AI som får energilagring att fungera i stor skala

2025 blev året då USA:s energilagring sprang ifrån sin egen historia. Redan efter tre kvartal hade landet installerat 12,6 GW batterilagring – mer än hela 2024, som i sig var ett rekordår med 12 GW. I Q3 2025 tillkom 5,3 GW/14,5 GWh. Det här är inte en kuriositet för energinördar. Det är ett tydligt tecken på att elnäten går in i en ny fas där batterier och AI måste växa upp tillsammans.

Det flesta pratar om batterier som hårdvara: celler, containrar, växelriktare. Men när lagring byggs i den här takten blir den verkliga flaskhalsen mjukvara: prognoser, optimering, styrning, marknadsbud, riskhantering och underhåll. Mer lagring utan bättre styrning ger inte ett smartare elnät – bara ett mer komplext.

I den här delen av vår serie “AI inom energi och hållbarhet” använder jag USA:s 2025-siffror som en praktisk spegel: vad händer när lagring exploderar i volym, varför blir AI avgörande, och vilka konkreta AI-use cases svenska energibolag, industrier och fastighetsägare kan ta med sig hem.

Rekordtillväxten i USA visar vad som väntar

Det centrala budskapet från de senaste kvartalssiffrorna är enkelt: energilagring har gått från ”komplement” till ”systemkomponent”.

I Q3 2025 installerades på utilitiesidan 4,6 GW/13,6 GWh, en ökning med 27 % jämfört med året innan. Två delstater dominerar: Texas och Kalifornien stod för 82 % av den installerade kapaciteten. Det är logiskt. Båda har stora elmarknader, hög andel sol/vind och tydliga intäktsmöjligheter för flexibilitet.

Samtidigt ser vi en intressant detalj: nya marknader börjar växa. Wisconsin installerade 210 MW under Q2 och Q3, och godkände dessutom ett projekt för långvarig energilagring på 20 MW/200 MWh. Poängen är inte Wisconsin i sig. Poängen är mönstret: när regelverk och affärsmodeller landar, kan lagring skala även utanför ”de vanliga” regionerna.

Varför siffrorna betyder mer än ”mer batterier”

När man pratar GW och GWh blir det lätt abstrakt. En mer användbar översättning är detta:

• GW (effekt) är hur snabbt batteriet kan ladda/leverera.
• GWh (energi) är hur länge det kan hålla på.

Q3 2025:s 13,6 GWh på utilitiesidan innebär att USA inte bara bygger ”snabba” batterier för korta prisspikar – man bygger volym som faktiskt kan flytta stora energimängder över timmar. Det ökar värdet av batterier, men också kraven på planering och styrning.

Varför AI blir nödvändigt när lagring skalar

AI behövs inte för att batterier ska existera. AI behövs för att batterier ska göra rätt jobb vid rätt tidpunkt – varje dag, i ett system med tusentals rörliga delar.

När 2025 års volymer rullas ut uppstår tre problem som inte går att ”schemalägga bort” med enkla regler:

1. Prognososäkerhet i flera led (last, sol/vind, priser, nätbegränsningar)
2. Fler intäktsströmmar som konkurrerar (energiarbitrage, stödtjänster, kapacitetsvärde, nätavgifter)
3. Teknisk degradering och risk (batterihälsa, temperatur, cykling, garanti- och säkerhetskrav)

AI är inte magi. Men AI är bra på att väga samman många variabler och fatta beslut med tydliga mål: kostnad, CO₂, robusthet eller intäkt.

Ett batteri utan AI-liknande optimering är som en elbil utan navigering: du kan köra, men du kommer ofta köra fel.

AI-use case 1: Lastprognoser och “net load” som faktiskt stämmer

I takt med mer sol och vind blir det inte bara viktigt att prognostisera last. Man måste prognostisera nettolast (last minus förnybar produktion). Det är nettolasten som avgör när batterier ska laddas och när de ska stötta.

Praktiskt värde:

• färre timmar med dyr toppimport
• bättre planering av stödtjänster
• mindre risk att ”ladda på fel sida” av en prisrörelse

För svenska aktörer kan samma logik appliceras på:

• lokala nät där effekttoppar driver kostnader
• industrikluster med svängande belastning
• fastighetsportföljer där styrning sker per kvarter

AI-use case 2: Optimering mot flera marknader samtidigt

I USA driver “merchant revenue opportunities” mycket av tillväxten, alltså intäkter från marknaden snarare än fast ersättning. Då räcker inte en enkel strategi som ”ladda när det är billigt, sälj när det är dyrt”. Batteriet kan samtidigt behöva:

• leverera frekvensreglering
• hålla reserv för nätstabilitet
• undvika nätavgifter/effekttariffer
• respektera driftgränser och temperatur

AI-baserad optimering (ofta en mix av maskininlärning + matematisk optimering) kan räkna på detta som ett portföljproblem.

En konkret tumregel jag ofta återkommer till: ju fler intäktsben du vill ha, desto mer måste styrningen likna portföljförvaltning. Det är en mjukvarufråga.

