AI för kapacitetsplanering: lärdomar från PJM 2025

Ett elpris som egentligen ville bli 530 USD/MW-dag, men stoppades av ett tillfälligt pristak på 333,44 USD/MW-dag. Det är inte en liten marknadsnotis. Det är en tydlig signal om att kapacitetsmarknaderna i stora elsystem pressas av nya laster, trög utbyggnad av nät och en verklighet där planering ofta sker med gårdagens antaganden.

Det här är särskilt relevant i slutet av 2025, när AI-hypen har hunnit bli vardag: datacenter expanderar, industrin elektrifierar och batterier byggs i rekordtakt. Men elnäten? De tar tid. Och när tid möter exponentiell efterfrågan blir kapacitetspolitik, tariffdesign och driftsäkerhet plötsligt ett strategiskt problem – inte ett ingenjörsproblem längst ner i organisationen.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag PJM:s senaste kapacitetsauktion (och siffrorna runt den) som fallstudie för en större poäng: traditionell nät- och kapacitetsplanering räcker inte när lastprofilen förändras snabbare än investeringscyklerna. AI är inte magi, men det är det bästa verktyget vi har för att gå från reaktiv hantering till prediktiv styrning.

Varför kapacitetsauktioner plötsligt handlar om AI

Kapacitetsmarknader är ett svar på en enkel fråga: Hur ser vi till att det finns tillräckligt med effekt när det verkligen gäller? När en aktör som PJM (en systemoperatör i USA) sätter rekord i kapacitetspris är det marknaden som skriker att marginalerna är tunna.

Det intressanta är att rekordet inte bara handlar om brist på produktion. Det handlar minst lika mycket om:

• Osäker lasttillväxt (framför allt stora datacenter och nya industrilaster)
• Tröghet i nätutbyggnad och tillståndsprocesser
• Otydliga kostnadssignaler (vem betalar för vad när nya laster driver investeringar?)
• Ökade krav på driftsäkerhet med mer väderberoende produktion

AI blir relevant här av ett skäl som ofta missas: kapacitet är inte bara ”MW” – det är ett riskproblem. När osäkerheten ökar behöver planeringen bli bättre på att bedöma sannolikheter, scenarier och konsekvenser.

Från punktprognoser till riskprognoser

Många planeringsprocesser utgår fortfarande från en “mest sannolik” prognos. Det är bekvämt, men farligt.

AI-baserade metoder (maskininlärning + probabilistiska modeller) gör det möjligt att arbeta med:

• sannolikhetsfördelningar för topplast
• scenarier för datacenteranslutningar (tidplaner, avbrutna projekt, successiv uppskalning)
• väderdrivna variationsmönster för vind/sol
• korrelationer mellan temperatur, ekonomi och förbrukning

En bra kapacitetsprognos 2025 är inte en siffra. Det är ett spann med risknivåer.

PJM-priset: en varningslampa för tariffmodeller och rättvisa

I siffrorna från veckan sticker två saker ut: dels att priset ville bli 530 USD/MW-dag, dels att ett pristak användes för att mildra effekten (333,44 USD/MW-dag blev ändå rekord).

Den här typen av prisrörelse får en praktisk följd: trycket ökar på regulatorer och nätbolag att bygga tariffstrukturer som inte upplevs som orättvisa.

Det finns en konflikt som också börjar synas tydligt i Sverige och Norden:

• Nya stora laster (datacenter, elektrifierad industri) behöver anslutas snabbt.
• Befintliga kunder vill inte bära kostnaderna om investeringen primärt görs för någon annan.

Där AI kan hjälpa – konkret

AI kan bidra på två nivåer:

1. Kostnadsallokering med bättre kausalitet

   • Modellera hur en ny last påverkar flaskhalsar, effektbehov och nätförluster över tid.
   • Kvantifiera “orsakad kapacitetskostnad” i olika nätpunkter.

2. Tariffer som styr beteende utan att bli ogenomskinliga

   • Identifiera vilka timmar som faktiskt driver systemkostnader.
   • Underlag för mer precisa effekttariffer och flexincitament.

Min erfarenhet är att acceptansfrågan ofta avgör. Folk köper inte en tariff bara för att den är “tekniskt korrekt”. AI ger bättre underlag, men transparensen måste byggas in från början.

En tariff som ingen förstår blir politisk, även om den är matematiskt vacker.

Batteriboomen: varför 36,2 GWh inte automatiskt ger driftsäkerhet

USA installerade 12,9 GW/36,2 GWh energilager under de tre första kvartalen 2025 – redan mer än rekordåret 2024 (12,3 GW). Det är massivt.

Men här kommer ett viktigt ”ja, men”: batterier löser inte kapacitet om de inte integreras rätt i drift och marknader.

AI + batterier = värde när tre saker sitter

För att batterier ska bidra till både ekonomi och driftsäkerhet krävs tre förmågor, där AI passar naturligt:

1. Prognosstyrning
   • Ladda när marginalkostnaden och systemläget talar för det.
   • Urladda när kapacitetsrisk faktiskt uppstår (inte bara när priset är högt i stunden).

1. Optimering under begränsningar

   • Nätbegränsningar (congestion), effektgränser, degradering och tillgänglighet.
   • AI-baserad optimering kan kombinera tekniska och marknadsmässiga constraints.

