AI-optimerad energilagring: lärdomar från NYPA:s 1,2 GW

När ett offentligt energibolag bestämmer sig för att bygga 1,2 GW ny energilagring är det mer än en teknisk nyhet. Det är en signal om vart elsystemet är på väg: mot fler timmar med billig vind och sol, fler timmar med pressade nät, och ett större behov av att styra flexibilitet som en riktig resurs.

Det här är precis varför energilagring blivit en nyckelfråga i vår serie ”AI inom energi och hållbarhet”. Batterier löser inte allt – men kombinationen lagring + AI för prognoser och optimering är ett av de mest praktiska sätten att få mer förnybart att fungera i verkligheten.

NYPA (New York Power Authority) har nyligen gett klartecken till att utveckla ytterligare 1,2 GW lagring inom ramen för sin uppdaterade plan för ny förnybar elproduktion. Samtidigt beskriver ledningen att de möter “starka federala motvindar”. För mig är det här den intressanta delen: när förutsättningarna blir stökigare blir planering och drift viktigare än någonsin – och det är där AI gör skillnad.

Varför 1,2 GW energilagring spelar roll – även i Sverige

Direkt svar: 1,2 GW ny lagring är stort eftersom det ökar systemets förmåga att hantera variationer i förnybar produktion och minska toppar i efterfrågan, vilket ger både stabilitet och lägre systemkostnader.

1,2 GW säger i sig inte allt (energiinnehåll i MWh och driftstrategi är minst lika viktigt), men storleksordningen visar att lagring håller på att bli en standardkomponent i regional energiplanering.

Det här är relevant för svenska aktörer av tre skäl:

• Mer väderberoende produktion kräver mer flexibilitet. Sverige har redan stora andelar vattenkraft och vind, men nätträngsel och flaskhalsar gör att flexibilitet behövs lokalt – inte bara nationellt.
• Nätkapacitet tar tid. Nya ledningar och stationer tar ofta många år. Lagring kan ibland ge snabbare avlastning, särskilt i kombination med smart styrning.
• Elpriser och effektfrågan är tillbaka på agendan. Efter ett par turbulenta år i Europa har många företag börjat räkna på effektavgifter, pristoppar och leveranssäkerhet på ett helt annat sätt.

En nyttig tumregel: ett elsystem utan flexibilitet blir dyrt när andelen variabel förnybar energi växer. Flexibilitet kan vara lagring, efterfrågeflex, styrning av laddning, eller vattenkraft – men lagring är ofta den snabbaste att bygga.

”Federala motvindar” – varför smart planering blir en överlevnadsfråga

Direkt svar: När stödsystem, tillstånd och marknadsregler förändras snabbt måste energiinvesteringar bli mer adaptiva, och det kräver bättre beslutsunderlag, scenarioplanering och optimering.

NYPA beskriver att de fortsätter utveckla projekt trots politiska och regulatoriska motvindar. Den typen av osäkerhet är inte unik för USA. Vi ser liknande mönster i Europa:

• förändrade nätanslutningsregler
• nya krav på miljöprövning och säkerhet
• osäkerhet kring intäktsströmmar (t.ex. stödtjänster, kapacitetsmarknader, tariffmodeller)

När regelverket gungar får man två val:

1. Vänta och hoppas på tydlighet (vilket ofta betyder förlorad tid).
2. Bygga en portfölj som klarar flera utfall – och styra den smart.

Jag är tydlig här: alternativ 2 är mer realistiskt. Men det kräver att man jobbar datadrivet, och att man kan värdera lagring inte bara som ”MW” utan som en tjänsteportfölj.

Från enstaka batteri till portfölj: vad som faktiskt förändrats

I den tidigare planen fanns begränsad lagring med (enligt rapporteringen: ett större projekt på 200 MW samt flera mindre). Att nu prata om 1,2 GW ytterligare lagring signalerar ett skifte:

• Lagring blir en systemresurs, inte ett pilotprojekt.
• Fokus flyttas från ”bygga batteri” till ”bygga förmåga”: frekvensstöd, effekt, nätavlastning, energiarbitrage.
• Drift och optimering blir lika viktiga som hårdvaran.

Och det är här AI kommer in – inte som hype, utan som driftsverktyg.

AI i energilagring: där vinsten faktiskt finns

Direkt svar: AI gör energilagring mer lönsam och mer systemnyttig genom bättre prognoser, bättre dispatch (styrning) och snabbare anpassning till marknads- och nätlägen.

Många tänker att batteriprojektet “är klart” när det är byggt. I praktiken börjar den svåra delen då: att köra anläggningen rätt, varje dag, i ett system som ändras.

1) Prognoser: från väder till pris och nätstress

Ett batteri tjänar pengar (och gör nytta) när det laddar och urladdar vid rätt tillfällen. Det kräver prognoser för:

• förnybar produktion (vind/sol)
• last/efterfrågan
• spotpris och obalanser
• sannolikhet för pristoppar
• nätbegränsningar (lokala flaskhalsar)

AI-baserade modeller – från gradient boosting till djupa tidsseriemodeller – kan kombinera väder, historik, kalendereffekter och realtidsdata. Poängen är enkel: bättre prognoser ger färre dyra felbeslut.

