Polens miljardstöd till energilager – så vinner AI

PLN 4,15 miljarder. Det är nivån på Polens capex-stöd till energilagring som nu går vidare i urvalet – och 183 projekt har kvalat in till nästa steg. Det som sticker ut är inte bara storleken (cirka 1 miljard euro), utan skalan: de projekt som rapporteras ha gått vidare motsvarar ungefär 20 GW och 122 GWh. Det här är inte små batterier vid en fabrik. Det är infrastruktur som påverkar hur ett helt elsystem beter sig.

För oss som jobbar med AI inom energi och hållbarhet är det här ett skolexempel på en sak jag ofta ser: politiken kan sätta fart på marknaden – men när volymerna blir så här stora räcker det inte med Excel och magkänsla. Urval, dimensionering, nätanslutning, driftsoptimering och riskhantering blir snabbt ett data- och optimeringsproblem. Och där är AI ovanligt praktiskt.

Polen gör alltså ett massivt drag för energisäkerhet och nätstabilitet. Frågan är hur man säkerställer att pengarna hamnar där de ger mest effekt – och att anläggningarna sedan faktiskt levererar intäkter, flexibilitet och stabilitet i drift.

Varför Polen satsar så hårt på energilager just nu

Polens satsning handlar i grunden om systemstabilitet när mer förnybar el byggs ut och när effektbalansen blir svårare att hålla timme för timme. Nätet behöver resurser som kan:

• jämna ut toppar och dalar i produktion och efterfrågan
• leverera stödtjänster (frekvens, spänningsstöd, snabb effekt)
• minska trängsel och avlasta flaskhalsar
• stärka energisäkerhet vid störningar

Stödet administreras av Polens nationella miljöfond (under miljöministeriet), och kraven ger en tydlig signal om vilken teknik man i praktiken vill ha: minst 2 MW / 4 MWh och en rundverkningsgrad på minst 90%. Det är en tröskel som i praktiken pekar mot BESS (Battery Energy Storage Systems).

Det intressanta: urvalet är redan ett optimeringsproblem

Totalt uppges 480 projekt ha kvalat in som stödberättigade, men endast topp 183 (32 poäng eller högre) går vidare på grund av budgettaket. Så redan innan första spadtaget sker en konkurrens om kapital.

Det här är exakt den typ av situation där beslutsprocessen riskerar att bli:

• för långsam (mycket manuell granskning)
• inkonsekvent (olika bedömare tolkar kvalitetskriterier olika)
• kortsiktig (fokus på poäng, inte på systemnytta i drift)

AI kan inte ersätta regler eller myndighetsansvar. Men AI kan hjälpa till att göra urvalet mer förutsägbart, spårbart och systemorienterat.

Vad Polens modell säger om Europas riktning för energilagring

Polen har redan ”kickstartat” marknaden via flera mekanismer. En viktig del är kapacitetsmarknaden som delat ut långsiktiga intäktskontrakt i auktioner 2022–2024, med leveransåtaganden från 2027–2029. Resultatet: nästan 4,4 GW BESS har fått kontrakt (165 MW 2022, 1,7 GW 2023, 2,5 GW 2024).

Det här är en europeisk trend: energilager går från att vara ”bra att ha” till att bli en planerad del av systemarkitekturen.

Men: reglering och långsiktig plan är fortfarande en flaskhals

Branschaktörer har samtidigt pekat på att energilagring i Polen är underreglerat och att en tydligare långsiktig plan behövs. Det är också typiskt i snabbt växande marknader: investeringar kommer först, och regelverk, nätprocesser och standarder hinner inte alltid ikapp.

Min erfarenhet är att när spelreglerna är otydliga, blir två saker extra viktiga:

1. Bättre prognoser och scenarioplanering (för att hantera osäkerhet)
2. Bättre optimering i drift (för att överleva intäktsmixens svängningar)

Båda områdena är starka AI-domäner.

Där AI gör mest nytta: urval, dimensionering och systemnytta

Den tydligaste nyttan av AI i energilager uppstår när man flyttar fokus från ”vilka projekt får stöd?” till ”vilka projekt gör nätet stabilare och billigare att driva?”

1) AI för smartare projekturval (mer än en poänglista)

Ett stödprogram bygger ofta på tillgänglighets- och kvalitetskriterier. Bra. Men när hundratals projekt konkurrerar kan man komplettera med AI-baserade analyser som uppskattar systemeffekt och risk på ett jämförbart sätt.

Exempel på variabler som går att modellera:

• lokal nätträngsel: hur ofta området är begränsat och vad ett lager kan avlasta
• förnybar profil: vind/sol-produktionens volatilitet i regionen
• sannolikhet för försening: baserat på historiska tillståndstider, leverantörsled, nätanslutningsköer
• förväntad flexibilitetsnytta: hur mycket snabbreglering projektet realistiskt kan leverera

Det viktiga är inte att få en perfekt siffra. Det viktiga är att få en konsekvent rangordning som går att granska.

En bra tumregel: om du inte kan förklara varför projekt A rankas över projekt B i tre meningar, då är modellen för otransparent.

2) AI för rätt dimensionering (MW/MWh är inte bara en budgetfråga)

Minimikravet 2 MW/4 MWh antyder 2 timmars varaktighet (C-rate 0,5). Men optimal dimensionering beror på intäktsmix och nätbehov.

