AI i energilagring: kyla, testlab och transformatorer

Energilagring har gått från “bra att ha” till hård infrastruktur. När fler sol- och vindparker kopplas in och elnäten pressas av elektrifiering och snabbt växande datacenter, blir batterier och nätutrustning en fråga om driftsäkerhet, brandsäkerhet och leveransförmåga – inte bara klimat.

Det som sticker ut just nu (och som många i branschen underskattar) är att de mest avgörande framstegen inte alltid handlar om nya cellkemier. De handlar om tre mer jordnära saker: värmehantering, testning i rätt skala och komponenter som faktiskt går att få tag på. Och i alla tre spåren blir AI plötsligt väldigt praktiskt: inte som en buzzword, utan som ett sätt att styra, förutse och optimera.

Nedan kopplar jag tre aktuella händelser från USA – immersion cooling-partnerskap, storskalig batteritestning och en stor transformatoraffär – till vad svenska energiaktörer och hållbarhetschefer kan göra redan 2026.

Immersion cooling i BESS: brandsäkerhet som går att styra

Immersion cooling (vätskekylning där celler sänks ned i dielektrisk vätska) är ett av de tydligaste sätten att minska termiska toppar och få jämnare temperaturprofil i batteripack. Det betyder i praktiken mindre risk för att lokala hot spots triggar kedjereaktioner – och bättre kontroll över degradering.

I USA har EticaAG gått ihop med Shell för att kombinera BESS-design för immersion med Shells dielektriska vätskor (esterbaserade). Det är intressant av två skäl:

1. Värmehantering är livslängd. Batterier åldras snabbare vid höga temperaturer och vid stora temperaturgradienter. Jämnare temperatur ger ofta både bättre prestanda och mer förutsägbart slitage.
2. Brandsäkerhet är systemfråga. Branschen har länge byggt standarder runt att “hålla branden inom systemet och låta den brinna ut”. Immersion-kylning pekar mot en annan filosofi: att förebygga att man ens hamnar i läget.

Där AI faktiskt gör skillnad: prediktiv termisk styrning

AI i energilagring blir konkret när den kopplas till sensordata från temperatur, spänning, ström, tryck och gasdetektering. Med immersion cooling får du dessutom en extra “kontrollratt”: vätskans termiska beteende.

Här är tre AI-drivna tillämpningar jag ser ge snabb ROI:

• Prediktiv hot spot-detektering: modeller som hittar avvikelser mellan cellgrupper, inte bara absoluta temperaturer. Det är ofta differentialen som avslöjar tidiga problem.
• Dynamisk kylstrategi: styrning av cirkulation (om systemet har aktiv flödeskontroll) baserat på lastprofil, omgivningstemperatur och historiskt degraderingsmönster.
• Riskklassning i realtid: AI som räknar ut sannolikhet för termisk runaway baserat på mönster (snabb spänningsdropp, intern resistansökning, temperaturdrift). Det möjliggör smart “derating” innan läget blir kritiskt.

En användbar tumregel: brandsäkerhet i BESS förbättras mer av tidig upptäckt och kontrollerad nedlastning än av “större släckning” när det redan gått för långt.

Vad svenska aktörer bör fråga leverantörer om

Om du upphandlar BESS 2025–2026, räcker det inte att fråga “vilken brandsläckning har ni?”. Ställ hellre dessa:

1. Vilken temperaturuniformitet garanteras vid 0,5C / 1C drift? (be om testdata)
2. Vilka sensorer finns per modul och hur används datan? (BMS + EMS + eventuellt extern övervakning)
3. Vilken strategi finns för AI-baserad prediktiv underhållsplan? (inte en powerpoint – utan process och ansvar)

Testning i 100 kW: därför är “rätt skala” avgörande för smarta elnät

Att testa batterier i för liten skala ger falsk trygghet. Det är ett återkommande problem: labbtester under 10 kW fångar sällan den komplexitet som uppstår när styrsystem, kylning, kraftomvandlare och skyddsfunktioner samverkar.

Pacific Northwest National Laboratory (PNNL) har nu startat tester i sin nya anläggning Grid Storage Launchpad (GSL) där man kan validera system upp till 100 kW. Anläggningen började byggas 2022 och har nämnts med en prislapp runt 75 miljoner USD. Det här spelar roll, eftersom det är i den här skalan man kan börja se:

• hur kontrollsystem reagerar vid snabba laständringar
• hur värme och degradering beter sig över tid
• om säkerhetslogik triggar för ofta (eller för sent)

Första testomgången fokuserar på en vanadin redox flow-battery (VRFB) från Invinity. Flowbatterier har en annan riskprofil än litiumjon (elektrolyt i tankar, skalbar energi via tankvolym), vilket gör dem intressanta för längre lagring och stationära miljöer.

AI + testlab: snabbare väg från prototyp till bankbar

Det fina med testning i realistisk skala är att AI kan tränas på data som liknar verkligheten.

Konkreta exempel:

• Digital tvilling av batteriet: skapa en modell som matchar verklig respons på belastningssteg, temperatur och åldrande. Den tvillingen blir sedan ett verktyg för driftoptimering och felsökning.
• Optimering av intäktsstack: peak shaving, frekvensreglering, arbitrage – alla har olika slitagekostnad. AI kan lära sig den ekonomiska sweet spoten: maximal intäkt per degraderingsenhet.
• Validering av frekvensstöd: i USA måste frekvens hållas vid 60 Hz; i Norden handlar det om 50 Hz och stödtjänster som FCR och aFRR. Poängen är densamma: batterier är snabba, men styrningen måste vara stabil och verifierad.

