AI och resiliens: Puerto Ricos val mellan sol och nät

Ett elavbrott kan vara irriterande i Sverige. I Puerto Rico har det varit en fråga om liv och död. Efter orkanerna Irma och Maria 2017 följde den längsta elblackouten i USA:s historia, och tusentals människor dog i dess spår när sjukvård, kylkedjor för läkemedel och grundläggande kommunikation slogs ut.

Det som gör Puerto Rico extra intressant för oss som jobbar med AI inom energi och hållbarhet är att ön i praktiken testar en fråga som också Sverige brottas med, fast i annan skala: ska framtidens robusta energisystem byggas “uppifrån” med ett härdat stamnät – eller “nerifrån” med distribuerad solel, batterier och mikronät? Puerto Rico visar dessutom hur politiska beslut kan svänga snabbt, och varför datadrivna planeringsmodeller behövs för att hålla riktningen.

Den här texten använder Puerto Rico som fallstudie och zoomar ut: vad kan AI och avancerad analys faktiskt bidra med när man måste välja mellan centraliserad och distribuerad energi? Och vilka lärdomar är direkt överförbara till kommuner, energibolag och fastighetsägare i Norden?

Varför Puerto Rico hamnade i ett vägskäl

Puerto Rico står inte inför ett ”teknikval” utan ett systemsval. Kärnproblemet är en kombination av:

• Sårbar geografi: el ska transporteras över bergig terräng, där extremväder slår hårt mot ledningar och stolpar.
• Koncentrerad produktion: många fossileldade anläggningar ligger samlade (bland annat på sydkusten), vilket skapar stora konsekvenser om en nod fallerar.
• Återkommande avbrott även utan storm: bristande underhåll och åldrande infrastruktur gör att störningar blivit ”normalläge”.

Mot den bakgrunden blir det logiskt att många lokala aktörer förespråkar taksolceller med batterier, och i vissa fall mikronät som kan kopplas loss från huvudnätet vid kris.

Pengarna och politiken som styr riktningen

En avgörande faktor i artikeln är att stora federala återhämtningsmedel (över 12 miljarder dollar nämns i sammanhanget) ska användas för att bygga upp energisystemet. Under Biden-administrationen riktades satsningar mot distribuerad sol och batterier. Under Trump-administrationen har finansiering i stället styrts mot att härda nätet och stödja mer centraliserad produktion, i praktiken ofta fossil.

Det här är en central poäng för energiplanering: tekniskt bästa lösning vinner inte automatiskt. Den lösning som får budget, tillstånd och tempo vinner.

Domstolsbeslutet: en juridisk detalj med stor systemeffekt

Domstolen som skickade FEMA tillbaka till ritbordet handlar formellt om miljöprövning och kravet att analysera alternativ. Men i praktiken tvingar beslutet fram något som energisektorn ofta slarvar med:

När du bygger om ett elsystem för miljarder måste du jämföra alternativ på riktigt – inte bara optimera den lösning du redan bestämt dig för.

För oss som arbetar med AI-driven energiplanering är det nästan en checklista:

• definiera mål (resiliens, kostnad, utsläpp, rättvisa)
• jämför alternativ (centraliserat vs distribuerat)
• stress-testa med scenarier (orkaner, bränsleprischocker, komponentbrist)
• räkna på både teknik och samhällseffekt (hälsa, mortalitet, ekonomi)

Domstolen kan inte tvinga fram sol på taken. Men den kan tvinga fram bättre beslutsunderlag. Och det är exakt där AI kan göra skillnad.

Distribuerad sol + batterier: varför det fungerar i kris

Distribuerad energi är inte “mysig lokalism”. Det är ingen romantisk idé. Det är en riskstrategi.

Här är den enkla mekaniken:

• När produktionen ligger nära förbrukningen minskar beroendet av långa transmissionsledningar.
• Batterier gör att solel blir användbar även när moln eller kväll kommer.
• Mikronät kan ö-driftas (drivas isolerat) när huvudnätet fallerar.

I Puerto Rico finns redan en betydande bas: IEEFA uppger att det per 2025-06 fanns 1,2 GW nätansluten taksol, vilket levererar över 10 % av öns elanvändning.

Men det stora hindret är inte tekniken – det är hushållsekonomin

Artikeln pekar på ett återkommande mönster: många vill ha sol + batteri, men kan inte betala. I bergsregioner nämns en medianinkomst under 25 000 dollar per år, och IEEFA bedömer att omkring 350 000 hushåll sannolikt inte installerar taksol utan stöd.

Det betyder att distribuerad resiliens riskerar att bli en klassfråga: de som har råd klarar nästa storm bättre.

AI kan inte lösa ojämlikhet på egen hand. Men AI kan göra stödsystem träffsäkrare: hitta var investeringar ger mest resilienseffekt per krona, och vilka byggnader som bör prioriteras (äldreboenden, skolor, vårdcentraler, kylkedjekritiska verksamheter).

Centraliserat nät och storskalig produktion: när det ändå är rätt

Centraliserade lösningar är inte ”fel”. De är ofta effektiva i vardagsdrift och kan ge lägre produktionskostnad per kWh i vissa fall. Problemet i Puerto Rico är systemrisken: när en central nod går ner, eller när transmissionsstråken skadas av extremväder, får du stora avbrott.

