AI som gör grön aluminium möjlig i storskalig industri

Australiens fyra aluminiumsmältverk drar ungefär 10 % av landets el och står för cirka 4 % av de totala utsläppen. Det är en brutal påminnelse om var energiomställningen faktiskt avgörs: inte i pressmeddelanden, utan i anläggningar som måste hålla igång nästan konstant, dygnet runt.

Samtidigt faller kostnaderna för sol, vind och batterier – men industrin kan inte ”pausa” när det är vindstilla. Därför testar Australien nu ett tydligt industripolitiskt grepp: Green Aluminium Production Credit (GAPC), ett stöd som ska minska merkostnaden för att driva smältverk med förnybar energi och lagring.

För oss som jobbar med AI inom energi och hållbarhet är Australiens initiativ mer än en nyhet. Det är en case study i hur politiska incitament, elnätsinvesteringar och operativ intelligens måste hänga ihop. Min ståndpunkt: pengar hjälper, men utan AI-styrning av flexibilitet, prognoser och inköp riskerar smältverken att betala dyrt för ”grön el” utan att få leveranssäkerhet.

Varför aluminiumsmältverk är ett stresstest för elnätet

Aluminiumsmältning är en av de mest elintensiva industriprocesserna som finns. Poängen är enkel: elektricitet är den dominerande insatsvaran, och processen vill ha en stabil effektprofil. Smältverken planerar efter megawatt, inte megawattimmar.

När ett land går från kol till mer sol och vind uppstår ett glapp: förnybart är billigt när det producerar – men variabelt. För ett smältverk betyder variabilitet ofta att man måste köpa:

• Mer installerad effekt från flera källor (vind + sol + lagring + ev. vattenkraft)
• Mer nätkapacitet (transmission) för att faktiskt nå anläggningen
• Mer riskhantering (prissäkring, balansansvar, störningsberedskap)

Australien är dessutom mitt i en strukturell förändring: flera smältverk har historiskt haft långsiktiga elavtal kopplade till kolkraft. När de kontrakten löper ut möter de en ny marknad där kol gradvis försvinner (en stor del av kolflottan väntas vara borta till 2035) och där nya avtal måste ta höjd för både investeringar och systemtjänster.

En konkret knutpunkt: Tomago och 2028–2029

Tomago Aluminium – landets största smältverk, cirka 40 % av Australiens aluminiumproduktion – har flaggat för att verksamheten riskerar att bli kommersiellt ohållbar när nuvarande upplägg rullas över mot 2028–2029. Kärnan i problemet är inte att förnybart saknar potential, utan att storskaliga projekt och nätanslutningar kanske inte hinner komma på plats i tid.

Det är exakt den typ av ”tidsrisk” som industrin hatar. Och den typen av risk går faktiskt att minska med bättre planering – där AI kan spela en större roll än många tror.

GAPC: vad stödet gör – och vad det inte löser

GAPC är designat som en produktionskredit: smältverk får en ersättning per ton ”grönt” aluminium de producerar, i upp till 10 år, med start från räkenskapsåret 2028–2029. Ambitionen är att täcka 30–40 % av merkostnaden för att gå från fossil el (kol/gas) till en mix av sol, vind och lagring.

Det här är en smart signal till marknaden: ”Vi vill att industrin ska stanna och ställa om.” Men GAPC är inte en magisk lösning.

Det stöd som verkligen avgör om smältverk klarar omställningen i praktiken ligger ofta i tre andra lager:

1. Nät och transmission: utan ledningar och anslutningskapacitet är billig el bara en siffra i en projektkalkyl.
2. Tillstånd och leveranskedjor: vind, sol och batterier byggs inte av policy, de byggs av människor, material och tid.
3. Operativ flexibilitet: smältverk kan hjälpa elnätet – men bara om de styrs, ersätts och planeras för det.

En produktionkredit sänker kostnaden. AI och smart drift sänker risken.

Där AI faktiskt gör skillnad: från “mer megawatt” till “rätt megawatt i rätt stund”

AI är inte en prydnad i kontrollrummet. Rätt implementerad blir den ett sätt att göra variabel el praktiskt användbar för processindustri.

1) Prognoser som går hela vägen till produktion

Nyckeln är att koppla ihop tre prognosnivåer:

• Väder → produktion (sol/vind på 5 min till 72 h horisont)
• Elnät → begränsningar (flaskhalsar, curtailment-risk, prisområden)
• Process → toleranser (hur mycket kan lasten varieras utan kvalitets- eller säkerhetsproblem)

Med maskininlärning kan man bygga modeller som förutser inte bara spotpris utan också sannolikheten för ”dåliga timmar” där kombinationen av låg produktion och hög nätstress gör el dyr eller svår att säkra. Resultatet blir bättre beslut om:

• när man ska ladda/ur-ladda batterier
• när man ska ta flexibilitetsintäkter
• hur man ska prissäkra sin portfölj

2) Optimering av energimix: PPA:er, lagring och systemtjänster

Smältverk som vill bli ”gröna” behöver ofta en portfölj av avtal och resurser: långsiktiga PPA:er (köp av förnybar el), batterier, ibland vattenkraft, och ibland även gas som reserv i vissa marknader.

