AI kan bromsa kapacitetschocken i elnätet

Kapacitetskostnaderna i USA:s största elmarknad, PJM, har precis slagit rekord: 16,4 miljarder dollar för leveransåret 2027–2028. Samtidigt missade marknaden sitt mål om 20 % reservmarginal. Det är en kombination som brukar leda till två saker: dyrare elräkningar och mer nerv i hela systemet.

Det här är inte bara en amerikansk detalj för energinördar. Det är en tydlig förhandsvisning av en utveckling som även svenska aktörer känner igen: snabb efterfrågeökning (tänk datacenter, elektrifiering, industri) möter långsam utbyggnad (tillstånd, nätanslutning, leveranskedjor). När tajmingen spricker blir elnätet dyrt att försäkra.

Och här kommer min ståndpunkt: AI är inte ett ”nice to have” i det här läget – det är ett av få verktyg som kan sänka kostnaden för osäkerhet. Inte genom magi, utan genom bättre prognoser, smartare kapacitetsplanering och mer träffsäkra beslut om vad som ska byggas, var och när.

Varför kapacitetspriserna skenar – och varför det märks på fakturan

Kapacitetsmarknader finns för att betala för beredskap, inte bara för producerade kilowattimmar. Du betalar för att systemet ska ha resurser som klarar toppar, störningar och bortfall. När det blir brist på resurser som kan leverera vid rätt tidpunkt stiger kapacitetspriset snabbt.

I PJM:s fall drivs prisökningen av två parallella rörelser:

• Efterfrågan ökar kraftigt, och prognosen pekar på +32 GW toppeffekt 2024–2030, där nästan allt kommer från datacenter.
• Ny produktion och flexibilitet kommer inte in i tid, delvis på grund av en stor kö av projekt som väntar på nätanslutning.

Datacenter: jämn last, men brutal i systemperspektiv

Datacenter är ofta ”snälla” på ett sätt: de har hög nyttjandegrad och relativt stabil drift. Men ur elnätets synvinkel skapar de ändå problem eftersom de:

• koncentreras geografiskt (”kluster” nära fiber, mark och planlagd industri)
• adderar stora block av effekt på kort tid
• kräver hög leveranssäkerhet

När många sådana anslutningar kommer samtidigt blir kapacitetsbehovet (reserv, nät och produktion) snabbt större än vad marknaden hinner svara med.

Varför bristen uppstår trots ”massor av projekt”

PJM sitter med över 100 GW i anslutningskö, mycket sol, vind och batterier. Ändå kom bara cirka 2,7 GW ny kapacitet och uppgraderingar in i systemet inför en av auktionerna. Det är glappet som driver kostnaden.

Det intressanta här är inte siffrorna i sig, utan mekanismen:

När tillstånd, finansiering och nätanslutning tar längre tid än efterfrågeökningen, blir kapacitet en bristvara – och bristvaror prissätts därefter.

Kapacitet är en försäkring – men just nu är premien onödigt hög

Kapacitetskostnaden är i praktiken en riskpremie. Ju sämre man förstår framtidens toppar, driftstörningar och var belastningen uppstår, desto mer måste man ”köpa på sig” för säkerhets skull.

PJM var dessutom nära en ännu större prischock, men priserna dämpades av ett prislock som gällde denna gång och som nu riskerar att försvinna. Marknaden signalerar alltså: ”vi är osäkra på att systemet hänger med”.

Varför reservmarginalen spelar roll

PJM siktade på 20 % reservmarginal men fick inte in tillräckligt. Det betyder inte att lamporna slocknar i morgon, men det betyder att:

• marginalerna minskar
• driftsäkerheten blir mer beroende av ”mitigerande faktorer” (t.ex. att planerade nedläggningar skjuts upp)
• systemoperatören får mindre handlingsutrymme vid extremväder och samtidiga fel

Översatt till affärsrisk: det blir dyrare att vara trygg.

Där AI faktiskt gör skillnad: från gissningar till styrbarhet

AI:s viktigaste bidrag i elnätet är att minska osäkerheten. Mindre osäkerhet → mindre överdimensionering → lägre totalkostnad.

Här är tre områden där AI ger konkreta effekter, särskilt i en verklighet med datacenter och snabb elektrifiering.

1) Bättre lastprognoser (inte bara ”mer data”)

Traditionella prognoser är ofta bra på säsongsmönster, men sämre på:

• nya typer av last (datacenter, vätgas, batterifabriker)
• snabba, lokala förändringar
• samspelet mellan väder, priser och beteenden

AI-modeller kan kombinera flera datakällor och hitta mönster som annars drunknar i brus:

• historisk förbrukning på nodnivå
• väderdata och extremväderscenarier
• kalender-/beteendemönster
• anslutningspipeline (vilka projekt är ”realistiska” vs. bara inlämnade)

Poängen: En prognos som är 1–2 % bättre vid topplast kan vara värd enormt mycket när kapacitetskostnaderna räknas i miljarder.