2. Orkestrering i portfölj

   • Flera batterier, flera marknader, flera mål (intäkt, driftsäkerhet, CO₂).

Det här är också en hållbarhetsfråga: ett batteri som cyklas ”fel” brinner livslängd utan att leverera systemnytta. AI kan optimera cykling mot både intäkt och degradering.

Ford går in: 20 GWh/år som industrisignal

Att en fordonsjätte planerar 20 GWh årlig kapacitet för stationära batterier (från 2027) är mer än en ny produktlinje. Det är ett tecken på att energilager blivit “mainstream industri”.

För elbolag och energitunga verksamheter betyder det:

• utbudet av standardiserade system ökar
• prispress kan komma snabbare
• konkurrensen flyttas från hårdvara till styrning, data och drift

Och där är AI helt central.

När systemet gör fel: MISO:s 280 miljoner i “kodkostnad”

En annan siffra från veckan: 280 miljoner USD kopplat till justeringar efter ett mjukvarufel som påverkade reserver och auktionens utfall.

Det här låter som en intern detalj, men budskapet är större:

• Elsystemens marknader är kod.
• Kod är aldrig perfekt.
• När fel händer blir konsekvensen både ekonomisk och politisk.

AI-ansats: upptäck fel innan de blir marknadshändelser

AI kan användas för att skapa “automatiska rimlighetskontroller” runt kritiska beräkningar:

• Anomali-detektion på auktionsutfall (”varför hoppar marginalen plötsligt?”)
• Jämförelse mellan parallella modeller (ensemble/”second opinion”)
• Simuleringar som körs kontinuerligt och flaggar avvikelser

Det här är inget glamouröst, men extremt värdefullt. Driftsäkerhet och marknadsförtroende är två sidor av samma mynt.

Nödlösningar som kostar: 730 MW kol som blir kvar

När en myndighet beordrar att en kolenhet på 730 MW ska fortsätta köras efter planerad stängning är det ett kvitto på att kapacitetsfrågan inte är teoretisk.

Sådana beslut skaver av två skäl:

1. Hållbarhet: utsläpp och låsningar i fossil infrastruktur.
2. Styrning: vem betalar, och vad säger det om planeringen?

AI-perspektivet: minska behovet av panikåtgärder

AI kan inte ersätta långsiktiga investeringar, men den kan minska sannolikheten att vi hamnar i “nödkörning” genom att förbättra:

• tidig varning om kapacitetsunderskott (månader/år, inte veckor)
• flexibilitetsaktivering (efterfrågeflex, industristyrning, smart laddning)
• snabbare nätplanering via bättre last- och flaskhalsanalys

Här blir kopplingen till smarta elnät tydlig: Smart grid 2.0 handlar mindre om sensorer och mer om prediktiva beslut.

Praktisk checklista: så kommer du igång med AI i kapacitetsplanering

Det som ofta stoppar satsningar är inte teknik, utan att man inte vet var man ska börja. Här är en enkel ordning som fungerar i praktiken.

1) Börja med en tydlig kapacitetsfråga (inte “vi vill ha AI”)

Bra startfrågor:

• Vilka 50 timmar per år driver vår högsta kapacitetsrisk?
• Hur påverkar tre nya stora kunder vårt behov av nätförstärkning i olika scenarier?
• Vilka flexibilitetsresurser ger mest riskreduktion per investerad krona?

2) Rensa datagrunden – snabbt och pragmatiskt

Du behöver oftast:

• historisk last (15 min/1 h upplösning)
• väderdata
• nätbegränsningar (åtminstone på en aggregerad nivå)
• planerade anslutningar och tidplaner

3) Bygg en “riskmotor” med scenarier

En enkel men kraftfull modellstack är:

• lastprognos (ML)
• scenariogenerator för nya laster
• simulering av effektbalans och nätbegränsningar
• KPI:er som LOLP/LOLE-liknande riskmått (anpassat till din verklighet)

4) Gör resultaten användbara i styrning och tariff

Planeringsinsikter måste översättas till:

• investeringsbeslut
• anslutningsvillkor
• effekttariffer/flexincitament
• driftstrategi (inkl. batterier)

Om sista steget saknas blir AI-projektet en snygg dashboard som ingen vill ta ansvar för.

Avslutning: kapacitet är inte ett elmarknadsproblem – det är ett ledningsproblem

Siffrorna från 2025 pekar åt samma håll: rekordpriser i kapacitetsauktioner, snabb batteriutbyggnad, dyra marknadsjusteringar efter mjukvarufel och nödförlängning av fossil kraft. Det är ett system som växer snabbare än det kan planeras med traditionella metoder.

Min ståndpunkt är enkel: AI i elnätet är främst ett verktyg för bättre framförhållning – att se kapacitetsrisker tidigare, styra flexibilitet smartare och fatta investeringsbeslut med bättre sannolikhetsunderlag. Det är så vi får både driftsäkerhet och rimliga kostnader, utan att behöva ta till nödlösningar som drar oss bakåt i hållbarhetsarbetet.

Om 2026 blir året då fler datacenter och nya laster möter en redan ansträngd infrastruktur: vilka beslut kan du ta nu för att gå från reaktiv kapacitetsjakt till prediktiv kontroll?