Med AI och optimering kan man simulera:

• intäkter från arbitrage (köpa billigt, sälja dyrt) per timme
• intäkter från stödtjänster där responstid och tillgänglighet styr
• påverkan av batteridegradering vid olika driftstrategier

Resultatet blir ett svar på frågan: ska du bygga för 1 timme, 2 timmar, 4 timmar – eller en hybrid?

I praktiken kan en fel dimensionerad anläggning hamna i en situation där den tekniskt fungerar men ekonomiskt underpresterar. Det är en dyr miss när marknaden bygger 100+ projekt parallellt.

3) AI för att driva BESS som en portfölj, inte som enskilda projekt

När marknaden går från ”ett par pilotanläggningar” till hundratals system blir portföljtänk avgörande:

• du vill sprida risk mellan elområden/nodpunkter
• du vill standardisera driftsstrategier men anpassa lokalt
• du vill lära av driftdata och förbättra prognoser månad för månad

Det här är klassiskt maskininlärningsarbete: skapa modeller som blir bättre med tiden, och koppla dem till ett optimeringslager som tar beslut (budgivning, laddning/ urladdning) inom tekniska och regulatoriska ramar.

Så ser “intäktsmixen” ut – och varför AI behövs i praktiken

Ett nätanslutet batterilager tjänar sällan pengar på bara en sak. Det är nästan alltid en mix, exempelvis:

• arbitrage (prisspread över dygnet)
• kapacitet/beredskap (där sådana mekanismer finns)
• stödtjänster (frekvenshållning, reserver)
• lokala nätavtal (där nätägare ersätter flexibilitet)

När 2025 års auktion i Polen pågår (11–24 december) är det samtidigt en påminnelse om hur snabbt villkor kan förändras. Nya regler, ändrade ”de-rating”-faktorer, nya nätavgifter eller nya krav i grid code kan flytta hela kalkylen.

AI blir nyttigt här av ett enkelt skäl: den kan hantera många scenarier och snabbt uppdatera beslut.

Ett konkret arbetssätt jag sett fungera

1. Prognosmotor: modeller för spotpris, obalanser, volatilitet, vind/sol-prognoser
2. Constraint layer: tekniska begränsningar (SOC, C-rate), degradering, nätrestriktioner
3. Optimering: väljer laddning/ urladdning och budstrategier mot mål (intäkt, risk, tillgänglighet)
4. Uppföljning: faktisk vs planerad drift, root cause, förbättringscykel

Poängen: AI är inte en ”funktion” som man köper och är klar. Det är en operativ förmåga.

Vad svenska aktörer kan lära av Polen (även om marknaden skiljer sig)

Polen visar tre saker som är relevanta även i svensk kontext:

1) När staten skalar upp, skalar även komplexiteten upp

Stora stödprogram skapar fart, men också risk för felinvesteringar om man inte samtidigt investerar i analyskapacitet. Svenska nätägare, kommuner, industribolag och investerare som tittar på energilager bör tänka: vilka data och modeller krävs för att fatta beslut i volym?

2) Krav som 90% verkningsgrad styr teknikval och affär

Tekniska krav blir i praktiken marknadsdesign. Om du bygger projekt (eller policy) behöver du förstå hur krav påverkar:

• leverantörsmarknad
• livscykelkostnad
• driftstrategi
• möjligheten att kombinera med andra flexibilitetsresurser

3) Underreglering skapar vinnare – men bara för de som kan räkna

När regler och intäktsströmmar är i förändring vinner de som är bäst på:

• scenarier
• risk
• optimering

Det är därför jag tycker att AI i energisektorn är mer ”verktygslåda” än ”trend”. Den gör jobbet när osäkerheten är hög.

Praktisk checklista: så kommer du igång med AI för energilagring

Om du vill använda AI i planering eller drift av energilager, börja här. En för stor ambition tidigt brukar bromsa.

1. Definiera målet: systemnytta, intäkt, riskminimering eller nätavlastning?
2. Säkra datagrunden: mätdata, prisdata, prognoser, nätbegränsningar, driftloggar
3. Välj “första modellen”: prisprognos, laddningsoptimering eller projekt-riskmodell
4. Bygg spårbarhet: logga beslut, antaganden och utfall (kritisk för styrning och revision)
5. Planera för drift: vem äger modellen, vem uppdaterar den, hur hanteras incidenter?

Det här är också där många leads uppstår: organisationer inser att det finns teknik, men saknar process och ansvarskedja.

Nästa steg: från miljardstöd till robusta, smarta elnät

Polens miljardprogram visar hur snabbt energilagring håller på att bli ett bärande lager i Europas elsystem. Men storleken på investeringen gör också en sak tydlig: det räcker inte att bygga batterier – man måste bygga beslutsförmåga.

AI är det mest praktiska sättet att förbättra den beslutsförmågan: urval som tar hänsyn till systemnytta, dimensionering som matchar intäktsmix, och driftoptimering som klarar föränderliga marknadsregler.

Om du sitter med en pipeline av lagringsprojekt, eller ansvarar för flexibilitet i ett nät, är en bra start att ställa en enkel fråga: vilka beslut fattar vi ofta – och vilka av dem skulle bli bättre om de baserades på prognoser och optimering istället för statiska antaganden?