AI-planering när kol stängs: lärdomar från Indiana

Ett kolkraftverk kan vara på väg att stängas – och ändå förberedas för att köra vidare. Det är inte en paradox. Det är en följd av politiska nödbeslut, osäkerhet i elmarknaden och en väldigt konkret fråga: hur säkrar man effekt och energi när gammal produktion ska bort, men efterfrågan samtidigt ökar?

I mitten av december 2025 rapporterades att två kolenheter i Indiana (USA) formellt ska pensioneras före årsskiftet, men att bolagen samtidigt förbereder sig för att kunna tvingas hålla dem igång genom federala nödbefogenheter. För oss som jobbar med energi och hållbarhet i Sverige är det här mer än amerikansk politik. Det är ett skarpt case i energitransitionens svåraste del: planering under osäkerhet.

Det är också ett område där jag tycker att många organisationer fortfarande tänker för snävt. AI i energisektorn handlar inte främst om “smartare dashboards”. Det handlar om att kunna räkna på hundratals scenarier, hitta flaskhalsar i nät och produktion, och ta investeringsbeslut som tål att verkligheten ändras.

Varför “stängning” inte betyder stängning

Nyckelpoängen: När myndigheter kan beordra drift av anläggningar som annars ska avvecklas blir planeringen icke-linjär – och dyrare.

I Indiana gäller det bland annat:

• R.M. Schahfer (cirka 722 MW) som enligt plan ska stänga under 2025, men där en enhet har varit ur drift sedan juli och skulle behöva omfattande reparationer för att kunna fortsätta.
• F.B. Culley 2 (cirka 90 MW), beskriven som en liten och ineffektiv kolenhet, också planerad för pensionering.

Samtidigt finns en politisk linje som driver på för att hålla fossil kraft igång “för tillförlitlighet”. Det skapar en situation där bolagen behöver:

1. Planera för avveckling (personal, rivning, ersättningskraft).
2. Planera för nöddrift (bränslelogistik, reservdelar, bemanning, underhåll).
3. Hantera regulatoriska sidospår (exempelvis regler kring kolaska och miljökrav).

Den här dubbelplaneringen är inte bara rörig. Den är ofta direkt kostnadsdrivande för kunderna.

Kostnaden för att hålla liv i något som borde pensioneras

Nyckelpoängen: Att tvingas köra gamla anläggningar blir snabbt en dyr försäkring – särskilt när de är opålitliga.

I rapporteringen lyfts ett annat case där driftförlängning av en kolanläggning i Michigan har kostat 615 000 dollar per dag för elkunder. Den typen av siffror är viktiga, för de sätter fingret på det som ofta saknas i debatten: tillförlitlighet handlar inte bara om att “ha något som kan gå”, utan om priset per faktiskt levererad nytta.

Gamla kolenheter har dessutom ofta:

• lägre verkningsgrad
• högre underhållsrisk
• sämre flexibilitet (svårt att reglera upp och ner)

Och i ett elsystem med mer vind och sol blir flexibilitet minst lika viktig som rå effekt.

Den dolda frågan: miljörisker och kolaska driver beslut

Nyckelpoängen: Miljörelaterade driftsfrågor kan bli en indirekt “livlina” för fortsatt kolkraft – om regler mjukas upp.

En av de mer talande detaljerna i fallet är kopplingen till kolaska och oinredda deponier (unlined ponds). Det finns uppgifter om förhöjda halter av ämnen som molybden och arsenik i grundvatten nära anläggningen, samt en process där en längre tidsfrist för hantering av kolaska diskuteras.

Det här är ett exempel på varför energitransitionen inte bara är megawatt och megawattimmar. Den är också:

• saneringskostnader
• tillstånd
• miljöuppföljning
• riskhantering för lokalsamhällen

Här passar AI bättre än många tror

Nyckelpoängen: AI kan koppla ihop driftdata, miljödata och investeringsplaner i en gemensam riskbild.

I praktiken kan AI-baserad analys (i kombination med traditionella modeller) bidra genom att:

• upptäcka avvikelser i miljömätningar tidigare (anomalidetektion)
• skapa prognoser för spridningsrisker baserat på historik och lokala förhållanden
• prioritera saneringsinsatser med tydliga risk-/kostnadsmodeller

Det är exakt den typen av “systemövergripande” beslutsstöd som ofta saknas när teknik, miljö och ekonomi hanteras i separata spår.

Tillförlitlighet när efterfrågan ökar: datahallar och AI förändrar lasten

Nyckelpoängen: AI driver elbehovet uppåt (datahallar), men AI är också verktyget för att planera hur vi möter behovet utan att fastna i fossil inlåsning.

I rapporteringen nämns att AI-relaterade datahallar väntas öka elförbrukningen kraftigt kommande år. Det är en trend vi känner igen i Norden också: större effektuttag, mer behov av nätkapacitet och en helt annan profil på lasten.

