AI kan korta vägen bort från kolkraft i elnätet

Kolkraften håller på att bli en dyr vana. I USA stod kol för cirka 15 % av elen 2024, jämfört med 51 % år 2001. Det är ett dramatiskt fall – och ändå ser vi nu hur politiska beslut kan trycka bromsen i sista stund genom att tvinga äldre kolkraftverk att fortsätta köra trots planerade stängningar.

Det som gör det här extra frustrerande är att det inte främst handlar om teknik. Det handlar om styrning, planering och beslutsunderlag. Och där finns en tydlig motkraft: AI i energisystemet. När elnätet står inför ökande belastning (inte minst från datacenter och elektrifiering) behöver vi verktyg som kan visa vad som faktiskt krävs för driftsäkerhet – och vad som bara blir en dyr omväg.

I den här delen av serien ”AI inom energi och hållbarhet” tittar jag på vad de amerikanska ”håll-öppet”-ordrarna säger om elnätets sårbarheter, varför kol ofta blir en dyr säkerhetsfilt, och hur AI kan hjälpa energibolag, myndigheter och industrikunder att fasa ut kol snabbare utan att tumma på leveranssäkerheten.

Varför ”håll kolkraften igång” blir dyrt – snabbt

Det korta svaret: när ett kraftverk är på väg att stängas är organisationen redan i avvecklingsläge, och att backa bandet kostar mycket pengar.

Ett tydligt exempel från USA är kolkraftverket J.H. Campbell i Michigan, där en federal order kom precis innan planerad nedstängning. Bara fram till slutet av september hade den förlängda driften kostat elkunder 80 miljoner dollar, vilket motsvarar ungefär 615 000 dollar per dag.

Kostnadsfällan: man betalar två gånger

När myndigheter stoppar en stängning sent i processen uppstår ofta ”dubbelbetalning”:

• Gamla kostnader består: personal, underhåll, bränslelogistik och reparationer i en anläggning med hög ålder.
• Nya kostnader har redan startat: kunder finansierar redan ersättningskapacitet (t.ex. vind, sol, nätförstärkningar, batterier) som planerats för att ta över.

I Colorado, där kolkraften vid Craig Station och Comanche Unit 2 riskerar att hållas kvar längre än planerat, pekar jurister och aktörer på exakt detta: elkunderna riskerar att betala både för det gamla och för det nya.

Driftsäkerhet blir ett argument – men verkligheten är rörigare

Motiveringen i USA har varit ”nödläge” och nätstabilitet. Men i fallet Campbell uteblev de befarade nödsituationerna. Samtidigt visar rapporterade driftmönster att äldre enheter kan vara av och på, alltså inte den stabila ”livförsäkring” som argumentationen antyder.

En enkel mening att bära med sig:

Ett gammalt kraftverk som tvingas leva vidare blir ofta både dyrare och mer opålitligt – samtidigt.

Det verkliga problemet: brist på snabbt, trovärdigt beslutsunderlag

Det korta svaret: energisystemet behöver beslut som kan försvaras tekniskt, ekonomiskt och klimatmässigt – i realtid, inte i efterhand.

Elnätet är komplext: väder, efterfrågetoppar, transmissionsbegränsningar, underhållsstopp, bränslepriser och nya laster (som datacenter) samverkar. När politiken går in sent och överprövar lång planering skapas osäkerhet som spiller över på:

• investeringsvilja i förnybart och flexibilitet
• nätplanering och anslutningsprocesser
• riskpremier och kapitalkostnader
• kundernas elpriser

I artikeln framgår också att konsultbedömningar pekar på att om USA skulle tvinga kvar stora fossilresurser i drift kan det handla om miljardkostnader per år för elkunderna (uppskattningar i storleksordningen 4,8–5,9 miljarder dollar per år i vissa scenarier).

Det är här AI kommer in – inte som en ”magisk knapp”, utan som ett sätt att skapa transparenta, testbara och snabbare underlag.

Så kan AI ersätta kol som ”säkerhetsfilt” i elnätet

Det korta svaret: AI hjälper oss ersätta ”håll igång för säkerhets skull” med ”visa exakt när, var och varför vi behöver kapacitet”.

1) Lastprognoser som klarar nya toppar (datacenter, elbilar, värmepumpar)

En växande del av nätstressen kommer från snabb lastökning och nya mönster. Klassiska prognosmetoder fungerar ofta bra i stabila system, men har svårt när något ändras snabbt.

AI-baserad prognostik kan:

• kombinera historik med realtidsdata (temperatur, kalender, industrischeman)
• hitta tidiga signaler på nya konsumtionsmönster
• kvantifiera osäkerhet (”hur säkra är vi på toppnivån?”)

