AI i energiplanering: Lärdomar från New Jersey

En sak är tydlig när man tittar på New Jerseys nya energiplan: ambitioner är billiga, effekt är dyrt. Delstaten siktar på 100% ren el till 2035 och kraftiga utsläppsminskningar till mitten av seklet. Samtidigt kommer motvinden från två håll: en federal politik som drar undan stöd för förnybart – och en elmarknad där efterfrågan skjuter i höjden när AI-drivna datacenter rullas ut.

Det här är mer än en amerikansk delstats interna strategi. Jag ser New Jersey som ett praktiskt stresstest av något som även Sverige och EU brottas med 2025: hur bygger man ett elsystem som är rent, robust och rimligt prissatt när efterfrågan inte längre är stabil? Och här kommer den kanske lite konträra poängen: om du vill nå 100% ren el i tid räcker det inte med mer sol, vind och batterier. Du behöver AI som beslutsstöd – annars famlar du i mörker när förutsättningarna ändras.

Varför New Jerseys plan är en varnande (och nyttig) mall

New Jerseys Energy Master Plan är inte juridiskt bindande, men den fungerar som en officiell kompass för investeringar, styrmedel och myndighetsprioriteringar. Problemet är att kompasser inte hjälper om kartan ritas om medan du går.

Två saker gör läget “tricky”:

1. Snabb efterfrågeökning i PJM-regionen (elnätsområdet som omfattar New Jersey och flera andra delstater), drivet av datacenter.
2. Högre kostnader och osäkerhet när federala skatteincitament och handelsvillkor förändras.

I artikeln lyfts även att New Jersey redan sett en cirka 20% ökning av sommarens elräkningar under 2025 kopplat till hur kapacitetsmarknaden utvecklats. Sådant blir snabbt valfrågor – och det är då långsiktiga planer ofta tappar fart.

Det är här AI passar in i vår serie “AI inom energi och hållbarhet”: inte som en teknikdemo, utan som ett sätt att hålla kursen när verkligheten är stökig.

Utmaning 1: Datacenter och AI skapar lastökning – och kräver bättre prognoser

Direkt svar: När elbehovet börjar växa igen räcker inte historiska trender. Du behöver AI-baserad efterfrågeprognostisering som tar hänsyn till ny industrilast, lokalisering och tid på dygnet.

Under lång tid var elanvändningen i många regioner relativt platt tack vare effektivisering och strukturförändringar. New Jerseys representanter beskriver nu en ny era: “load-growth era”. Datacenter är annorlunda än “vanlig” efterfrågan:

• De kan komma snabbt (projektcykler på månader snarare än år).
• De är geografiskt klustrade (skapar lokala flaskhalsar).
• De har hög och ofta jämn last (men med toppar vid kylning och redundansdrift).

Så kan AI hjälpa: från årsprognos till “nodnivå”

I praktiken behöver energiplanering flytta ned i upplösning:

• Var i nätet uppstår lasten?
• När uppstår den (timme för timme, säsong)?
• Vilken flexibilitet finns (kan delar av lasten flyttas eller styras)?

AI-modeller (t.ex. gradient boosting, bayesianska modeller och tidsserie-/deep learning-modeller) kan kombinera fler signaler än klassiska regressionsmodeller:

• bygglov/etableringsdata
• nätanslutningsförfrågningar
• väder och kylbehov
• elprisrespons
• driftmönster och redundanskrav

Det viktiga är inte att prognosen blir “perfekt”. Det viktiga är att den blir tillräckligt bra för att styra rätt investeringar i rätt ordning.

“Bring your own power” – smart regel, men kräver smart uppföljning

I artikeln nämns förslag där datacenterutvecklare snabbare kan få tillstånd om de tar med egen elproduktion. Idén kan minska trycket på nätet – men den kan också skapa nya risker:

• att reservkraft blir fossil (diesel/gas) och används mer än tänkt
• att lokala utsläpp och buller ökar
• att projekt blir svåra att integrera i systemdrift

AI kan här fungera som kontrolltorn: mätning, avvikelsedetektion och rapportering av faktisk drift mot tillståndsvillkor.

Utmaning 2: 100% ren el kräver mer än produktion – det kräver systemoptimering

Direkt svar: Målet “100% ren el” faller eller står med hur väl du optimerar helheten: produktion, lagring, flexibilitet, nät och kundbeteenden. AI gör den optimeringen möjlig i stor skala.

New Jersey tänker skala upp solkraft kraftigt. Planen pekar mot ungefär 22 GW solkapacitet till 2050, upp från cirka 5 GW i dag, och en utbyggnadstakt på omkring 750 MW ny sol per år från 2026. Sådana siffror är användbara, men de svarar inte på systemfrågan:

• Vad händer under flera dagar med låg sol vintertid?
• Vilka timmar uppstår överskott, och var i nätet?
• Hur mycket batteri behövs – och med vilken varaktighet?

AI i smarta elnät: “billigast är det du slipper bygga”

Energieffektivisering och flexibilitet återkommer i artikeln: den billigaste energin är den du inte behöver producera. Jag håller med – och jag skulle lägga till: den billigaste nätförstärkningen är den du kan skjuta upp genom bättre styrning.

