålitlig.

2) Batterier och lagring (kort och lång varaktighet)

Batterier är särskilt bra för snabba toppar och störningshantering. Kombineras de med AI-styrning kan man:

• ladda när pris/CO₂-intensitet är låg
• reservera kapacitet för kritiska timmar
• agera lokalt vid nätbegränsningar

3) Nätinsikter: sensorer, tillståndsdata och prediktivt underhåll

När vintern kommer är det inte bara ”energibrist” som ställer till det. Det är fel i komponenter, isbelastning, träd, åldrande utrustning.

AI-modeller som arbetar på driftdata kan prioritera underhåll och minska avbrott:

• tidigare varning för transformatorstress
• identifiering av återkommande störningsmönster
• smartare bemanning och reservdelslogistik

“Men om det blir riktigt kallt då?” – så bygger du robusthet utan kol

Den relevanta frågan är inte om ett gammalt kraftverk kan producera el ibland. Frågan är: vilken mix ger lägst total risk och lägst total kostnad.

Här är en robust vinterstrategi som ofta slår nödförlängningar av fossil drift:

1. Planera för de 20–50 mest kritiska timmarna Många kostnader drivs av ett fåtal extrema timmar. Optimera för dem, inte för medelvärdet.

2. Bygg en “flexportfölj” istället för en “reservmaskin” En portfölj kan bestå av batterier, avtalad efterfrågeflex, snabbstartande reserv, och lokal nätåtgärd. Det gör systemet mindre sårbart för enskilda fel.

3. Kvantifiera osäkerhet och kör scenarier AI handlar inte bara om en prognossiffra. Det handlar om att räkna på sannolikheter: hur ser risken ut om temperaturen blir 5 grader kallare än normalt i tre dygn?

4. Gör det mätbart: MWh flex, responstid, tillgänglighet Driftsäkerhet är ett ingenjörsproblem. Sätt hårda krav på:

   • svarstid (sekunder/minuter)
   • varaktighet (1h/2h/4h)
   • tillgänglighet (%)

Det är exakt den sortens krav ett åldrande kolkraftverk ofta har svårt att matcha konsekvent.

En enkel checklista för energibolag och stora elanvändare (Q&A)

Hur vet vi om vi riskerar “nödbeslut” i vår region? Titta efter tre signaler: återkommande pristoppar, återkommande kapacitetsbrist i samma nätområde, och planer som skjuter upp investeringar i flexibilitet.

Var börjar man med AI i energisystemet utan att fastna i ett flerårsprojekt? Börja där data redan finns: lastprognos per station/område och optimering av flex (laddning, värme, batterier). Det går att få effekt på 8–16 veckor om organisationen är redo.

Vilken data behövs för att lyckas? Miniminivån är timdata (helst kvart) för last, pris, väder och nätbegränsningar. För prediktivt underhåll krävs ofta sensordata och händelselogg.

Hur kopplas hållbarhet in utan att det blir en separat rapport? Styr på två mål samtidigt: kostnad och utsläpp (eller CO₂-intensitet). AI kan optimera båda om man matar in rätt signaler.

Vad vi borde lära oss av Michigan – även i Sverige

Det är lätt att avfärda Michigan som ”amerikansk politik”. Men mekanismen är universell: när marginalerna krymper frestas man att rädda gamla tillgångar i stället för att bygga flexibilitet.

I Sverige och Norden handlar diskussionen ofta om effekt, kalla vinterdagar, industriexpansion och elektrifiering. Därför är poängen högst relevant: robusthet skapas genom styrbarhet och prognos, inte genom att klamra sig fast vid gårdagens teknik.

Om du arbetar med energi, fastigheter eller industri är nästa steg konkret: kartlägg era toppar, era flexmöjligheter och er datamognad. Sedan bygger ni en plan där AI är verktyget för att göra flexibiliteten pålitlig – inte en ”pilot” som aldrig når drift.

Frågan som avgör 2026 är inte om vi kan producera mer el ibland. Frågan är: kan vi styra systemet smart nog för att slippa hamna i nödläge över huvud taget?