AI som stabiliserar elnätet på vägen till 100% ren el

En siffra säger mer än en powerpoint: New Jersey vill nå 100% ren el till 2035. Samtidigt pressas elnätet av något som inte fanns i samma skala för några år sedan – AI-drivna datacenter som snabbt äter upp ny kapacitet. Det är en ovanlig paradox: AI skapar en del av problemet (explosiv efterfrågan), men AI är också ett av de mest praktiska verktygen för att lösa det (prognoser, optimering och styrning).

Det som händer i New Jersey är extra intressant för oss i Sverige just nu (2025-12-21). Vintern är här, effektfrågan blir konkret, och i Europa fortsätter elektrifieringen av industri och transporter. Samma tre mål återkommer överallt: tillräckligt med effekt, rimliga priser och lägre utsläpp. De går att kombinera – men bara om elnätet styrs smartare än förr.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag New Jerseys nya energiplan som exempel på en större lärdom: om du vill ha 100% ren el i praktiken behöver du inte bara fler solparker och batterier. Du behöver bättre beslutsstöd. Det är här AI-baserad prediktiv modellering och nätoptimering blir avgörande.

Varför New Jerseys plan kommer “vid fel tidpunkt” – och varför det är nyttigt

Nyckelpoängen: Ambitiösa mål blir svårare när efterfrågan plötsligt byter karaktär, och när spelreglerna (stöd, tullar, marknader) rör sig samtidigt.

New Jersey uppdaterade sin Energy Master Plan med målet 100% ren el 2035 och kraftiga utsläppsminskningar till mitten av seklet. Planen bygger tungt på storskalig solkraft och batterilagring. Enligt statens modellering skulle solkapaciteten kunna nå cirka 22 GW till 2050, från ungefär 5 GW i dag. För att hålla takten antar planen ungefär 750 MW ny sol per år från 2026, vilket är omkring dubbelt mot byggtakten 2024.

Men två saker gör tajmingen knepig:

1. Efterfrågan ökar igen. I PJM-området (regional nätoperatör) var elanvändningen länge platt eller fallande. Nu driver datacenter en ny “lasttillväxt-era”.
2. Federal motvind. Minskade eller borttagna incitament, samt tullar på importerad utrustning, höjer kostnader och skapar investeringsosäkerhet.

Dessutom har PJM:s kapacitetsauktioner drivit upp kostnader, vilket i New Jersey syntes som en omkring 20% uppgång i sommarelnotor under 2025 – något som direkt påverkar acceptansen för omställningen.

Det här är inte en amerikansk specialitet. Det är en föraning om vad många regioner kommer hantera: snabb ny belastning + långsam nätutbyggnad + volatila priser. Det kräver att vi slutar styra elnät och energisystem som om framtiden såg ut som historiken.

Datacenter-effekten: när efterfrågan blir “spikig” och svår att planera

Nyckelpoängen: Det farliga är inte bara att efterfrågan ökar, utan att den blir mer koncentrerad i tid och rum.

Datacenter är inte som “vanlig” tillväxt i elanvändning. De kan:

• ansluta i stora kliv (tiotals till hundratals MW)
• ha hög lastfaktor (nära konstant drift)
• skapa lokala flaskhalsar i nätet
• kräva hög leveranssäkerhet

När sådan last kommer snabbt blir klassisk planering lätt reaktiv: man bygger nät och produktion efter att problemen redan uppstått. Resultatet blir ofta:

• dyra akuta lösningar
• mer fossil “peak”-produktion i väntan på nät
• högre systemkostnader som hamnar på kundens faktura

Här blir AI i praktiken ett sätt att köpa tid: inte genom att trolla fram nya ledningar, utan genom att använda befintliga resurser bättre och tidigarelägga rätt investeringar.

Vad AI-baserad prognostik faktiskt tillför

Nyckelpoängen: Bra prognoser handlar inte om en siffra, utan om ett spann och en riskbild.

I ett “load-growth era”-scenario räcker det inte med årsprognoser. Man behöver prediktiv modellering på flera nivåer:

• Kort sikt (minuter–dygn): lastprognoser för drift, frekvensstabilitet, intradagspriser
• Medellång sikt (veckor–månader): planering av underhåll, batteristrategi, beredskap vid köldknäppar
• Lång sikt (år): nätinvesteringar, kapacitetsbehov, policy-scenarier

AI är särskilt bra när datan är rörig: väder, beteende, spotpriser, industrischeman, laddmönster, samt nya typer av last (som datacenter). En robust AI-modell ger inte bara “prognos = 10 000 MW”, utan också:

• sannolikheter (t.ex. 90%-intervall)
• känslighet (vad som driver topparna)
• konsekvens (kostnad/risk om vi har fel)

Det gör att regulatorer och nätbolag kan prioritera åtgärder som ger mest effekt per investerad krona.

Sol + batterier: planen är rimlig, men kräver smart styrning

Nyckelpoängen: Mer förnybart utan styrning ger inte “billig el”, det ger ibland mer volatilitet. Styrning gör det billigt.

New Jerseys plan betonar storskalig sol och batterier. Det är logiskt: sol är snabb att bygga, modulär och kostnadseffektiv – och batterier kan flytta energi från timmar med överskott till timmar med brist.

Men det finns en hake som många underskattar: när sol växer snabbt flyttar sig systemets svåraste timme från “en kall kväll” till “en sen eftermiddag när solen faller och lasten stiger”. Den klassiska “duck curve”-problematiken blir verklig.

AI för nätoptimering: från statiska regler till adaptiv drift

Nyckelpoängen: Elsystemet behöver gå från kalenderstyrning till tillståndsstyrning.

