AI som pressar ned kapacitetskostnader i elnät

Kapacitetsmarknader är ett av elsystemets mest brutala sanningsserum: när utbudet inte hänger med efterfrågan blir det dyrt, snabbt. I USA:s största kraftmarknad, PJM (som försörjer över 65 miljoner människor), nådde kapacitetskostnaderna nyligen rekordnivån 16,4 miljarder dollar för leveransåret 2027–2028. Samtidigt missade PJM sin målsättning om 20 % reservmarginal – ett mått på hur mycket extra effekt som ska finnas för att klara störningar, extremväder och oförutsedda bortfall.

Det här är inte en amerikansk kuriositet. Det är en föraning om vad som händer när elnäten möter tre krafter samtidigt: snabb lastökning (datacenter/AI), tröga tillståndsprocesser och köer i nätanslutning för ny produktion och lagring. Och den obekväma lärdomen är att “bygg mer” inte räcker som strategi när ledtiderna är 5–10 år.

Min ståndpunkt: AI i energisystemet är inte ett sidospår – det är ett av de mest kostnadseffektiva sätten att frigöra kapacitet i närtid. Inte som magi, utan som verktyg för att planera bättre, utnyttja befintliga resurser hårdare och minska behovet av dyr “standby-effekt”.

Varför kapacitetskostnader skenar när elnäten får kö

Kapacitetskostnader stiger när systemet måste betala mer för att säkra att det finns tillräckligt med effekt under årets toppar, inte bara energi över året. I PJM:s fall är bilden tydlig: efterfrågan från datacenter växer snabbare än ny produktion hinner anslutas, samtidigt som en stor andel projekt fastnar i anslutningskön.

Den mekaniska förklaringen är enkel:

• Efterfrågan upp → högre risk för effektbrist vid toppar.
• Ny produktion/lagring försenas → färre nya “kapacitetsbidrag”.
• Osäkerhet ökar (pensioneringar, bränslelogistik, extremväder) → marknaden värderar reserv högre.

Det här slår igenom i elräkningen eftersom kapacitetskostnader, på många marknader, rullas vidare till slutkund via nät- och energibolagens tariffstruktur. PJM förväntade redan innan den senaste auktionen att vissa kunders räkningar kan stiga 1,5–5 % under en 12-månadersperiod från juni 2026. När kapacitetskostnaden sätter nya rekord blir trycket uppåt ännu större.

“Det finns projekt i kön” är inte samma sak som “det finns kapacitet”

En av de mest missförstådda sakerna i energidebatten är att en lång projektportfölj inte innebär en snabb lösning. PJM sitter på en mycket stor backlog av anslutningsansökningar (över 100 GW enligt rapporteringen), där en stor del är sol, vind och batterier. Men om studier, nätförstärkningar, finansiering och tillstånd tar år, då är det fortfarande brist på levererbar effekt vid rätt tidpunkt.

Datacenter och AI: last som växer snabbt – och ofta “fel”

Den starkaste drivaren i PJM är datacenter. PJM bedömer att toppeffekten kan öka med 32 GW mellan 2024 och 2030, där nästan allt kopplas till datacenter.

Det är här diskussionen blir extra relevant för vår serie AI inom energi och hållbarhet. AI byggs i datacenter – men AI behövs också för att elsystemet inte ska knäckas av datacentren.

Varför datacenter skapar kapacitetsstress

Datacenter är speciella av tre skäl:

1. Hög samtidig effekt: många megawatt på en punkt i nätet.
2. Snabb etablering: byggtakt i månader, medan nät tar år.
3. Hög driftsäkerhetsnivå: redundans, UPS, reservkraft – men ofta optimerad för IT, inte för elnätets behov.

Resultatet blir att regioner kan få lokal kapacitetsbrist även om det finns energi “på pappret”. Det är effekt vid rätt plats och tid som räknas.

Myten: “Mer gas löser allt”

I PJM:s fall har en snabbspårad upphandling pekat mot mer gaskraft, men mycket av den nya kapaciteten väntas inte vara online förrän kring 2030 eller senare. Dessutom finns praktiska hinder: tillstånd, finansiering, leveranskedjor (bl.a. turbiner). Att tro att ny termisk produktion automatiskt ger snabb avlastning är ofta fel.

Det som däremot kan ge snabb effekt är bättre nyttjande av det vi redan har: flexibel last, bättre prognoser, smartare drift och snabbare anslutningsprocesser. Där kommer AI in.

AI som verktyg: fyra sätt att frigöra kapacitet utan att bygga nytt

AI i energisystemet handlar i praktiken om att minska osäkerhet och koordinera resurser. När osäkerheten minskar behöver systemet inte betala lika mycket för “försäkring” i form av kapacitet.

1) AI-prognoser som minskar behovet av dyr reserv

Direkt svar: Bättre prognoser sänker kapacitetskostnader genom att minska riskpremien.

Kapacitetsmarknader prissätter risk: hur sannolikt är det att vi saknar effekt vid topp? AI-modeller (t.ex. gradient boosting, probabilistiska neurala nät, bayesianska modeller) kan förbättra:

• kort- och medellångsiktiga lastprognoser (timme–vecka)
• toppidentifiering (vilka dagar/timmar blir värst?)
• fel- och avbrottsprognoser (vilka anläggningar riskerar bortfall?)

När nätoperatören kan gå från en “worst case”-planering till en mer exakt probabilistisk planering kan reservkraven optimeras. Det betyder inte lägre robusthet – det betyder rätt robusthet.