2) Optimering: en anläggning, många intäktsströmmar

Ett modernt batteri kan ofta:

• leverera stödtjänster (frekvens, reserver)
• kapa effekttoppar (peak shaving)
• flytta energi i tid (arbitrage)
• minska nätavgifter/effektavgifter
• stötta lokal spänningskvalitet (beroende på anslutning och regler)

Problemet? Dessa tjänster konkurrerar om samma kapacitet.

Här fungerar AI ofta tillsammans med matematisk optimering:

• Kort sikt (sekunder–minuter): reglering och stabilitet
• Dygn (timmar): schema mot pris och prognoser
• Veckor/månader: strategi mot säsongsmönster och slitage

En snippet-vänlig sanning: batteriets affär är en optimeringsfråga, inte en energifråga.

3) Batterihälsa: styrning som minskar degradering

Degradering är en av de största dolda kostnaderna. AI kan bidra genom att:

• förutsäga state of health och återstående livslängd
• rekommendera driftsstrategier som undviker onödiga fulla cykler
• optimera temperatur- och effektprofiler

Det här är extra relevant när marknaden är volatil: man vill tjäna på toppar utan att “äta upp” batteriet.

Så bygger man en framtidssäker lagringsstrategi (praktisk checklista)

Direkt svar: En robust lagringsstrategi kombinerar teknikval, platsval, intäktsdesign och AI-styrning – och den testas mot flera regulatoriska scenarier.

Om du arbetar på ett energibolag, en kommun, en industri eller ett fastighetsbolag och vill ta lärdom av NYPA:s riktning, här är en konkret checklista jag själv utgår ifrån.

Steg 1: Definiera vilket problem du löser

Välj 1–2 primära mål, inte fem.

• Nätavlastning i en flaskhals?
• Effektkostnader och effekttariffer?
• Integrera mer lokal sol/vind?
• Reservkraft och leveranssäkerhet?

Steg 2: Mappa intäkter och nyttor (även “mjuka”)

Gör en enkel matris: nytta för systemet vs nytta för din egen ekonomi.

• Vissa nyttor monetiseras direkt (prisarbitrage, stödtjänster)
• Andra kräver interna beslut (undvikna produktionsstopp, bättre ESG-utfall)

Steg 3: Välj styrstrategi tidigt – inte efter upphandling

Det här missas ofta. Driftlogiken avgör:

• dimensionering (MW/MWh)
• krav på mätning och kommunikation
• cyber- och driftsäkerhet
• vilken data du måste äga och kunna använda

En enkel princip: om du inte kan mäta det i realtid kan du inte optimera det.

Steg 4: Gör scenariotester för “motvind”

NYPA:s “federala motvindar” är en påminnelse om att kalkylen ska tåla förändring.

Testa minst tre scenarier:

1. Bas: dagens regler och priser
2. Stress: lägre intäkter från stödtjänster eller hårdare anslutningskrav
3. Uppside: högre volatilitet och större värde av flexibilitet

Steg 5: Sätt AI i rätt roll

AI ska inte ersätta driftpersonal. AI ska:

• ge bättre prognoser
• föreslå optimala scheman
• varna för risk (degradering, avvikande beteende)
• förklara beslut så att organisationen litar på dem

Det är då du får både systemnytta och affärsnytta.

Vanliga frågor jag får om energilagring och AI

“Behöver man verkligen AI? Räcker det inte med enkla regler?”

För små anläggningar kan enkla regler fungera. Men när marknaden blir volatil och du vill kombinera flera tjänster ger AI och optimering en tydlig effekt: färre suboptimerade timmar och bättre riskkontroll.

“Är 1,2 GW bara en siffra – vad betyder det i praktiken?”

Det betyder att lagring planeras i en skala där den kan påverka driften av ett regionalt elsystem. Den faktiska effekten beror på energiinnehåll (MWh), var anläggningarna byggs och hur de styrs.

“Vad är den största fallgropen?”

Att behandla batteriet som en passiv tillgång. Lagring är en aktiv resurs som behöver data, styrning, uppföljning och kontinuerlig optimering.

Nästa steg: från investering till smart drift

NYPA:s besked om 1,2 GW ny energilagring visar vart utvecklingen går: mer förnybart kräver mer flexibilitet, och flexibilitet måste drivas professionellt. När politiken och regelverken blåser åt olika håll är det inte mindre planering som behövs – utan bättre planering.

Min ståndpunkt är enkel: AI i energilagring är inte ett framtidsprojekt, utan ett driftskrav när volymerna växer. Den som bygger batterier utan en tydlig data- och optimeringsstrategi kommer sannolikt lämna pengar på bordet och skapa onödiga risker.

Om du vill ta nästa steg inom “AI inom energi och hållbarhet”, börja med en fråga som faktiskt går att agera på: Vilken flexibilitet vill vi ha om 24 månader – och vilken data måste vi samla in redan nu för att styra den?

Lagring bygger kapacitet. AI bygger kontroll.