AI-baserad optimering kan minimera totalkostnaden under krav som:

• 99,9 % leveranssäkerhet (eller vad verksamheten kräver)
• maximalt koldioxidavtryck per ton aluminium
• begränsad nätkapacitet

Det här är ett klassiskt problem för avancerad optimering: många variabler, många osäkerheter, hårda driftkrav. Och det är också här många bolag fortfarande kör Excel + magkänsla.

3) Efterfrågeflexibilitet (demand response) – men på riktigt

Smältverk kan ibland reducera sin elförbrukning snabbt, ungefär en timme åt gången, för att hjälpa nätet vid störningar. Det är intressant av två skäl:

• Elsystemet får en stabiliserande resurs.
• Industrin kan få betalt för att vara flexibel.

AI kan automatisera besluten: när är det lönsamt att reducera lasten? Hur gör man det utan att riskera produktion, utrustning eller metallkvalitet? Det kräver styrning som tar hänsyn till processens tröghet, temperaturer, underhållsläge och produktionsplan.

4) Prediktivt underhåll och energieffektivitet i samma modell

Det låter som två separata spår, men de hänger ihop. Slitage, beläggningar och felkalibrering kan öka energiförbrukningen långsamt och nästan osynligt.

Genom att kombinera sensordata (ström, spänning, temperatur, vibration) med AI för avvikelsedetektion kan man:

• hitta ”energiläckor” tidigt
• prioritera underhåll där det ger mest energibesparing
• minska risken för oplanerade stopp (som i sin tur kan vara dyrast av allt i en variabel elmarknad)

Lärdomar för Sverige och Norden: samma problem, andra förutsättningar

Australien saknar kärnkraft som alternativ och har stora avstånd mellan produktion och förbrukning. Sverige och Norden har andra kort på handen (vattenkraft, fjärrvärme, stark elhandel), men frågan är densamma:

Hur elektrifierar och avkarboniserar vi tung industri utan att äventyra konkurrenskraft och leveranssäkerhet?

Tre saker jag tycker att svenska energi- och industriledare bör ta med sig från GAPC-diskussionen:

1) Incitament bör belöna resultat, inte bara investeringar

En produktionskredit per ton ”grön” produkt styr mot utfall. Det är ofta bättre än att bara subventionera en viss teknik.

Översatt till AI: belöna uppnådd flexibilitet, minskad toppbelastning, sänkt utsläppsintensitet – och mät det med robust data.

2) Nätet är flaskhalsen – och AI kan göra den mindre smärtsam

Ny nätkapacitet tar tid. Under tiden kan AI hjälpa till att utnyttja befintlig kapacitet bättre genom:

• bättre lastprognoser
• dynamiska anslutningsvillkor
• styrning som undviker samtidiga toppar

Det ersätter inte nya ledningar, men det köper tid och minskar kostnader.

3) “Grön el” räcker inte som narrativ – man måste prata drift

Många hållbarhetsstrategier stannar vid ursprungsgarantier och PPA:er. För elintensiv industri är det otillräckligt.

Det som skapar robusthet är förmågan att styra efter verkligheten timme för timme. Det är där AI ger sin praktiska nytta.

Praktisk checklista: så kommer du igång med AI för elintensiv industri

Om du sitter i en industri- eller energiorganisation och vill koppla ihop AI och omställning utan att fastna i pilotfällan, har jag sett att följande fungerar:

1. Definiera ett hårt mål: t.ex. “Sänk energikostnad per ton med 5–8 % inom 12 månader” eller “Minska utsläppsintensitet per ton med 15 % utan produktionsbortfall”.
2. Säkra datagrunden: mätning på rätt upplösning (minutnivå där det behövs), tydlig datamodell, och ägarskap.
3. Välj en första use case som styr pengar: prognos + optimering av inköp/lagring slår ofta snabbast.
4. Bygg in styrning och ansvar: vem får trycka på knappen när AI säger “dra ned 30 MW i 45 min”?
5. Knyt arbetet till marknadsintäkter: flexibilitet och systemtjänster gör kalkylen bättre och investeringen lättare att motivera.

Vad som händer härnäst: från policy till driftklar verklighet

Australien visar att tung industri inte ställer om av välvilja – den ställer om när ekonomin, infrastrukturen och driften pekar åt samma håll. GAPC kan sänka tröskeln, men smältverkens verkliga överlevnadsfråga är att kombinera variabel förnybar el med stabil produktion.

För den som arbetar med AI inom energi och hållbarhet är det här ett av de mest konkreta områdena där teknik möter affär: AI kan göra variabel el mer planeringsbar, flexibilitet mer lönsam och investeringar mindre riskfyllda.

Om du vill skapa ”grön aluminium” eller annan elintensiv grön industri är nästa steg inte ännu en powerpoint om energiomställning. Nästa steg är att bygga förmågan att styra produktion och energi som ett sammanhängande system.

Vilken del av din verksamhet skulle du vinna mest på att optimera först: inköp, flexibilitet, lagring – eller själva processen?