AI för färre strömavbrott – när kraven på elnätet ökar

När strömmen går blir det snabbt tydligt hur beroende samhället är av ett stabilt elnät. Och just nu ser vi en obekväm trend: väderrelaterade avbrott blir fler. En analys från 2024 visade att USA hade ungefär dubbelt så många väderdrivna större avbrott 2014–2023 jämfört med 2000–2009. Samtidigt rapporterades 2025 att den genomsnittliga längden på de längsta avbrotten låg runt 12,8 timmar, nästan 60 % längre än 2022.

Mot den bakgrunden är det rätt talande att ett stort elnätsbolag i Ohio, FirstEnergy, har bett tillsynsmyndigheten om lättnader i tillförlitlighetskraven – alltså mer tid att återställa elen och (för vissa bolag) att kunder kan få avbrott lite oftare utan att bolaget “misslyckas” i sina mått.

Jag tycker den här typen av diskussion blottar en kärnfråga som även svenska nätägare och energichefer måste förhålla sig till: när klimatet ökar variationen och belastningen, ska ribban sänkas – eller ska vi bli smartare? Och här kommer AI in, inte som magi, utan som ett praktiskt verktyg för att prioritera rätt åtgärder, förebygga fel och använda nätet effektivare.

När “lägre krav” blir en dyr lösning

Att sänka krav på avbrottsfrekvens och återställningstid låter administrativt, men effekten hamnar hos kunderna.

Poängen är enkel: om målen blir mindre ambitiösa minskar trycket att förbättra. Och kostnaden för avbrott flyttas i praktiken till hushåll, kommuner och företag.

Varför det här blir extra känsligt

I fallet Ohio pekar konsument- och miljöföreträdare på att kunder redan betalat för nätförstärkningar. När ett bolag sedan vill justera måttstocken uppstår en rimlig frustration:

• Har investeringarna gett effekt där de behövs?
• Har man prioriterat åtgärder som ger mest robusthet per krona?
• Har man använt billigare alternativ (t.ex. efterfrågeflexibilitet och energieffektivisering) innan man ber om “mer svängrum”?

Det här är relevant även i Sverige, där nätavgifter, kapacitetsbrist och väderhändelser (stormar, blötsnö, värmeböljor) påverkar både driftsäkerhet och kostnadsbild.

En ribba som sänks i regulatoriken kan kännas som en snabb lösning, men den riskerar att låsa fast fel beteenden i tio år.

Extremväder + högre last: varför nätet pressas hårdare

Det är lockande att prata om “mer extremväder” som en abstrakt förklaring. Men för drift och underhåll handlar det om konkreta mekanismer.

Två belastningstoppar som förstärker problemen

1. Sommar: långvariga värmeperioder driver upp kylbehov och belastar distributionen. Utrustning åldras snabbare i värme och fel kan eskalera.
2. Vinter: köldknäppar driver upp uppvärmningslast. I vissa system kan även bränslelogistik (t.ex. gas) skapa följdeffekter. I Sverige ser vi i stället tydliga effekter av blötsnö, vind, nedisning och trädpåfall.

Varför “femårssnitt” inte räcker

FirstEnergy argumenterar i praktiken för att historiska snitt behöver kompletteras med extra toleranser eftersom variationen ökar. Det är inte orimligt att klimatet ökar variansen – men här kommer min invändning:

Om variansen ökar ska styrningen bli mer datadriven, inte mindre ambitiös. För annars normaliserar man försämring.

AI i smarta elnät: från reaktivt till proaktivt underhåll

Den mest direkta nyttan med AI för nätbolag är att gå från “vi åker ut när något gått sönder” till “vi åtgärdar innan det går sönder”. Det är där avbrotten minskar på riktigt.

Prediktivt underhåll som faktiskt fungerar

Svar först: AI kan minska avbrott genom att förutse fel på komponentnivå och styra underhåll till rätt plats i rätt tid.

I praktiken handlar det om att kombinera datakällor som många nätbolag redan har, men inte utnyttjar fullt ut:

• SCADA/övervakningsdata (spänning, ström, frekvens, larm)
• Felhistorik och arbetsorder
• Vädersignaler (vindbyar, temperaturväxlingar, blötsnörisk)
• Vegetationsdata (träd nära ledningsgator)
• Termografi från drönare/helikopter och markinspektion

AI-modeller kan sedan skapa en riskpoäng per nätstation, ledningssträcka eller komponent, vilket gör att man prioriterar rätt.

AI för “stormläge”: snabbare återställning

Svar först: AI kan korta avbrottstiden genom bättre felavgränsning, smartare resursplanering och mer träffsäker kundkommunikation.

Konkreta exempel på vad som går att automatisera:

1. Felavgränsning (fault location): maskininlärning på mät- och relädata för att snabbare peka ut sannolik felpunkt.
2. Dynamisk dirigering av fältteam: optimering som tar hänsyn till framkomlighet, prioriterade samhällsfunktioner och reservdelstillgång.
3. Prognoser för återställningstid: modeller som uppdateras i realtid utifrån inkommande felrapporter och väderutveckling.