AI-use case 3: Prediktivt underhåll och batterihälsa

När kapaciteten växer blir även små procentuella förbättringar stora pengar. Ett batteris verkliga ekonomi påverkas av:

• cykeldjup (hur hårt du använder det)
• temperaturprofil
• laddhastigheter
• balans mellan celler
• hur du hanterar toppar och ”stressiga” körningar

Med AI kan man bygga modeller som förutser degradering och optimerar driften så att man får en bättre balans mellan intäkt idag och kapacitet imorgon.

För operatörer betyder det:

• färre oplanerade stopp
• bättre garantiuppföljning
• högre tillgänglighet under kritiska timmar

Distributed storage: där komplexiteten exploderar

USA-siffrorna visar att tillväxten inte bara är storskalig. Även CCI (community, commercial & industrial) och bostadssegmentet växer – med stark regional koncentration.

• CCI-installationer i Q3 dominerades av Kalifornien (54 %).
• Bostadssegmentet ökade 8 % kvartal-till-kvartal, drivet av bland annat Kalifornien och Arizona.
• Puerto Rico hade högst kvartalsvis tillväxt, kopplat till höga elpriser och behov av robusthet.

Här blir AI ännu mer central, eftersom vi inte pratar ett batteri – vi pratar tusentals. Då blir tre saker kritiska:

Virtuella kraftverk (VPP) och orkestrering

När många små batterier agerar tillsammans blir de ett virtuellt kraftverk. Utmaningen är att samordna:

• kundernas preferenser (resiliens först, ekonomi sen)
• nätets behov (effekttoppar, spänningsproblem)
• marknadens signaler (priser, stödtjänster)

AI behövs för att:

• förutsäga hur mycket flexibilitet som faktiskt finns tillgänglig
• prioritera vilka enheter som ska användas
• minimera påverkan på kundnytta och batterislitage

Dynamiska tariffer och styrning i realtid

När exportersättning sjunker eller effekttariffer blir skarpare (vilket vi ser även i Europa) uppstår efterfrågan på smart styrning. För fastigheter och industri handlar det ofta om att:

• kapa effekttoppar (peak shaving)
• flytta laster (load shifting)
• kombinera sol, batteri och flexibilitet i ett system

AI kan förbättra detta genom att lära sig byggnadens/linjens beteende och styra proaktivt istället för reaktivt.

Prognosen framåt: mer lagring, men ojämn takt – och mer AI

Prognosen för USA är 92,9 GW/317,9 GWh installerad lagring de kommande fem åren. Samtidigt väntas en tillfällig nedgång i utilitiesegmentet 2026 (-11 %) och 2027 (-8 %), innan marknaden tar fart igen 2028–2029 när inhemsk celltillgång blir mer tillgänglig.

Det här mönstret är relevant även för svenska beslutsfattare: energisystemet går inte spikrakt uppåt. Politik, handel och leveranskedjor skapar hack.

Så vad gör man när hårdvarutakten varierar? Man bygger konkurrensfördel i det som är mer stabilt över tid: data, modeller och operativ förmåga.

Den som lär sig styra lagring bra 2026 kommer tjäna mer på varje MWh 2029.

En praktisk checklista: är ni “AI-redo” för energilagring?

Om du jobbar på energibolag, industri eller fastighetsägare och funderar på nästa steg, här är en enkel men effektiv checklista jag brukar använda:

1. Datagrund: Har ni 15-minuters (eller bättre) tidsserier för last, produktion, priser och avbrott?
2. Målbild: Optimerar ni för kostnad, CO₂, resiliens eller intäkt – och i vilken ordning?
3. Driftbegränsningar: Är batteriets tekniska gränser (effekt, SOC, temperatur) modellerade och tillgängliga i styrsystemet?
4. Beslutsloop: Vem tar beslut, hur ofta, och kan det automatiseras säkert?
5. Uppföljning: Har ni KPI:er som kopplar AI-styrning till faktisk effekt (kr/kW, kr/MWh, CO₂, tillgänglighet)?

Om du får ”nej” på flera punkter är det helt normalt. Men det är där ledmöjligheten finns.

Vad svenska aktörer kan ta med sig redan nu

USA:s rekordår 2025 visar att lagring blir ett volymfenomen snabbt när ekonomin och politiken pekar åt samma håll. Sverige har andra marknadsförutsättningar, men samma systemutmaning: mer förnybart, mer elektrifiering, mer effektbehov – och ett elnät som måste drivas stabilt.

Min tydliga ståndpunkt: AI i energisektorn ska inte börja med stora ”AI-program”. Den ska börja med en konkret driftfråga som går att mäta.

Bra startpunkter som ofta ger resultat inom 8–16 veckor:

• förbättrad last- och prisprognos för en site
• enkel optimering för peak shaving + stödtjänster
• prediktiva larm för batterihälsa och avvikelser

När det sitter kan ni skala till portfölj och VPP.

Det här är också kärnan i AI inom energi och hållbarhet: AI är inte ett sidoprojekt. Det är ett sätt att göra energisystemet mer resurseffektivt, robust och billigare att driva.

Avslutningsvis: när energilagring passerar rekordnivåer blir den stora frågan inte “hur många MW kan vi bygga?”. Den blir “hur bra kan vi styra dem?” Vilken del av er verksamhet skulle bli mest lönsam (eller mest hållbar) om ni hade bättre prognoser och smartare optimering redan i Q1 2026?