Det AI kan göra i ett sol- och batteritungt system:

• Optimerad batteridrift: laddning/urladdning baserat på prognostiserade toppar, nätbegränsningar och pris
• Flexibilitetsorkestrering: styra laddning av elbilar, värmepumpar och industriprocesser via incitament
• Flaskhalsprognoser: upptäcka var nätet riskerar överlast innan det händer
• Prediktivt underhåll: minska avbrott genom att byta komponenter innan de fallerar

Jag brukar beskriva det så här: utan AI bygger du mer för att vara säker; med AI kan du vara säker med mindre marginal. Det är skillnaden mellan att dimensionera för worst case i varje nod – och att dimensionera för en kontrollerad, mätbar risk.

Virtuella kraftverk (VPP) som “osynlig kapacitet”

Nyckelpoängen: Den snabbaste nya kapaciteten är ofta den du redan äger.

En praktisk väg för regioner som New Jersey (och svenska elområden med lokal trängsel) är att bygga virtuella kraftverk: tusentals små resurser som tillsammans beter sig som ett kraftverk.

Exempel på byggblock:

• hushållsbatterier
• batterier på parkeringsplatser
• kommersiella fastigheters laststyrning
• smart laddning av elfordon

AI behövs för att VPP ska fungera i stor skala: för att förutse tillgänglighet, koordinera styrning och säkerställa att nätet inte får nya problem av själva flexibiliteten.

Policy, marknad och AI: så undviker man att fastna i “siffror som inte går att leverera”

Nyckelpoängen: En energiplan är en hypotes. AI gör hypotesen testbar – och uppdaterbar.

I artikeln betonas att Energy Master Plan är vägledande, inte juridiskt bindande. Det är vanligt: planer visar riktning, men marknad, politik och teknik avgör utfallet.

Här finns en svensk lärdom. Många strategier faller på att man blandar ihop:

• mål (t.ex. 100% ren el)
• medel (sol, vind, kärnkraft, lagring, nät)
• genomförbarhet (tillstånd, leveranskedjor, priser, acceptans)

AI-baserad scenariomodellering kan göra politiken mer robust genom att testa:

1. Vad händer med priserna om kapacitetskostnader ökar?
2. Vad händer om offshore-projekt försenas 3–5 år?
3. Vilken mix minskar risken för effektbrist under vintern?
4. Vilken nätinvestering ger mest avlastning per krona?

Det här är inte akademiskt. Det är skillnaden mellan att fatta beslut på en “medelkurva” och att fatta beslut på en “riskkurva”.

“Datacenter ska ta med egen produktion” – smart, men inte komplett

Nyckelpoängen: Egen produktion löser delar av kapaciteten, men inte systemdriften.

Förslaget som nämns i sammanhanget – att datacenterutvecklare tar med egen elproduktion för snabbare process – kan avlasta. Men det väcker nya frågor:

• Är produktionen ren, eller blir det gasaggregat som låser in utsläpp?
• Hur påverkas lokala nätflöden när en stor last plötsligt även är producent?
• Hur säkrar man att resurserna verkligen bidrar vid systemstress?

AI kan användas för att sätta mätbara krav: tillgänglighet vid topp, respons på frekvens, kapacitet under stress-scenarier, och uppföljning i driftdata.

Praktiska steg: så kan en region börja med AI i elnätet (utan att fastna i pilotträsket)

Nyckelpoängen: Börja där data finns och där nyttan snabbt kan räknas hem.

Här är en konkret ordning jag har sett fungera i energiorganisationer som vill gå från “AI-prat” till driftvärde:

1. Skapa en gemensam datagrund

   • mätvärden, driftloggar, väder, pris, nätmodell
   • tydliga definitioner (vad är en topp? vad är ett avbrott?)

2. Bygg prognoser som går att granska

   • lastprognos per station/område, inte bara totalt
   • osäkerhetsintervall och felanalys som standard

3. Koppla prognosen till ett beslut

   • batterischema, flexibilitetsutrop eller underhållsplan

4. Optimera en sak i taget

   • t.ex. minska topplastkostnader eller trängsel i en flaskhals

5. Skala med governance

   • tydligt ansvar för modellrisk, cybersäkerhet och uppföljning

Om du jobbar med energi och hållbarhet är det här också en ledfråga: AI-projekt som inte knyts till en faktisk styrsignal eller ett faktiskt budgetutfall blir ofta “intressanta dashboards”. De håller inte när elnotan stiger.

Nästa kapitel för 100% ren el handlar om kontroll, inte bara kapacitet

New Jersey visar hur snabbt förutsättningarna kan ändras: politisk motvind, marknadsoro och en ny lasttyp som växer fort. Samtidigt är riktningen tydlig: mer sol, mer lagring, mer elektrifiering.

Min ståndpunkt är enkel: utan AI-baserad prediktiv modellering och nätoptimering blir 100% ren el dyrare och mer konfliktfylld än den behöver vara. Med AI kan regioner snabbare förstå var problemen uppstår, vilka investeringar som faktiskt avlastar, och hur flexibilitet kan ersätta en del av den dyraste kapaciteten.

Om din organisation vill ta nästa steg i “AI inom energi och hållbarhet” är ett bra mål för 2026 att gå från årsplanering till kontinuerlig scenariostyrning: en plan som uppdateras av data, inte av valkalendrar.

Vilken del av ditt energisystem är mest “blind” i dag – efterfrågan, nätbegränsningar eller flexibilitet – och vad skulle hända om ni kunde förutse den två veckor tidigare?