Det här är inte bara “nice to have”. Under ett långt avbrott är bra ETA (estimated time of arrival/restore) ofta skillnaden mellan planering och panik för kund.

AI som alternativ till att bygga dyrt (och långsamt)

Elnät moderniseras ofta genom kapitaltunga projekt: nya kablar, förstärkta stationer, mer redundans. Det behövs ibland. Men det tar tid, kräver tillstånd, och kostar.

Svar först: AI kan frigöra kapacitet och öka robustheten genom att styra efterfrågan och distribuera flexibilitet – innan man bygger nytt.

Efterfrågeprognoser som tål verkligheten

Många prognoser fungerar “en vanlig tisdag”, men faller isär vid snabba väderomslag eller när lokala laster ändras (nytt industriområde, laddinfrastruktur, datacenter). AI-baserade prognoser kan bli bättre genom att:

• använda fler variabler (väder, kalendereffekter, prissignaler)
• modellera lokalt (på nätområdesnivå, inte bara region)
• fånga icke-linjära effekter (t.ex. när värmepumpar går över i eltillskott)

Virtuella kraftverk och lokal flexibilitet

När flexibilitet från batterier, fastigheter och laddning samordnas kan den fungera som ett “virtuellt kraftverk”. AI används för att:

• välja vilka resurser som ska aktiveras
• minimera påverkan på kundkomfort och drift
• säkerställa att nätbegränsningar respekteras

Det minskar risken för överlast, vilket i sin tur minskar sannolikheten för skyddsutlösningar och avbrott.

Regulatorik och transparens: AI som bevis, inte bara teknik

I Ohio-fallet lyfts en annan öm punkt: brist på transparens. Om ett bolag vill ha lättnader behöver det kunna visa rotorsaker och vad som görs åt dem.

Svar först: AI kan stärka regelefterlevnad genom spårbara beslut, bättre orsaksanalys och tydligare rapportering.

Tre rapporter som borde vara standard

Om jag fick önska en “minimikorg” av AI-stödd transparens för nätbolag skulle den se ut så här:

1. Rotorsaksanalys per avbrottskategori (väder, vegetation, utrustning, planerade arbeten) med konsekvens i SAIDI/SAIFI.
2. Riskkarta för nätet som visar var investeringar och underhåll ger mest avbrottsreduktion per krona.
3. Åtgärdsuppföljning: före/efter på konkreta insatser (t.ex. röjning, reläinställningar, sektionering, kabelbyte).

När den här typen av underlag finns blir diskussionen om “sänkta krav” mindre ideologisk och mer faktabaserad.

Praktisk checklista: så startar du AI för driftsäkerhet på 90 dagar

Det fina är att man inte måste börja med ett jättestort program.

Steg 1: Välj ett problem som kostar pengar varje månad

Bra startproblem är:

• återkommande fel i samma nätområde
• lång felavgränsning vid storm
• vegetation som driver många avbrott

Steg 2: Säkerställ tre datakällor

Miniminivå:

• avbrotts- och feldata (inkl. tid, plats, orsakskod)
• arbetsorder/underhållshistorik
• väderdata (historik + prognos)

Steg 3: Bygg en första modell som går att förklara

Sikta på:

• en riskpoäng per objekt
• tydliga topp-10-drivare (t.ex. “trädpåfall”, “ålder på brytare”, “vind > X m/s”)
• validering mot historik (träffsäkerhet, falsklarm)

Steg 4: Koppla till en process, inte bara en dashboard

AI utan åtgärd blir lätt en presentation. Bestäm:

• vem som äger listan över prioriterade åtgärder
• hur ofta den uppdateras
• hur ni mäter effekt (minskad SAIDI/SAIFI, kortare MTTR)

Vad vi kan lära av Ohio – även i Sverige

FirstEnergy-fallet handlar om ett amerikanskt regulatoriskt system, men kärnan är universell: när avbrott blir vanligare pressas både ekonomi och förtroende.

Jag tar med mig tre slutsatser:

1. Att sänka tillförlitlighetskrav är en sista utväg, inte en strategi.
2. AI i smarta elnät är mest värdefullt när det kopplas till drift: prediktivt underhåll, felavgränsning och resursoptimering.
3. Transparens är en konkurrensfördel. Om kunder betalar för nätförstärkning ska de kunna se vad de får.

Det här är exakt varför vi i serien AI inom energi och hållbarhet återkommer till samma sak: tekniken är inte målet. Målet är ett energisystem som håller även när vädret inte gör det.

Om din organisation sitter med ökande avbrott, ökande kostnader och ökande krav från kunder och tillsyn – vad skulle hända om ni behandlade data som en nätresurs, på samma sätt som kablar och transformatorer?