AI som sänker kapacitetskostnader i elnätet 2026

PJM:s senaste kapacitetsauktion i USA hade ett “osynligt” pris på 530 USD/MW-dag – men landade på 333,44 USD/MW-dag efter ett tillfälligt pristak. Det är fortfarande rekordhögt. Och det är precis den sortens siffra som får en annars ganska teknisk fråga att bli brutal verklighet: kapacitet kostar, särskilt när belastningen ökar snabbare än infrastrukturen hinner med.

Det här är inte bara ett amerikanskt specialfall. I Sverige ser vi också hur snabb elektrifiering, industrietableringar och en växande digital ekonomi pressar systemet lokalt och regionalt. Skillnaden är att vi ofta pratar om det som “nätbrist” och “anslutningsköer” snarare än auktioner. Men grundproblemet är detsamma: hur säkrar vi effekt och leveranssäkerhet utan att kostnaderna skenar?

I den här delen av vår serie AI inom energi och hållbarhet tar jag PJM-nyheten som ett konkret exempel på ett gammalt problem – och visar varför AI-driven prognostik, optimering och smart styrning är den snabbaste vägen till mer robust kapacitetsplanering och lägre risk för att elkunderna får notan.

Rekordpriser i kapacitet: vad säger det om elnätet?

Direkt svar: Rekordhöga kapacitetspriser signalerar att systemet bedömer att marginalerna är små – och att det är dyrt att garantera effekt när efterfrågan växer snabbt.

I PJM:s fall hänger prisuppgången ihop med en kombination av:

• Snabb lasttillväxt (inte minst från datacenter)
• Utfasning av äldre produktion och tröghet i att få in ny planerbar flexibilitet
• Ökade krav på tillförlitlighet (reliability targets) och osäkerhet kring leverans vid toppar

Det intressanta är att pristaket (333,44 USD/MW-dag) inte tar bort problemet – det skjuter bara en del av signalen åt sidan. Och när den ekonomiska signalen blir “politiskt dämpad” ökar behovet av något annat som skapar tydlighet: bättre data, bättre prognoser och tydligare riskbild.

Det är exakt där AI passar in.

Varför “kapacitet” blir dyrt när AI-belastningen växer

Datacenter är inte bara många megawatt – de är ofta koncentrerade geografiskt, med hög tillgänglighetskrav och ibland snabb rampning när arbetslaster flyttas. Det skapar tre typer av kostnadsdrivare:

1. Lokala flaskhalsar i nätet (effekt finns “i systemet” men inte på rätt plats)
2. Dyrare reservmarginaler (man måste köpa trygghet för sällsynta topphändelser)
3. Tariff- och kostnadsfördelningskonflikter (vem betalar när nya laster driver investeringar?)

Min take: många marknader och nätregimer underskattar hur snabbt “AI-ekonomin” kan flytta effektbehov från prognos till verklighet. Att svara med enbart mer produktion är långsamt. Att svara med AI-stödd flexibilitet och bättre planering är snabbare.

Batterierna rusar – men det kräver smart styrning

Direkt svar: Snabb utbyggnad av batterilager ger ny kapacitet och flexibilitet, men värdet uppstår först när de styrs mot rätt timmar och rätt nätpunkter.

Enligt branschdata har USA installerat 12,9 GW / 36,2 GWh energilager under de första tre kvartalen 2025 – redan mer än hela rekordåret 2024 (12,3 GW). Dessutom väntas 92,9 GW installeras de kommande fem åren. Det är enormt.

Och det blir ännu mer intressant när en traditionell industriaktör som Ford planerar en stationär lagersatsning med 20 GWh årlig kapacitet från 2027, inklusive större containeriserade system som ofta används av datacenter och elbolag.

Men: batterier är inte magi. Utan rätt driftstrategi kan de till och med göra saker värre (t.ex. ladda vid fel tid och förstärka toppar).

AI gör batterier till kapacitetsresurs – inte bara backup

För att batterier ska minska kapacitetskostnader behöver de optimera mot flera mål samtidigt:

• Effekttoppskapning (peak shaving)
• Nätstöd (spänningsstöd, frekvens, flaskhalsavlastning där det räknas)
• Marknadsintäkter (arbitrage, stödtjänster)
• Åldringsoptimering (minimera degradering per intjänad krona)

Det här är en klassisk AI- och optimeringsfråga: många variabler, osäkra prognoser och flera “vinster” som krockar.

Praktiskt fungerar det ofta som en kombination av:

• prognosmodeller (last, pris, väder, nätstatus)
• restriktionsmodeller (nätbegränsningar, batteriets SOC, effektgränser)
• optimeringsmotor (t.ex. mixed-integer optimization eller reinforcement learning)

En bra tumregel: varje gång du ser en kapacitetskostnad som drivs av toppar, finns det nästan alltid en AI-affär i att kapa topparna.

När mjukvara blir ett systemrisk: MISO:s kodfel som varning

Direkt svar: Kod- och datakvalitetsproblem kan få direkta prislappar i hundratals miljoner, vilket gör styrning, testning och “model governance” till en energifråga.