AI i smarta elnät kan användas för:

• Peak shaving: minska toppar genom styrning av värmepumpar, laddning och byggnadsautomation.
• Prediktivt underhåll: upptäcka fel i nätstationer/transformatorer innan de blir avbrott.
• Flexibilitetsmarknader: matcha lokala behov med lokala resurser (batterier, fastighetsflex, VPP).

Det här är extra relevant i december 2025, när många organisationer planerar för 2026-budgetar: investeringar i “mer kapacitet” konkurrerar med investeringar i “bättre styrning”. AI är ofta snabbare att införa än stora fysiska nätprojekt.

Virtuella kraftverk (VPP) är inte en framtidsidé – det är en planeringsprincip

När många små resurser samordnas blir de en stor resurs. New Jersey pratar mycket om sol och batterier. För att få maximal nytta behöver de fungera som en portfölj:

• batterier vid parkeringsytor och kommersiella fastigheter
• taksol på lager och industri
• styrd laddning av elbilar

AI behövs för att:

1. förutsäga tillgänglighet (hur mycket flex finns i morgon?)
2. optimera bud (när ska resurserna aktiveras?)
3. säkra robusthet (vad händer vid fel, latens, kommunikationsbortfall?)

Utmaning 3: Politik och marknadsrisk – AI för scenarioplanering och beslut

Direkt svar: När stöd, tullar och marknadsregler ändras snabbt behöver du AI-stödd scenariomodellering som visar kostnad, risk och tidsplan under flera alternativa framtider.

Artikeln beskriver hur federala beslut påverkar:

• skatteincitament för ren energi
• kostnader via tullar på utrustning
• investerarnas vilja att gå vidare

Dessutom nämns att offshore wind (havsbaserad vind) i regionen har försenats eller ställts in – trots att den var tänkt som en stor del av måluppfyllelsen.

Så gör AI skillnad: från “en plan” till “planer som överlever verkligheten”

Många energiplaner dör av samma sjukdom: de bygger på ett huvudscenario som råkar bli fel. AI-baserad scenarioplanering kan göra arbetet mer robust genom att:

• automatisera känslighetsanalyser (kostnader, räntor, bränslepriser, leveransrisk)
• identifiera “no regret”-åtgärder (bra i nästan alla scenarier)
• prioritera åtgärder som minskar systemrisk (t.ex. flexibilitet, nätövervakning, tillståndsprocess)

En praktisk metod jag ofta rekommenderar är att kombinera:

• klassisk energisystemmodellering (för fysik och begränsningar)
• maskininlärning (för att snabbt utforska tusentals scenarier)
• optimering (för investeringsordning och driftstrategier)

Resultatet blir inte en spåkula. Det blir ett beslutsunderlag där du kan säga: “Om offshore wind försenas fem år, vad är billigaste vägen att ändå hålla utsläppskurvan?”

Vad svenska energichefer kan ta med sig redan i Q1 2026

Direkt svar: Bygg AI-förmåga runt tre saker: efterfrågeprognoser, flexibilitet och scenariostyrning – och koppla allt till ekonomi (SEK/kWh och risk).

New Jersey visar hur snabbt en energidiskussion kan gå från klimatmål till elräkningar. För att driva en hållbar omställning behöver du både klimatlogik och affärslogik.

Här är en konkret checklista:

1. Inventera nya laster

   • datacenter, laddhubbar, industriell elektrifiering
   • modellera var de kommer ansluta, inte bara hur stora de är

2. Sätt upp en “digital tvilling light” av nät och portfölj

   • börja med de mest belastade områdena
   • koppla mätdata, väder, priser och driftbegränsningar

3. Bygg flexibilitet som en resurs, inte ett pilotprojekt

   • definiera KPI:er (MW flexibel effekt, MWh flyttbar energi, svarstid)
   • upphandla styrbarhet där det är billigare än nätutbyggnad

4. Gör scenarioplanering till en återkommande process

   • kvartalsvis uppdatering av antaganden
   • tydliga “triggers” (t.ex. ränteläge, leveranstider, policybeslut)

Ett bra energimål är inte bara ambitiöst. Det är byggt så att det klarar tre dåliga nyheter på rad.

Nästa steg: från mål till maskinrum

New Jerseys plan för 100% ren el till 2035 illustrerar en obekväm sanning: energiomställning är systemdesign under osäkerhet. Och osäkerhet blir inte mindre när AI ökar elbehovet; den flyttar bara runt riskerna.

Samtidigt finns en positiv läsning. Om en region kan kombinera mer sol och lagring med AI för efterfrågeprognoser, nätoptimering och scenariomodellering, då går det att hålla både tempo och stabilitet. Det är exakt därför den här texten hör hemma i vår serie AI inom energi och hållbarhet.

Vill du omsätta detta i din organisation? Börja med en enda fråga som går att svara på med data: Vilken är vår största systemrisk de kommande 24 månaderna – och vilken AI-modell, vilken datakälla och vilken process behövs för att minska den?