En intressant detalj i artikeln är att även storskaliga solparker skapar en liknande sårbarhet som fossileldade kraftverk: elen måste fortfarande transporteras. Dessutom byggs solparker på vissa håll på platt, bördig mark som annars lämpar sig för jordbruk.

Det är precis här AI-baserad planering gör nytta: den kan väga samman elnytta, markanvändning, nätkapacitet och risk.

En praktisk tumregel

• Stamnät och regionnät är nödvändiga för industri, städer och storskalig flexibilitet.
• Distribuerade resurser är nödvändiga för att undvika att hela samhällen blir strömlösa när nätet skadas.

Den realistiska vägen är nästan alltid en hybrid. Frågan är inte ”antingen eller”, utan hur mycket av varje – och var.

Så kan AI avgöra rätt mix (på riktigt)

AI är inte en spåkula. Men rätt använd är den ett sätt att fatta beslut som håller i 10–30 år, även när väder, priser och politik ändras.

1) Resiliensmodellering med scenarier (extremväder + fel i nät)

För Puerto Rico är den viktigaste frågan: hur snabbt kan vi återställa samhällsviktiga funktioner när nätet faller? AI kan användas för att:

• simulera stormbanor och sannolik skada på ledningsnät
• prioritera förstärkning av kritiska noder (stationer, matarledningar)
• optimera placering av batterier och mikronät så att “svarta hål” minimeras

Det här liknar hur man dimensionerar vinterberedskap i Sverige – men med storm som huvudscenario.

2) Prognoser och styrning för ett “smartare” distribuerat system

När många takanläggningar och batterier kopplas ihop uppstår ett nytt problem: koordinering. AI kan:

• prognostisera lokal produktion (sol) och last (förbrukning)
• styra batterier för att kapa effekttoppar
• orkestrera resurser i virtuella kraftverk så att de beter sig som en stabil resurs för nätet

Det här är nyckeln om distribuerad sol ska vara mer än “backup för den som har råd”. Den måste bli en integrerad del av systemet.

3) Optimering av investeringsportföljen: kronor per undviken avbrottsminut

Om du har miljardbudgetar (som FEMA) behöver du en tydlig prioriteringslogik. Jag föredrar att uttrycka det i hårda mått:

• SEK per undviken avbrottsminut (SAIDI/SAIFI-effekt)
• SEK per ton CO₂e i minskade utsläpp
• SEK per skyddad kritisk tjänst (vårdplatser, skolor, vattenpumpar)

AI-baserade optimeringsmodeller kan väga dessa mål samtidigt och föreslå en portfölj: lite nät, lite mikronät, mycket energieffektivisering där det ger snabbast effekt.

Vad svenska aktörer kan ta med sig direkt

Puerto Rico är extremt, men mekanismerna är universella. Här är tre lärdomar som går att använda i svenska energiprojekt redan 2026:

1) Resiliens ska upphandlas som funktion – inte som teknik

Skriv krav som: “kritiska fastigheter ska klara X timmar utan nät” eller “kommunen ska kunna driva värmestugor och vattenförsörjning i Y dygn”. Låt sedan lösningen vara en kombination av batterier, laststyrning, reservkraft och lokala sol-/lagringssystem.

2) Energieffektivisering är den billigaste ‘produktionsformen’ i kris

Artikeln lyfter även effektivisering och att styra användning till tider med lägre belastning. Det är ofta underskattat.

AI i fastigheter (prognosstyrning av värme/ventilation, laststyrning av laddning) kan frigöra kapacitet i nätet snabbare än nya ledningar hinner byggas.

3) Rättvisa är en systemparameter

Om bara villaägare med kapital kan bygga resiliens får du ett energisystem som fungerar ojämnt – och tappar legitimitet.

Planera stöd utifrån data: vilka områden har högst sårbarhet, längst avbrottstid historiskt och flest kritiska behov? Det är en bättre metod än “först till kvarn”.

Nästa steg: från debatt till beslutsmodell

Puerto Rico visar varför debatten om distribuerad sol kontra centraliserat nät ofta blir låst: man pratar om teknik, när man borde prata om mål, risk och styrning. Den som bygger beslutsmodellen vinner riktningen.

För dig som ansvarar för energi, hållbarhet eller fastighetsportfölj är en bra start att formulera tre frågor och kräva datadrivna svar:

1. Vilka avbrottsscenarier dimensionerar vi för (2025–2040)?
2. Vilka samhällsfunktioner ska aldrig falla bort, och hur länge?
3. Vilken mix av nätinvesteringar, distribuerade resurser och effektivisering ger lägst total risk per investerad krona?

Det är här AI inom energi och hållbarhet passar perfekt: inte som “automation för automationens skull”, utan som sättet att räkna, prioritera och genomföra utan att fastna i magkänsla och politiska tvärkast.

Och den stora frågan som hänger kvar efter Puerto Rico-fallet är obekväm men nödvändig: bygger vi elsystem för en normaldag – eller för dagen när allt går fel?