AI och energilagring: säkrare batterier, snabbare nät

Det finns en detalj som fler energichefer borde ha på sin 2026-lista: testkapacitet för energilager i rätt skala. När ett forskningslabb går från att kunna testa batterisystem under 10 kW till att köra upp till 100 kW förändras spelplanen för vad som faktiskt kan valideras – säkerhet, styrning, degradering och beteende i verkliga driftfall.

Samtidigt pressas branschen från flera håll. AI-datacenter och elektrifieringen i industrin drar upp effektbehovet, nätet behöver mer flexibilitet och leveranskedjor (som transformatorer) kan fortfarande sätta stopp för annars välplanerade projekt. Därför är det intressant att tre nyheter från USA – immersion cooling i BESS, storskalig batteritestning och transformatoravtal för 5 GW – hänger ihop i en tydlig linje: energilagring blir mer industriell, mer säkerhetsstyrd och mer data- och AI-driven.

I den här delen av serien AI inom energi och hållbarhet tar jag ställning: AI är inte “nice to have” i energilagring längre. Den är en praktisk förutsättning för att göra batterier säkra, nätstödjande och ekonomiskt försvarbara i större volymer.

Immersion cooling i BESS: säkerhet som går att styra med data

Kärnpoängen: Immersion cooling gör temperaturkontroll mer jämn och förutsägbar, vilket ger AI bättre förutsättningar att upptäcka avvikelser tidigt och styra systemet säkert.

Ett batterilager (BESS) är i grunden ett termiskt system lika mycket som ett elektriskt. Temperaturvariationer mellan celler driver degradering, minskar tillgänglig effekt och ökar riskprofilen. Här blir immersion cooling – där cellerna sänks ned i en elektriskt isolerande men värmeledande vätska – intressant. Partnerskapet mellan en BESS-tillverkare (EticaAG) och Shell fokuserar just på detta: att kombinera ett immersion-kylt system med dielektriska vätskor med hög brandpunkt.

Varför immersion cooling är mer än “brandfrågan”

Det är lätt att fastna i rubriker om brand och thermal runaway. Men jag tycker den mer affärsnära vinsten ofta är:

• Jämnare temperaturprofil → mindre cellobalans och mer stabilt beteende
• Bättre degraderingskontroll → längre livslängd och mer förutsägbara garantier
• Tydligare driftgränser → enklare att köra hårdare utan att “chansa”

Det här påverkar LCOE/LCOS-logiken direkt: om du kan hålla samma batteri inom snävare temperaturspann minskar du kostnaden per levererad kWh över livslängden.

Så gör AI immersion cooling ännu mer värdefullt

AI kommer in på två nivåer: prediktion och styrning.

1. Prediktiv säkerhet: Med tätare och mer stabil termisk data kan modeller upptäcka mönster som föregår problem – t.ex. en cellgrupp som börjar avvika i värmeutveckling under snabba rampningar.
2. Adaptiv kyl- och effektstyrning: I stället för statiska regler kan AI föreslå driftprofiler som maximerar intäkt (t.ex. frekvensreglering) men begränsar termisk stress. Resultatet blir att du “tjänar pengar med respekt för kemin”.

En enkel tumregel: Ju bättre termisk kontroll, desto mer kan du lita på dina modeller – och desto mindre behöver du dimensionera för värsta fall.

Praktiskt för svenska aktörer? Immersion cooling är extra relevant i miljöer där du har höga krav på tillgänglighet (kritisk infrastruktur, datacenter, samhällsviktig verksamhet) eller där anläggningen står nära annan bebyggelse och du vill minimera konsekvenser vid incident.

Testning i 100 kW-skala: där AI-modeller blir trovärdiga

Kärnpoängen: När testning sker i större skala kan man validera styrsystem, säkerhetsstrategier och nätstöd på ett sätt som små labbtester inte klarar – och det är exakt där AI får sin legitimitet.

Pacific Northwest National Laboratory (PNNL) har startat tester i sin nya anläggning Grid Storage Launchpad (GSL) med kapacitet upp till 100 kW. Det kan låta “litet” jämfört med megawattprojekt, men det är ett enormt steg jämfört med tidigare begränsningar under 10 kW. Skillnaden är att du nu kan testa system som faktiskt har:

• mer realistiska kontrollsystem
• mer komplex kraft- och säkerhetselektronik
• driftfall som liknar riktiga uppdrag (peak shaving, frekvensstöd)

Varför storskalig testning betyder mer än fina rapporter

När energilager ska kopplas till nätet uppstår frågor som sällan besvaras i broschyrer:

• Hur beter sig systemet vid snabba laststeg?
• Hur påverkas prestanda av temperatur, cykling och olika SoC-fönster?
• Hur robust är frekvensresponsen när styrningen möter verkliga störningar?

Det här är också “AI-frågor”. Om du tränar eller kalibrerar modeller på data från för små system riskerar du att bygga in fel antaganden. Jag har sett det i flera sammanhang: modeller som ser bra ut i labb men faller isär när verklig styrlogik, tidssynk och mätbrus kommer in.

