AI för nätkapacitet när elmarknaden blir dyr och trång

Kapacitetspriser som vill rusa till 530 USD per MW och dag – men stoppas av ett tillfälligt pristak. 12,9 GW / 36,2 GWh batterilager installerade på nio månader. Och en kolenhet på 730 MW som beordras att fortsätta köra trots planerad nedläggning.

Det här är inte bara USA-nyheter för energinördar. Det är en förhandsvisning av samma typ av press som även europeiska och svenska elsystem känner av: snabb lasttillväxt (inte minst från datacenter och elektrifiering), hårdare krav på leveranssäkerhet och mer politik kring prissättning och rättvisa mellan kundgrupper.

I vår serie ”AI inom energi och hållbarhet” vill jag ta en tydlig position: om du försöker hantera nätkapacitet och flexibilitet med enbart manuella prognoser och statiska regler kommer du ligga steget efter. AI är inte magi, men det är ett praktiskt verktyg för att göra tre saker bättre än i dag: förutse, prioritera och optimera – i realtid.

Rekordpriser i kapacitetsmarknader: vad betyder det egentligen?

Kapacitetsmarknader prissätter inte kilowattimmar – de prissätter beredskap. När priserna sticker iväg signalerar det att systemet behöver mer resurser som kan garantera effekt vid knapphet: produktion, efterfrågeflexibilitet, lagring och ibland nätstöd.

I PJM (en av USA:s största systemoperatörer) pekar veckans siffror på en situation där priset hade blivit 530 USD/MW-dag, men hölls nere av ett tillfälligt pristak på 333,44 USD/MW-dag. Det säger två saker samtidigt:

1. Den underliggande bristen/risken uppfattas som större än vad marknaden får prissätta just nu.
2. Reglering och politik går in när prisnivån blir svår att försvara för kunder och stater.

Varför blir kapacitetsfrågan akut 2026?

Svar först: För att lasttillväxten sker snabbare än investeringar i nät, planerbar effekt och flexibilitet.

Det handlar inte bara om datacenter, men de är en tydlig katalysator. Stora laster vill ansluta snabbt, ofta i kluster, och de vill ha hög tillgänglighet. Samtidigt är tillstånd, nätutbyggnad och ny planerbar produktion långsamma processer.

För svenska aktörer finns en tydlig parallell: när efterfrågan på effekt ökar snabbare än kapaciteten i nät och produktion, får vi flaskhalsar, pristoppar och en mer laddad debatt om vem som ska betala.

Kostnadsförskjutning från datacenter: där AI kan ge saklighet i en känslig fråga

Svar först: AI kan göra tariff- och kapacitetsdiskussionen mer faktabaserad genom att mäta, prognostisera och attribuera effektpåverkan per lasttyp.

I materialet lyfts att auktionen ökar trycket på regulatorer att skapa nya tariffstrukturer för att hantera oro för att kostnader flyttas från datacenter till andra elkunder. Det är ett återkommande problem i alla system:

• Nät och reserver dimensioneras för toppar.
• Topporsakerna är inte jämt fördelade.
• Alla betalar ofta via förenklade modeller.

AI-baserad “cost causation” i praktiken

Här är en bättre väg än att gissa eller bråka i efterhand: bygg en datadriven modell för kostnadsorsak.

Med AI (och mer specifikt maskininlärning + optimering) kan man:

• Prognostisera samtidighet: hur ofta inträffar datacentrets topplast samtidigt som systemets topplast?
• Kvantifiera rampning: hur snabbt förändras lasten (vilket driver behov av reserver)?
• Simulera alternativ: vad händer om datacentret tar 30% av sin topplast som flexibilitet 200 timmar/år?
• Fördela kostnader mer rättvist: inte perfekt, men betydligt bättre än schabloner.

Det här är också ett lead-moment: företag som kan visa, med siffror, hur deras flexibilitet minskar systemkostnader får ett helt annat förhandlingsläge mot nätägare, aggregatorer och tillsyn.

Snippet-vänligt påstående: “Tariffer blir bättre när de baseras på uppmätt effektpåverkan, inte på antaganden.”

Batterilager växer snabbt – och AI avgör om de blir lönsamma och nyttiga

Svar först: Batterier är inte längre flaskhalsen; styrningen är det. AI är skillnaden mellan “dyrt lager” och “systemresurs”.

Siffrorna är tydliga: USA har installerat 12,9 GW / 36,2 GWh energilager under de tre första kvartalen 2025 – mer än hela rekordåret 2024 (12,3 GW). Dessutom planeras stora industrisatsningar, som en ny stationär lagringsverksamhet med 20 GWh per år i siktet.

Men fler batterier i sig löser inte kapacitetsproblemet om de körs med fel logik.

Tre nivåer av AI-styrning för batterier

1. Prisoptimering (enkelt men vanligt)

   • Ladda när priset är lågt, urladda när priset är högt.
   • Risk: kan förvärra lokala flaskhalsar om många gör samma sak.

2. Nät- och kapacitetsoptimering (det som behövs nu)

   • Styrning tar hänsyn till lokal nätkapacitet, spänningsproblem, transformatorlast och systemets effektbrist.
   • Kräver mer data och samarbete med nätägare.

3. Risk- och robusthetsoptimering (där värdet exploderar)

   • AI modellerar osäkerhet: väder, prognosfel, lastspikar, marknadsregler.
   • Batteriet körs med en “reserverad marginal” för sällsynta men dyra timmar.

