AI + offentlig solkraft: lärdomar från Connecticut

När elkostnaderna stiger blir “små” energibeslut plötsligt stora. Ett skoltak som tidigare sågs som en teknisk detalj kan, med rätt finansiering och styrning, bli en tillgång som sparar pengar i decennier. Connecticut visar det i praktiken: delstatens gröna bank har inte bara delat ut stöd eller lån – den har agerat offentlig projektutvecklare för småskalig sol, särskilt för skolor och kommuner.

Det som gör modellen extra intressant för oss i serien ”AI inom energi och hållbarhet” är nästa steg: när många små solanläggningar byggs som en portfölj blir värdet av AI för drift, prognoser och optimering väldigt konkret. Det handlar inte om futurism. Det handlar om bättre budget, mindre risk och mer effekt per investerad krona.

Enkelt uttryckt: offentlig solkraft blir starkare när den behandlas som ett datadrivet system – inte som enstaka byggprojekt.

Varför Connecticut sticker ut: offentlig projektutveckling i praktiken

Connecticuts modell är ovanlig eftersom en offentlig aktör går längre än finansiering och tar ett aktivt ansvar i hela kedjan: från att hitta projekt, paketera upphandling, säkra villkor och i vissa fall även äga eller samordna drift. Programmet Solar MAP+ har enligt uppgifter från banken satt 145 miljoner dollar i arbete i nästan 54 MW solprojekt, med förväntade 57 miljoner dollar i samlade energibesparingar.

Det här är en annan logik än traditionella stöd:

• Bidrag/lån: ger pengar, men lämnar ofta projektägaren ensam med upphandling, risker och kompetensbrist.
• Offentlig utveckling: bygger kapacitet, standardiserar arbetssätt och gör små projekt “stora” genom portföljer.

För skolor och mindre kommuner är det avgörande. De har sällan personal som kan driva juridik, arbetsmiljökrav, anbudsprocesser och tekniska specifikationer parallellt med ordinarie verksamhet.

Portföljtänket: så blir små tak lönsamma

Poängen med att paketera många tak samtidigt är att sänka kostnaden per projekt och göra anläggningar på exempelvis 50–100 kW attraktiva för installatörer och finansiärer. Connecticut lyfter bland annat ett skolsystem på 67 kW som, som enskilt projekt, har svårt att få uppmärksamhet – men i en portfölj blir det kalkylbart.

Portföljer skapar också styrbarhet:

• gemensamma krav på kvalitet och garanti
• återanvändbara avtal och processer
• bättre pris genom konkurrens om en större “pott”

Och här börjar AI-aspekten bli riktigt relevant: fler anläggningar betyder mer data, och mer data betyder bättre beslut.

Där AI gör störst skillnad: från ”solceller på tak” till smart energi

AI behövs inte för att solceller ska fungera. Men AI behövs för att en portfölj med dussintals eller hundratals offentliga anläggningar ska leverera maximal nytta med minimal administrativ friktion.

Tre områden sticker ut.

1) Prognoser som går att budgetera med

För skolor och kommuner är energifrågan i grunden en budgetfråga. AI-baserade prognoser kan kombinera:

• historisk produktion (per anläggning)
• väderprognoser (solinstrålning, temperatur, molnighet)
• förbrukningsmönster (skolterminer, sporthallar kvällstid, lov)

Resultatet blir bättre svar på praktiska frågor:

• Hur mycket el kommer vi producera nästa vecka?
• När under dagen får vi överskott?
• Hur påverkar en ny ventilationslösning eller värmepump vår egenanvändning?

När prognoserna blir tillförlitliga kan man också planera laststyrning: att flytta vissa laster (t.ex. ventilation, varmvatten, laddning) till timmar med hög solel.

2) Prediktivt underhåll som sparar både pengar och huvudvärk

Många små anläggningar faller på samma sak: ingen hinner “hålla koll”. En växelriktare som larmar i tre veckor kan äta upp en stor del av årsvinsten för ett mindre tak.

AI kan användas för att:

• upptäcka avvikande produktionsmönster (”det här taket producerar 18 % under förväntan jämfört med liknande”)
• prioritera serviceärenden (vilka fel kostar mest per dag?)
• föreslå sannolik felorsak (skuggning, växelriktare, kommunikationsfel, nedsmutsning)

Det gör att en kommun inte behöver ha solcellsexpertis in-house. Man behöver en process och ett systemstöd.

3) Sol + batteri + mikrogrid: AI som dirigent

Connecticut lyfter att samma modell kan skalas till mer än sol: elektrifiering, värmepumpar, sol plus lagring och mikrogrid-lösningar. Det är logiskt. Men när fler komponenter kopplas ihop blir styrningen snabbt komplex.

AI kan här fungera som en “dirigent” som optimerar mot flera mål samtidigt:

• lägsta kostnad (spotpris/effekttariffer)
• hög egenanvändning av solel
• reservkraft och resiliens (viktigt för skolor som krisnav)
• minskad klimatpåverkan

Det är särskilt relevant vintertid i Norden: solproduktionen är låg, men energisystemet är pressat och elpriset kan vara volatilt. Då blir optimering och flexibilitet extra värdefullt.