2) Kapacitetsplanering som tar hänsyn till flaskhalsar i verkligheten

PJM:s problem är inte bara ”för lite kraft”. Det är ”för lite kraft på rätt plats i rätt tid”. AI kan användas för att:

• prioritera nätinvesteringar där de frigör mest anslutningskapacitet
• simulera konsekvenser av projektförseningar (tillstånd, leveranser, finansiering)
• optimera mixen av resurser: produktion, batterier, efterfrågeflex, nät

Ett praktiskt angreppssätt jag ofta ser fungera är att bygga en digital tvilling av nätet och köra tusentals scenarier:

1. ”Vad händer om 30 % av projekten i kön aldrig byggs?”
2. ”Vilken är billigaste kombinationen för att hålla reservmarginalen?”
3. ”Var är risken störst att topplast kolliderar med nätbegränsningar?”

Det gör att beslut kan tas tidigare och med mindre ”magkänsla”.

3) Flexibilitet i realtid: gör stora laster till en resurs

Det mest laddade i PJM-debatten är om datacenter ska tvingas bidra med egen kapacitet eller begränsa sig vid toppar. Det är en konflikt mellan:

• kundernas krav på tillgänglighet
• systemets krav på stabilitet
• andra kunders krav på rimliga elräkningar

AI kan göra kompromissen mindre smärtsam genom att möjliggöra styrbar last som är automatiserad, verifierbar och marknadsmässig.

Exempel på ”AI-lämpliga” flexibilitetsåtgärder i datacenter:

• flytta batchjobb och icke-kritiska körningar i tid
• dynamisk styrning av kylning och temperaturband
• nyttja batterier/UPS som korttidsresurs vid systemstress
• lastreduktion enligt fördefinierade driftlägen vid nödsituation

Nyckeln är att AI kan förutsäga när en åtgärd ger mest nytta och hur den påverkar SLA, drift och risk.

Vad svenska energibolag och industrikunder kan lära av PJM redan nu

Sverige har andra marknadsmodeller än PJM, men vi har samma grundutmaning: elektrifieringen går snabbt och nätutbyggnad tar tid. Lärdomarna är därför praktiska, inte akademiska.

För elnätsbolag och systemnära aktörer

• Bygg prognoser som accepterar ”nya laster” som förstaklassmedborgare. Datacenter och industri är inte hushåll med lite större säkring.
• Inför AI-stödd prioritering i anslutningsprocesser. Alla projekt i en kö är inte lika sannolika att bli verklighet.
• Knyt flexibilitet till lokala flaskhalsar. Flexibilitet som inte finns där problemet uppstår blir dyr symbolpolitik.

För datacenter, industri och större fastighetsägare

• Gör efterfrågeflex till en del av affären, inte ett sidoprojekt. Det kommer påverka tillstånd, anslutningsvillkor och kostnader.
• Mätbarhet vinner. Om du kan visa när och hur du kan reducera last blir det enklare att få acceptans och bättre villkor.
• Investera i energistyrning som kan automatiseras. Manuell flexibilitet skalar dåligt när elnätet blir mer ansträngt.

För energihandlare och marknadsansvariga

• AI för pris- och volymrisk blir en överlevnadsfråga när kapacitetskostnader ökar. Mer volatilitet betyder att fel beslut blir dyrare.

“People also ask” – snabba svar på vanliga följdfrågor

Varför påverkar kapacitetsauktioner elpriset för vanliga kunder?

Kapacitetskostnaden läggs på som en del av systemkostnaden. När den stiger blir elräkningen högre även om energipriset vissa timmar är lågt.

Räcker det inte att bygga mer förnybart?

Mer förnybart hjälper, men kapacitetsfrågan handlar om tillgänglighet vid topplast och lokala nätbegränsningar. Batterier, flexibilitet och nätinvesteringar behövs för att få full effekt.

Är AI ett ”IT-projekt” eller en del av drift?

För att ge effekt måste AI kopplas till drift och beslut: prognoser som styr planering, flexibilitet som aktiveras, och uppföljning som verifierar resultat.

Nästa steg: gör kapacitet till en styrbar kostnad

Kapacitetskostnaderna i PJM visar vad som händer när efterfrågan springer ifrån utbyggnaden: marknaden tar betalt för osäkerhet. Den obekväma detaljen är att osäkerhet ofta är självförvållad – genom tröga processer, dåliga prognoser och svag koordinering mellan nät, produktion och stora laster.

I vår serie AI inom energi och hållbarhet återkommer vi till samma princip: det som kan förutsägas bättre kan också planeras billigare. AI ersätter inte tillståndsprocesser, transformatorer eller ledningar. Men AI kan hjälpa oss att använda dem smartare och tidigare.

Vill du få ned kostnaden och samtidigt öka leveranssäkerheten är frågan värd att ställa internt redan i Q1 2026: vilken del av vår kapacitetsrisk är egentligen en dataproblematik – och vilken del är ett investeringsproblem?