Den tredje nivån är ofta där man hittar både lägre risk och stabilare intäkter.

Exempel: varför 1% av timmarna spelar större roll än du tror

Många energibeslut ser rationella ut i årsmedel, men ekonomin avgörs av extremtimmar: kalla stilla vinterdygn, plötsliga bortfall, oväntade lasttoppar. AI är bra på att hitta mönster som människor missar – särskilt när datakällorna är många: väder, driftdata, marknadspriser, underhållsplaner, nätbegränsningar.

När systemet får panik: kolkraften som måste fortsätta köra

Svar först: Nödåtgärder är ett tecken på att planering och marknadsdesign inte hänger med – och att prognos/optimering behöver bli mer dynamisk.

Att en kolenhet på 730 MW beordras att fortsätta köra efter planerad pensionering visar en klassisk spänning: omställningens tempo kontra leveranssäkerhet. Sådana beslut uppstår när:

• reserverna är för små,
• nätbegränsningar gör att “rätt” resurser inte kan nå “rätt” plats,
• eller när lasttillväxten överraskar.

AI här? Ja – men inte som en ursäkt

AI ska inte användas som en efterhandsförklaring (“ingen kunde veta”). Tvärtom: AI ska minska sannolikheten att man hamnar i panikbeslut.

Praktiska AI-tillämpningar som hjälper:

• Prediktiv adekvansanalys: sannolikhetsbaserad modell för effektbrist kommande 1–24 månader.
• Kontingens- och flaskhalsprognoser: vilka snitt blir begränsande vid olika väderscenarier?
• Åtgärdsoptimering: vad är billigast – tillfällig driftförlängning, snabb lagring, flexibilitetsavtal eller nätåtgärd?

Det är här energibolag och större elkunder kan vinna tid. Inte genom att bygga allt – utan genom att styra det som redan finns smartare.

Marknads- och regelverksrisk: därför behövs AI även för beslutsfattare

Svar först: När regler ändras snabbt (pristak, korrigeringar, omräkningar) blir scenarioplanering en kärnförmåga – och AI kan automatisera den.

Siffran 280 miljoner USD kopplad till en “settlement adjustment” efter ett kodningsfel i en kapacitetsauktion (MISO) sätter fingret på något många underskattar: marknadssystem är programvara. Programvara kan ha buggar. Och när utfallet styr miljardflöden blir varje detalj politisk.

För en svensk publik är lärdomen inte “USA är rörigt”. Lärdomen är:

• Digitalisering gör energisystemet snabbare.
• Snabbare system kräver bättre kontroll.
• Bättre kontroll kräver bättre modeller.

En enkel AI-checklista för robust marknadsstrategi

Om du jobbar med energistrategi, flexibilitet, lagring eller stora anslutningar, vill du kunna svara ja på detta:

1. Har vi en prognosmodell för last/produktion som uppdateras minst dagligen?
2. Kan vi köra scenarier (minst 20–50) för väder, pris och nätbegränsningar?
3. Har vi larm för när verkligheten avviker från plan (data drift, “model drift”)?
4. Kan vi förklara modellens beslut till en regulator eller kund (spårbarhet)?

Den fjärde punkten är ofta avgörande för att få igenom förändringar.

Så kommer du igång: ett 90-dagars upplägg för AI i kapacitetsstyrning

Svar först: Börja med datagrund + ett skarpt pilotproblem (effekttopp, batteristyrning eller flexibilitetsavtal), och bygg därifrån.

Jag har sett att många organisationer fastnar i “vi ska införa AI” och glömmer att välja ett konkret beslut som AI ska förbättra. Här är ett upplägg som brukar fungera.

Dag 1–30: Välj beslutet och säkra datan

• Välj ett beslut med tydlig ekonomi: t.ex. minska effekttoppar, optimera batteridrift, styra flexibilitet.
• Inventera datakällor: mätare (15 min/1 h), driftloggar, prisdata, väder, nätbegränsningar.
• Definiera KPI:er, t.ex. maxeffekt (kW), inköpskostnad (kr), antal topphändelser.

Dag 31–60: Bygg en “good enough”-modell

• Träna en prognos för last och/eller priser.
• Lägg på ett optimeringslager som föreslår styrning.
• Testa bakåt i tiden (backtesting) för att se om modellen hade hjälpt under de värsta veckorna.

Dag 61–90: Driftsätt och skapa förtroende

• Kör i skugg-läge: modellen rekommenderar, människor beslutar.
• Mät avvikelse, förbättring och risk.
• Förbered rapportering: varför tog modellen beslutet? vilka datapunkter drev utfallet?

Det här är tillräckligt snabbt för att skapa momentum – och tillräckligt strukturerat för att inte bli ett hobbyprojekt.

Nästa steg för 2026: kapacitet blir en datadisciplin

Kapacitetspriser som slår rekord, batterier som skalar, och nödingrepp som förlänger fossil drift – allt pekar åt samma håll: kapacitet och leveranssäkerhet håller på att bli en data- och styrningsfråga lika mycket som en bygg- och investeringsfråga.

AI för nätkapacitet är därför inte “nice to have”. Det är ett sätt att hantera verkligheten när marknadsdesign, tillstånd och investeringar rör sig långsammare än lasten.

Om du sitter med ansvar för nät, flexibilitet, stora elförbrukare eller energistrategi: vilket beslut i din organisation skulle bli mest lönsamt att göra mer datadrivet redan under Q1 2026?