Min ståndpunkt: om du vill ha AI-styrning i drift måste du ha testdata som är “AI-träningsbart” – med rätt upplösning, rätt variation och riktiga störningar. Annars blir AI en dyr loggvisare.

“People also ask” i praktiken: Varför flowbatterier nu?

Flowbatterier får uppmärksamhet igen av tre praktiska skäl:

1. Längre urladdningstider kan bli enklare att uppnå utan att stapla enormt många celler.
2. Separationen mellan effekt och energi (cellstack vs tank) gör designen flexibel.
3. Säkerhetsprofilen upplevs ofta som mer hanterbar i stationära anläggningar.

De är inte ett universalsvar – men de är ett seriöst alternativ i vissa nät- och industriscenarier.

Transformatorer som flaskhals: hårdvara möter AI-last

Du kan ha hur bra batterier och AI-styrning som helst – utan transformatorer står projektet still. Det är därför ON.Energy tecknar ett avtal om transformatorförsörjning motsvarande 5 GW med Prolec GE, riktat mot datacenter och förnybar infrastruktur i USA. Leveranserna ska stödja snabbare utrullning från och med 2026.

Transformatorer har varit en seg flaskhals i flera år. Ledtider har rapporterats på nivåer där projektlogik spricker: från cirka 50 veckor upp mot 127 veckor i vissa fall. Även om det lättat något, är budskapet tydligt: supply chain är numera en del av energistrategin.

Varför AI-datacenter gör transformatorfrågan akut

AI-laster är inte bara stora – de är “spikiga” och kan ändra effekt snabbt beroende på träningsjobb, schemaläggning och kylsystem. Det ställer krav på:

• ramp rate-kontroll (hur snabbt lasten får öka)
• spänningsstabilitet vid störningar
• robust bakom-mätaren (behind-the-meter) design för att inte belasta nätet i onödan

ON.Energy beskriver AI-UPS och integration med medelspänningssystem för att stabilisera AI-arbetslaster och skydda både datacenter och nät.

Här finns en tydlig koppling till serien AI inom energi och hållbarhet: AI kräver energi, men AI kan också göra energianvändningen mer kontrollerbar – om infrastrukturen är rätt dimensionerad.

Så använder du AI för att minska transformatorstress

Om transformatorer är en trång sektor, blir det extra viktigt att förlänga livslängd och minska driftstress. AI kan bidra via:

1. Prediktiv underhållsanalys: temperatur, lastprofil, harmoniska, fukt (för vissa typer) och historik används för att förutse isolationsåldrande.
2. Lastorkestrering: schemaläggning av flexibla laster (t.ex. delar av AI-jobb) så att toppar jämnas ut.
3. Koordinering med BESS: batteriet tar snabba transienter och stöder spänning, transformatorn slipper de värsta rycken.

Det här är inte “nice to have”. För många campus och industrimiljöer är det skillnaden mellan att få igenom en nätanslutning – eller fastna i begränsningar och dyra förstärkningar.

Handlingsplan 2026: så blir tekniken en lead-motor

Det mest lönsamma du kan göra är att koppla ihop säkerhet, prestanda och affär. När du pratar med kunder, investerare eller interna beslutsfattare är det sällan “AI” som övertygar. Det är driftstimmar, riskminskning och tid till driftsättning.

Här är en kort plan jag ofta rekommenderar för energibolag, fastighetsägare, industri och datacenter:

1) Sätt en gemensam KPI för AI + energi

Välj 2–3 mätetal som både teknik och ekonomi bryr sig om:

• oplanerade stopp (antal/år)
• temperaturavvikelse per modul (°C)
• intäkt per cykel eller per degraderingsprocent

2) Kräv “AI-klara” datagränssnitt i upphandling

Det betyder:

• tidsstämplad data med rimlig upplösning
• tydlig datakatalog (vilka signaler finns)
• åtkomstmodeller (on-prem, moln, hybrid)
• ansvar för datakvalitet

3) Planera för testning och validering – inte bara installation

Lärdom från PNNL:s 100 kW-satsning: validering i relevant skala är där misstag hittas billigt.

• kör driftfall som liknar din verklighet (toppkapning, stödtjänster, black start-liknande tester där relevant)
• testa skydd och fallback-logik
• dokumentera allt så att det blir bankbart och försäkringsbart

4) Ta supply chain på samma allvar som algoritmer

Transformatorer, ställverk, kablage och reläskydd kan avgöra tidsplanen mer än batteriet.

• säkra alternativa leverantörsspår
• bygg in modularitet
• designa för utbytbarhet och standardiserade gränssnitt

Nästa steg för smarta elnät i Sverige

Immersion cooling, utility-scale testning och transformatoravtal ser vid första anblick ut som tre separata nyheter. Jag ser dem som ett sammanhängande budskap: energisystemet blir mer styrt, mer datadrivet och mer beroende av pålitlig hårdvara.

För dig som jobbar med AI inom energi och hållbarhet är det här en bra tid att vara lite krävande: kräv mätbar säkerhet, kräv validerade modeller, och kräv leveransplaner som håller även när komponentmarknaden stramar åt.

När batterier kyls smartare, testas i rätt skala och kopplas in med utrustning som faktiskt finns tillgänglig, blir nästa fråga självklar: vilka delar av din energikedja är fortfarande “blinda” – och vad skulle hända om du gav dem sensorer, data och en AI-modell som kan agera i tid?