Det som många missar är att datahallar inte bara är “mer förbrukning”. De kan vara en resurs om de planeras rätt:

• flexibel last (flytta beräkningar i tid)
• värmeåtervinning till fjärrvärme (i svensk kontext särskilt relevant)
• lokala batterier/UPS som kan delta i stödtjänster

AI för lastprognoser och effektplanering

Nyckelpoängen: Det är lätt att överskatta “toppen” och bygga dyr reserv – om man inte modellerar last och flexibilitet detaljerat.

AI och maskininlärning används redan för lastprognoser, men värdet ökar när man går från en enda prognos till probabilistiska scenarier:

• Hur ofta inträffar en verkligt kritisk topplast?
• Hur sammanfaller topplast med låg vind/hög kyla?
• Vad händer om en stor enhet faller bort (N-1) samtidigt som importen är begränsad?

Den typen av frågor kan besvaras bättre med en kombination av:

• klassisk kraftsystemanalys (kapacitets- och nätstudier)
• AI för mönster, osäkerhet och snabb scenarioexplorering

Det ger en mer robust plan än att bara “hålla kvar kol för säkerhets skull”.

En bättre plan än att förlänga kol: AI-stödd portfölj för ren effekt

Nyckelpoängen: Det går att ersätta kolens funktion (effekt, tröghet, reserver) med en portfölj – men den måste optimeras som ett system.

När en region pensionerar fossil kraft behöver man ersätta tre saker, inte en:

1. Energi (kWh över året)
2. Effekt (kW vid topplast)
3. Systemtjänster (frekvenshållning, reserver, spänningsstöd)

Att ersätta energi med vind/sol är ofta enklast. Effekt och systemtjänster är där det brukar knaka.

En AI-stödd “ersättningsportfölj” kan typiskt bestå av:

• batterilager (snabb reglering och reserver)
• efterfrågeflexibilitet (industri, fastigheter, datahallar)
• nätförstärkningar och kapacitetsoptimering
• styrning av distribuerade resurser (virtuella kraftverk)
• planerbar fossilfri produktion där det är rimligt (t.ex. biokraft eller kraftvärme i svensk kontext)

Så använder du AI i praktiken (utan att fastna i pilotprojekt)

Nyckelpoängen: Börja med besluten du måste ta – och jobba bakåt till vilka data och modeller som krävs.

Här är en enkel arbetsgång jag sett fungera för energibolag, nätägare och större elkonsumenter:

1. Lista 5–10 beslut som ska tas inom 6–18 månader (investering, avtal, underhåll, avveckling, flexibilitetsprogram).
2. Definiera osäkerheterna (politisk risk, bränslepriser, tillstånd, byggtider, efterfrågan, väder).
3. Bygg en scenariobank (minst 30–100 scenarier, inte 3).
4. Koppla data till modellkedjan:
   • lastdata (tim- eller kvartsvärden)
   • produktionsdata
   • nätbegränsningar
   • kostnadsantaganden
   • miljö- och compliance-data
5. Använd AI för att prioritera vilka scenarier som är mest avgörande och var robusta “no regret”-åtgärder finns.

Resultatet blir snabbare väg från analys till beslut, och mindre risk att man “köper tid” genom att hålla kvar gammal teknik.

Snabba svar på vanliga följdfrågor

Kan AI ersätta kraftsystemingenjörer?

Nej. AI förstärker arbetet genom att automatisera scenarioanalys, hitta mönster och flagga risker. Kraftsystemkompetens behövs för att sätta rätt ramar och tolka resultat.

Är det säkert att stänga kol om efterfrågan ökar?

Ja, om man planerar för effekt, flexibilitet och nät samtidigt. Att ersätta kol med bara “mer energi” räcker inte.

Varför är gamla kolenheter en dålig “backup”?

För att de ofta är dyra, opålitliga och tröga, och de kan skapa investeringsinlåsning. Backup ska vara förutsägbar, inte ett svart hål för OPEX.

Vad svenska aktörer kan lära av Indiana redan nu

Nyckelpoängen: Den största risken i energitransitionen är inte teknikbrist – det är dålig planering under osäkerhet.

Även om Indiana har sin egen politiska dynamik är mönstret globalt: elbehovet stiger, fossil kraft fasas ut, och systemet pressas av samtidiga förändringar. I Sverige och Norden ser vi liknande utmaningar i form av effektbrist i vissa elområden, långa ledtider för nät och snabbt växande industrisatsningar.

Min ståndpunkt är tydlig: att förlänga livslängden på ineffektiv fossil kraft ska vara absolut sista utvägen – och bara om analysen visar en verklig, tidsbegränsad systemrisk. Annars bör fokus ligga på att bygga den portfölj som faktiskt passar framtidens system.

Vill du göra något konkret redan efter helgerna? Börja med att kartlägga vilka beslut 2026 kräver, och bygg ett AI-stött scenariorådslag runt dem. Det är där leads och affärsvärde brukar uppstå: när beslutsfattare ser sin riskbild bli tydlig och mätbar.

Frågan som avgör 2026 är inte om vi har nog med el över året. Frågan är om vi har rätt el, på rätt plats, vid rätt tid – och en plan som håller när spelreglerna ändras.