Effekten i praktiken: om man kan förutsäga exakta toppar bättre minskar behovet av att hålla dyra anläggningar igång ”utifall att”.

2) Flexibilitet som en resurs – mätt, styrd och upphandlad

Ett av de mest underskattade alternativen till kol är efterfrågeflexibilitet: styrning av last hos industrier, fastigheter och laddinfrastruktur.

AI gör flexibilitet användbar genom att:

• identifiera vilka laster som kan flyttas utan att störa verksamheten
• optimera scheman mot elpris, nätbegränsningar och klimatintensitet
• automatisera respons vid kapacitetsbrist (t.ex. när marginalerna blir små)

Det här blir extra relevant vintertid. I december är ”topplast-logiken” tydlig även i Norden: vi behöver inte mer energi totalt – vi behöver bättre hantering av timmarna när alla vill ha el samtidigt.

3) Batterier och hybridparker: AI för styrning, inte bara installation

Batterilagring och hybrider (sol+vind+batteri) är bra på papper. Men värdet sitter i styrningen: när laddar man, när urladdar man, och hur minskar man nätträngsel?

AI-baserad optimering kan:

• maximera kapacitetsnytta vid knappa timmar
• minska slitaget genom smartare cykling
• samordna många små resurser till en virtuell kraftreserv

Det är exakt den här typen av ”snabb, styrbar effekt” som ofta används som argument för att behålla kol – men som i många fall går att ersätta med en portfölj av flexibilitet och lagring.

4) Prediktivt underhåll och driftsäkerhet utan ”zombiekraftverk”

En del av paradoxen i USA är att när ägare planerar att stänga ner minskar de underhållstakten. Då blir anläggningen mindre pålitlig – och ändå ska den plötsligt vara en trygghetsresurs.

AI inom prediktivt underhåll kan användas i hela kraftmixen:

• bättre felprognoser på nätkomponenter (transformatorer, brytare)
• tidig varning på produktionsbortfall i vindparker
• optimerad revisionstidpunkt för kritisk utrustning

Resultatet blir att systemets totala driftsäkerhet ökar utan att man låser in sig i gammal fossilkapacitet.

Om jag satt hos ett energibolag 2025-12: tre konkreta steg

Det korta svaret: börja där datan finns, bygg en flexibilitetsportfölj, och gör AI-resultaten ”regulatoriskt läsbara”.

1. Inventera era dyra timmar

   • Vilka 50–200 timmar per år driver kapacitetsproblem och kostnad?
   • Vilka geografiska flaskhalsar är det egentligen?

2. Bygg en mätbar flexibilitetsportfölj

   • industrilaster, fastigheter, laddning, reservkraft, batterier
   • sätt tydliga KPI:er (MW tillgänglig effekt, responstid, leveransgrad)

3. Gör AI-modellerna granskbara

   • dokumentera antaganden, datakällor och osäkerhet
   • kör scenarier som beslutsfattare faktiskt bryr sig om: kallperiod, bortfall, importbegränsning

Min erfarenhet är att många fastnar i teknikvalet (vilken modell?) istället för att skapa ett beslutsflöde där AI blir en del av hur man planerar, inte en demo vid sidan av.

Vad betyder detta för Sverige och Norden?

Det korta svaret: vi har inte samma kolberoende, men vi har samma behov av snabbare planering och mer flexibilitet.

Sverige har en annan produktionsmix och andra marknadsregler än USA. Men vi delar flera strukturella trender:

• ökande elbehov från elektrifiering och industri
• större väderberoende produktion i systemet
• mer fokus på effekt, inte bara energi
• högre krav på robusthet när geopolitiska risker påverkar energipriser

Det som händer i USA fungerar därför som en varningsskylt: om planering och tillstånd inte hänger med kan politiken frestas att ta kortsiktiga beslut som blir dyra för kunderna.

AI är inte lösningen på allt, men den är ett av få verktyg som kan skala i takt med komplexiteten.

Nästa steg: från politiska nödlösningar till smarta elnät

Kolkraft som hålls kvar med order är ett tecken på att systemet saknar tillräckligt snabb och trovärdig kapacitetsersättning. Det är också ett tecken på att beslutsprocessen släpar efter tekniken.

Om du jobbar med energi, fastigheter, industri eller offentlig planering: börja se AI som en del av infrastrukturen. AI för lastprognoser, flexibilitetsstyrning, batterioptimering och nätövervakning är inte ”nice to have” längre – det är det som gör att vi kan stänga det som är dyrt och smutsigt utan att få panik när topplasttimmarna kommer.

Vilken del av din organisation skulle ge snabbast effekt redan i vinter: bättre prognoser, styrd flexibilitet eller optimerad lagring?