Flödesbatterier (VRFB) som testobjekt – och AI:s roll

Första testomgången i GSL kretsar kring ett vanadin redox flow-batteri (VRFB) från Invinity. Flödesbatterier skiljer sig från litiumjon genom att energin lagras i en vätskeelektrolyt i tankar och effekten avgörs av cellstacken. För nätet betyder det ofta:

• bra uthållighet (lång varaktighet)
• tydlig skalbarhet genom större tankvolym
• andra degraderings- och driftmönster än litium

AI kan bidra genom att optimera driftstrategier för långvariga system: när ska du ladda ur, hur undviker du onödiga pumparbeten, hur minimerar du förluster vid deltlast? Det blir särskilt intressant i kombination med förnybar integration där du vill “forma” produktionstoppar och undvika dyra nätavgifter.

Frekvensreglering: snabbhet är bra, precision är bättre

Elsystemet måste hålla stabil frekvens (i USA 60 Hz; i Sverige 50 Hz). Batterier är attraktiva för frekvenshållning eftersom de kan reagera snabbt. Men i praktiken vinner du på precision och uthållig leverans – och där är AI starkt:

• bättre filtrering av mätbrus och falska signaler
• adaptiva parametrar baserade på nätets beteende
• prediktion av behov (så att du inte tömmer dig för tidigt)

När testcentra öppnar för oberoende validering får marknaden något den länge saknat: jämförbar prestanda. Det kommer öka pressen på leverantörer att inte bara lova – utan visa.

Transformatorer och datacenter: flaskhalsen som styr tidsplanen

Kärnpoängen: Transformatorer är fortfarande en praktisk begränsning för energilagringsprojekt, och AI-datacenter förstärker behovet av snabbare, mer nätvänlig effektstyrning.

ON.Energy har annonserat ett transformatoravtal på 5 GW med Prolec GE, med fokus på datacenter och förnybar infrastruktur. Det intressanta här är inte bara volymen – det är signalen: aktörer som bygger energilösningar för AI-laster försöker nu säkra hårdvara långt i förväg.

De senaste åren har branschen rapporterat väldigt långa ledtider för transformatorer (i vissa fall upp mot 127 veckor enligt branschuppgifter). Även om läget kan variera över tid är budskapet tydligt: du kan ha mark, tillstånd och finansiering – och ändå bli stående.

Varför AI-datacenter ändrar kravbilden på BESS

Datacenter med AI-träning och inferens beter sig inte som traditionella kontorslaster. De kan ha:

• snabba rampningar i effekt
• krav på hög leveranssäkerhet (UPS-funktion)
• behov av att inte “störa” nätet med kraftiga variationer

Det gör att kombinationen BESS + styrning blir central. ON.Energy beskriver att transformatorerna ska integreras i en lösning som stabiliserar AI-arbetslaster och reglerar ramp rates. Jag gillar den inriktningen, eftersom den är realistisk: nätet bryr sig inte om att din last är “AI” – nätet bryr sig om spänningskvalitet, frekvens och överbelastning.

Här är AI i praktiken en kontroll- och optimeringsmotor:

• fördela effekt mellan nät, batteri och eventuell lokal produktion
• förutsäga lasttoppar minuter till timmar i förväg
• hålla sig inom nätavtal och minimera effektavgifter

Så kopplar du ihop säkerhet, testning och leveranskedja i ett AI-upplägg

Kärnpoängen: De bästa energilagerprojekten 2026 kommer behandla AI som en del av systemdesignen – inte som ett påklistrat analyslager.

Om du ansvarar för energilager, industriell elektrifiering eller datacenterenergi i Sverige finns en konkret lärdom här: de tre spåren måste planeras ihop.

En praktisk checklista för 2026-projekt

1. Säkerhetsstrategi som är mätbar

   • Definiera vilka sensorer som krävs (temperatur, gas, spänning, impedans)
   • Sätt tydliga trösklar och åtgärder (begränsa effekt, isolera strängar, larma)

2. Testning som matchar driftfallet

   • Kräv validering på realistiska rampningar och tjänster (peak shaving, FCR)
   • Utvärdera hur styrsystemet beter sig vid kommunikationsstörningar

3. AI-modeller som får äga en del av styrningen

   • Börja med beslutstöd, gå mot semi-autonom styrning
   • Mät KPI:er som degradering per cykel, temperaturgradienter, oplanerade stopp

4. Leveranskedja: säkra “tråkiga” komponenter tidigt

   • Transformatorer, ställverk, reläskydd och mätning kan bli tidskritiska
   • Lägg in alternativa specifikationer och godkända ersättningsprodukter

Det här är inte glamouröst. Det är så projekt faktiskt blir byggda.

Nästa steg: AI som gör energilagring bankbar

Det som händer nu är en mognad. Immersion cooling handlar om att göra batterier mer förutsägbara termiskt. Utility-scale testning handlar om att göra prestanda trovärdig i rätt skala. Transformatoravtal handlar om att få projekt att hända i tid. Och AI är tråden som kan binda ihop allt: från säker drift till ekonomisk optimering.

Jag tror att 2026 blir året då fler svenska aktörer går från “vi ska använda AI” till “vi har AI i drift som påverkar beslut i realtid”. Den som väntar för länge riskerar att fastna med konservativa driftsätt, högre degradering och sämre affärscase.

Om du planerar ett batterilager eller en datacenterlösning: vilken del av din drift är du beredd att låta data bevisa – och vilken del bygger du fortfarande på antaganden?