I MISO (en annan amerikansk systemoperatör) upptäcktes ett mjukvarufel som påverkade planeringsmarginaler och ledde till en pågående “settlement adjustment” med en uppskattad kostnad på 280 miljoner USD.

Det här är mer än en nyhet om en bugg. Det är en signal om att energisystemet nu är så modell- och programvaruberoende att:

• små fel kan skala till enorma ekonomiska effekter
• transparens kring antaganden och data blir affärskritiskt
• tillsynsfrågor flyttar från “bara teknik” till “marknadsintegritet”

AI kräver styrning – annars äter den upp förtroendet

När man lägger AI i kapacitetsplanering, prognoser eller driftstöd måste man behandla det som kritisk infrastruktur. Jag brukar återkomma till tre principer:

1. Spårbarhet: Vilken data och vilka antaganden drev beslutet?
2. Robusthet: Hur beter sig modellen vid extremväder, databortfall eller nya typer av last?
3. Kontroll: Finns tydliga “guardrails” och mänsklig översyn vid avvikande utfall?

Det här är inte byråkrati. Det är försäkring mot att nästa “kodrad” blir nästa rubrik.

När kolkraften måste stanna: varför flexibilitet är billigare än nödbromsar

Direkt svar: Nödbeslut att hålla kvar fossil produktion visar att planeringen inte hann med; AI kan minska behovet genom tidigare varningssignaler och bättre utnyttjad flexibilitet.

USA:s energidepartement beordrade en kolenhet på 730 MW vid Centralia i Washington att fortsätta köra förbi planerad stängning. Oavsett vad man tycker om beslutet är signalen tydlig: när leveranssäkerhet upplevs hotad tar man till det som finns i systemet.

I Sverige ser vi samma logik i mildare form: temporära nätåtgärder, dyrare stödtjänster, eller att industri får vänta på anslutning. Det är olika uttryck för samma sak – brist på snabb, tillförlitlig flexibilitet.

AI i praktiken: tre sätt att få “mer kapacitet” utan att bygga allt nytt

Det finns tre åtgärdsspår som brukar ge effekt inom 6–24 månader (snabbare än nätutbyggnad):

1. Prediktivt underhåll och tillgänglighetsoptimering

   • AI hittar avvikande mönster i transformatorer, brytare och stationer.
   • Färre fel under topplast = mindre behov av dyra reserver.

2. AI-baserad lastprognos på lokal nivå

   • Inte bara regionprognoser, utan på matarnivå och knutpunkter.
   • Bättre lokala prognoser minskar överdimensionering och felinvesteringar.

3. Flexibilitetsorkestrering (DR, VPP, batterier)

   • Samordna resurser som redan finns: fastigheter, laddning, industriprocesser.
   • Målet är att leverera en “virtuel kapacitetsprodukt” när nätet behöver den.

Det fina? Många företag har redan datan. Utmaningen är att koppla ihop den, kvalitetssäkra den och fatta beslut i rätt tidsfönster.

Så kommer du igång 2026: en enkel checklista

Direkt svar: Börja med toppar, datakvalitet och ett avgränsat pilotcase som kan bli drift, inte bara demo.

Här är en checklista jag själv skulle använda om målet är att sänka kapacitetskostnader och öka leveranssäkerhet med AI:

1. Kartlägg dina dyraste timmar

   • Vilka 20–50 timmar per år driver kapacitetskostnad, nätavgifter eller effektbrist?

2. Välj en “kontrollerbar hävstång”

   • Batteri, laststyrning, produktionsplanering, eller nätomkoppling.

3. Bygg en prognoskedja, inte en enskild modell

   • Last + pris + väder + driftsbegränsningar. Prognoser ska kunna uppdateras varje 15–60 minuter.

4. Sätt styrning från start

   • Modellversioner, testfall, larmgränser, och en tydlig fallback-strategi.

5. Mät i kronor per undviken topptimme

   • AI-projekt dör när de mäts i “modellprecision” istället för pengar och risk.

Snabbt citatvänligt: Kapacitetskrisen är ofta en toppkris. AI är toppkrisens motmedel.

Nästa steg i serien: från marknadssignaler till smart drift

Rekordpriser i PJM, snabb lagertillväxt och dyra mjukvarukorrigeringar pekar åt samma håll: elnätet har blivit ett datadrivet system, vare sig vi vill eller inte. Frågan är om vi behandlar det som ett datadrivet system på riktigt – med AI som verktyg för planering, drift och riskkontroll.

Vill du göra det här praktiskt i din organisation? Börja där smärtan är som störst: effekttopparna, anslutningsbegränsningarna och de timmar där marginalerna är tunna. När du väl ser de mönstren i data blir det svårt att gå tillbaka till “magkänsla och Excel”.

Vilken del av din verksamhet skulle tjäna mest på bättre kapacitetsprognoser: produktion, flexibilitet, nätplanering – eller tariffstrategi?