2) Flexibilitet som går att styra på riktigt (inte bara på papper)

Direkt svar: AI gör lastflex till en mätbar, kontrakterbar resurs.

I PJM pågår en politisk dragkamp om huruvida datacenter ska behöva bidra med egen kapacitet eller kunna kopplas bort vid toppar. Ett vanligt problem i sådana förslag är genomförbarhet: vem styr, när, hur verifieras effekten?

AI kan här göra skillnaden mellan “frivilliga löften” och verklig systemnytta:

• dynamiska styrsignaler kopplade till nätstatus och pris
• automatiserad verifiering (M&V) med högupplöst mätdata
• prediktion av komfort- och produktionspåverkan för industrilaster

För datacenter finns dessutom en konkret möjlighet: schemaläggning av beräkningar (batchjobb, modellträning, icke-tidskritiska processer) till timmar med lägre systemstress. Det är inte gratis, men det är ofta billigare än att betala för ny kapacitet.

3) Smartare nätanslutning: AI som kapacitetsdetektiv

Direkt svar: AI kan korta ledtider genom att prioritera rätt nätåtgärder och minska “omtag” i anslutningsstudier.

Köer i nätanslutning uppstår när varje projekt triggar omfattande studier, förstärkningar och omplanering. AI kan stödja genom att:

• identifiera flaskhalsar med nätanalys + historiska driftdata
• rekommendera “minsta effektiva” förstärkningspaket
• simulera scenarier snabbare (t.ex. surrogate models för lastflöden)

Poängen är att flytta från handbyggda, långsamma studier till mer automatiserade arbetsflöden där ingenjörer fokuserar på beslut, inte på repetitivt analysarbete.

4) Batterier och virtuella kraftverk: AI som orkesterledare

Direkt svar: AI optimerar lagring och distribuerade resurser så att de faktiskt levererar kapacitet vid topp.

Batterier, sol, värmepumpar, elbilsladdning och reservkraft kan tillsammans fungera som ett virtuellt kraftverk. Men det kräver styrning på minutnivå och en robust strategi för när resurser ska laddas/avladdas.

AI-baserad optimering kan:

• minimera kostnad samtidigt som kapacitetskrav uppfylls
• hantera osäkerhet (prognosfel, bortfall, prisvolatilitet)
• koordinera tusentals enheter utan manuell handpåläggning

Här har jag sett att de bästa resultaten kommer när man kombinerar maskininlärning (för prognoser) med optimering (för beslut), istället för att försöka “låta AI bestämma allt”.

Vad svenska energibolag och stora elanvändare kan lära av PJM

Direkt svar: Svenska aktörer bör behandla kapacitetsfrågan som ett dataproblem lika mycket som ett byggproblem.

Sverige har andra marknadsmodeller och en annan produktionsmix än PJM, men fenomenet är bekant: elektrifiering, industriomställning, datacenteretableringar och regionala nätbegränsningar. När nätet är fullt blir priset inte bara högre – det blir också mer politiskt.

Här är tre praktiska nästa steg jag rekommenderar för 2026-planering:

1. Bygg en “kapacitetskarta” med AI-stöd

   • Samla timdata för last, avbrott, produktionsutfall, väder och nätbegränsningar.
   • Modellera toppar probabilistiskt, inte som enstaka dimensionerande timmar.

2. Gör flexibilitet kontraktsbar

   • Sätt upp mätning, baseline-logik och verifiering.
   • Definiera produkter: “5 MW i 2 timmar med 15 min aktiveringstid” är bättre än “vi kan dra ner lite”.

3. Koppla ihop IT och energi i datacenter

   • Inventera vilka workloads som kan flyttas i tid.
   • Skapa styrprinciper som är acceptabla för drift: max antal curtail-events per månad, minsta varsel, etc.

Ett elsystem får inte fler megawatt av att vi hoppas. Det får fler megawatt av att vi planerar, mäter och styr bättre.

Vanliga följdfrågor (och raka svar)

“Kan AI ersätta ny elproduktion?”

Nej. AI ersätter inte energin, men AI kan minska hur mycket ny kapacitet som måste byggas akut genom att kapa toppar, minska osäkerhet och öka nyttjandegraden.

“Är det inte riskabelt att förlita sig på flexibilitet?”

Det är riskabelt att förlita sig på icke-verifierad flexibilitet. Med rätt mätning, styrning och incitament blir flexibilitet en lika verklig resurs som annan kapacitet.

“Vad är första datapunkten att samla?”

Om du måste välja en sak: högupplöst lastdata per nod/område (minst 15-min), kopplad till väder och driftstatus. Utan det famlar prognoserna.

Nästa steg: från dyr kapacitet till smart kapacitet

PJM:s rekordnivå på 16,4 miljarder dollar är en tydlig signal: när nätet inte kan släppa fram ny produktion i takt med ny efterfrågan hamnar kostnaden på kundernas faktura – och till slut på politikernas bord.

För oss som jobbar med AI inom energi och hållbarhet är slutsatsen konkret. AI är ett av få verktyg som kan ge mätbar kapacitetsavlastning inom 6–18 månader, genom bättre prognoser, styrbar flexibilitet, snabbare anslutningsbeslut och smart optimering av lagring.

Vill du veta var ni tappar kapacitet i praktiken – toppar, flaskhalsar, prognosfel eller brist på styrbar flexibilitet? Börja där. När ni kan se problemet i data kan ni också bygga en lösning som håller när nästa rekordnotering kommer.