Vad modellen lär Sverige: finansiering är inte flaskhalsen – genomförandet är

Den mest användbara lärdomen från Connecticut är att problemet sällan är “viljan” att installera sol på offentliga tak. Problemet är genomförandet: upphandling, risk, kompetens och tid.

Sverige har redan många pusselbitar: kommunala energibolag, allmännytta, regionala utvecklingsaktörer och starka installatörsmarknader. Ändå fastnar projekt ofta i att varje kommun uppfinner sin egen process.

Här är en ståndpunkt jag tycker fler borde ta: offentliga solprojekt ska standardiseras och industrialiseras. Inte för att göra dem opersonliga – utan för att frigöra tid till det som är lokalt unikt (fastigheterna, behoven, dialogen).

En svensk “offentlig utvecklare” – hur skulle det se ut?

Översatt till svenska förhållanden kan en offentlig utvecklarfunktion ligga hos exempelvis:

• ett regionalt energikontor eller kluster
• ett kommunalt bolag med mandat att samordna fler kommuner
• en nationell samordningsfunktion som erbjuder ramverk och portföljupphandling

Kärnan är ett erbjudande som kombinerar:

1. Projektpipeline (identifiera tak, status, kapacitet)
2. Standardiserade upphandlingar (mallar, krav, utvärdering)
3. Portföljfinansiering (samla små projekt)
4. Dataplattform (mätning, drift, larm, rapporter)
5. AI-stöd för prognos, optimering och underhåll

Det sista steget – dataplattformen – är ofta det som saknas. Man bygger anläggningarna, men behandlar inte portföljen som ett system.

Praktisk checklista: så kommer ni igång med AI för offentliga solportföljer

Det går att börja enkelt, utan att köpa ett “allt-i-ett”-projekt som blir dyrt och låser in er.

Steg 1: Gör data ägbart från början

Skriv in i kravställningen att ni ska ha:

• tillgång till mätdata (produktion, status, larm)
• öppna eller åtminstone exportbara format
• tydlig ansvarsfördelning för kommunikation och uppkoppling

Det här är tråkigt – och exakt därför missas det.

Steg 2: Sätt en baslinje för “vad som är normalt”

AI fungerar bäst när den har något att jämföra med. Skapa en enkel modell för förväntad produktion per anläggning baserat på:

• installerad effekt
• taklutning/azimut (om tillgängligt)
• historiskt väder

När baslinjen finns kan avvikelser automatiskt flaggas.

Steg 3: Prioritera en enda optimeringsfråga

Välj en fråga som ger tydlig nytta på 90 dagar, till exempel:

• minska produktionsbortfall via snabbare felupptäckt
• öka egenanvändning genom lastflytt i en idrottshall
• förbättra budgetprecision för elköp

När det sitter är det mycket lättare att motivera batteri, mikrogrid eller mer avancerad optimering.

Steg 4: Bygg portföljen som en produkt

Tänk “produkt” snarare än “projekt”. En portfölj behöver:

• månatliga rapporter som går att visa politiskt och ekonomiskt
• tydliga KPI:er (kr sparade, kWh producerat, driftstoppstid)
• en plan för återinvestering av besparingar

Connecticuts idé om att “återcirkulera” intäkter till nya projekt är särskilt kraftfull: det skapar en självförstärkande modell.

Vanliga frågor (och raka svar)

Behöver en kommun egen AI-kompetens?

Nej. Men kommunen behöver beställa rätt saker: datarättigheter, driftkrav och rapportering. AI kan köpas som tjänst, men styrningen kan inte outsourcas.

Är offentlig utveckling ett hot mot privata installatörer?

Nej, inte om modellen utformas klokt. Poängen är att skapa fler genomförbara projekt och tydligare upphandlingar. Privata aktörer får mer att bygga – med mindre friktion.

Var börjar man om man har 10–50 skolor?

Börja med en portföljinventering (tak, elabonnemang, energikostnad) och upphandla en dataplattform för mätning och larm parallellt med första installationsvågen.

Nästa kapitel för offentlig solkraft: styrning, data och ansvar

Connecticut visar att offentlig ägd eller offentligt utvecklad småskalig sol kan vara en affär i ordets mest jordnära mening: lägre kostnader, stabilare budget och snabbare klimatnytta. Men när stödsystem förändras och politiken svänger blir genomförandekapacitet ännu viktigare än subventioner.

Min slutsats är tydlig: AI är inte pricken över i:et – AI är sättet att skala utan att tappa kontroll. För en offentlig solportfölj är det skillnaden mellan “vi installerade solceller” och “vi driver ett energisystem som levererar värde varje dag”.

Om 2026 ska bli året då fler svenska kommuner tar ett portföljgrepp om sol, värme och lagring, så är det här en bra startpunkt: bygg det offentliga genomförandet starkare – och gör data och AI till en naturlig del av infrastrukturen. Vilken offentlig fastighetsportfölj i din region skulle vinna mest på att styras som ett system snarare än som enskilda projekt?