AI i elnät: Kap Verde når 30% förnybart med batterier

Kap Verde har gjort något som många energiplaner pratar om men få faktiskt levererar: de har höjt andelen förnybar el i sitt nationella elsystem från cirka 20% till 30% genom att kombinera 13,5 MW vindkraft med 26 MWh batterilagring – utspritt över flera öar. Det är inte en “pilot” i ett labb. Det är el i vägguttaget på ett ö-nät där marginalerna är små och där ett enda driftproblem snabbt känns i hela samhället.

Det här är precis den typen av miljö där AI i energisystem skapar konkret nytta: när vind, batterier och nätet måste samspela i realtid, med begränsad redundans, dyra bränslen och väder som skiftar snabbt. I vår serie ”AI inom energi och hållbarhet” är Kap Verde ett tydligt exempel på varför smart styrning inte är en “nice to have” – det är en förutsättning för att klara hög andel variabel förnybar el.

Varför ö-nät är perfekta testbäddar för AI och smarta elnät

Ö-nät tvingar fram disciplin. Poängen är enkel: när elsystemet är litet blir varje obalans stor. Vind kan öka på minuter, förbrukningen kan hoppa när turistströmmar ändras, och frekvensen blir känslig. På ett stort sammankopplat nät kan man “svälja” variationer. På en ö måste man hantera dem.

Kap Verde består av 10 öar, och projektet omfattar en vindparksutbyggnad på Santiago samt tre separata batterianläggningar kopplade till vindparker på São Vicente, Sal och Boa Vista. Den geografiska spridningen gör systemet mer komplext – och samtidigt mer intressant för AI:

• Prognoser behöver vara lokala (vind och last skiljer sig mellan öarna).
• Styrningen behöver ta hänsyn till nätbegränsningar (kablar, transformatorer, reservkapacitet).
• Driften måste prioritera stabilitet (frekvens och spänning) utan att kasta bort förnybar el.

En mening som ofta stämmer i praktiken: Ju mer förnybart du vill ha, desto mer måste du bli bra på drift och styrning.

Myten som bromsar många projekt

Många tror att “mer vind och sol automatiskt ger mer förnybar andel”. Men i verkligheten stöter man snabbt på curtailment (nedreglering): vindkraften producerar, men nätet kan inte ta emot, eller systemet behöver hålla igång fossila generatorer för stabilitet. Resultatet blir att man bygger förnybart – och sedan tvingas man stänga av det.

Batterier + AI är ett av de mest effektiva sätten att undvika den fällan.

Kap Verdes pussel: vind + batterier + stödtjänster

Kap Verdes nya resurser består av 13,5 MW vindkraft och 26 MWh batterilagring som kopplats in i det nationella nätet. Projektet leds av Africa Finance Corporation (AFC) och offentlig-privata partnerskapet Cabeolica.

Direkt effekt: den förnybara andelen ökar från omkring 20% till 30% genom projektet i sig.

Det intressanta är inte bara energimängden. Det är funktionerna:

• Batterierna kan leverera frekvensreglering (stödtjänster) snabbt.
• De kan minska nedreglering av vind genom att lagra överskott.
• De stärker energisäkerheten genom att minska beroendet av importerade fossila bränslen.

Det här är en avgörande detalj som många missar i diskussionen om energilagring:

Batterier är inte bara “extra energi”. De är “extra kontroll” över elsystemet.

Varför 26 MWh gör skillnad (även om det låter litet)

26 MWh kan låta modest jämfört med stora europeiska anläggningar. Men på ett ö-nät handlar mycket om att klara:

• snabba vindsvängningar (sekunder–minuter)
• lasttoppar (minuter–timmar)
• stabil drift utan att hålla onödigt mycket fossil reserv i gång

Ett batteri som levererar stödtjänster och smart “buffring” kan därför öka den faktiska nyttan av vindkraft mer än vad energimängden på pappret antyder.

Där AI faktiskt gör jobbet: 5 användningsfall i vind + BESS

AI i energisystem blir värdefullt när den kopplas till beslut: vad ska laddas, när, var och varför. För Kap Verde-liknande system brukar fem användningsfall ge snabbast effekt.

1) Lastprognoser som tar hänsyn till verkligheten

En bra lastprognos på ett ö-nät behöver ofta väga in:

• tid på dygnet och veckodag
• turism och säsong (december är ofta högsäsong i många ö-ekonomier)
• lokala evenemang
• temperatur och vind (som påverkar både beteende och produktion)

AI-modeller kan bli särskilt starka när de kombinerar historik med externa signaler. Det är ofta här jag ser att organisationer får snabb ROI: bättre prognos → mindre dyr reserv → färre onödiga start/stopp.

2) Vindprognoser per ö – inte “genomsnitt för landet”

När produktionen är geografiskt spridd räcker det inte med en enda prognos. AI kan använda väderdata, SCADA-data och topografi för att skapa plats-specifika prognoser som är mer träffsäkra.

Mer precision betyder att batteriet kan planera laddning/urladdning med mindre “säkerhetsmarginal”. Det frigör kapacitet.

3) Optimering av batteridrift (multipla mål samtidigt)

Batterier på nätet ska ofta göra flera saker samma dag:

• leverera stödtjänster
• kapa effekttoppar
• minska curtailment
• hålla reserv inför riskperioder

Det här är en optimeringsfråga med konflikter: laddar du fullt för att ta vindöverskott kan du minska möjligheten att reglera frekvens. AI-baserad optimering (eller mer klassisk matematiskt optimering med ML-prognoser) kan lösa det genom att sätta tydliga prioriteringar per tidsfönster.

En praktisk princip: styr batteriet mot värdet av flexibilitet, inte bara energipriset. På ö-nät är stabilitet ofta “dyrast”.

4) Frekvensreglering med lärande styrning

Batterier är snabba. AI kan göra dem smarta genom att lära sig systemets beteende: hur frekvensen reagerar vid vindkast, generatorers tröghet, laststeg och nätbegränsningar.

Resultat i praktiken:

• färre frekvensavvikelser
• mindre slitage på termiska generatorer
• möjlighet att köra med högre andel variabel förnybar el utan att tumma på kvalitet

5) Prediktivt underhåll för turbiner och batterier

På öar är logistik en stor del av kostnaden. Om en komponent går sönder kan reservdelar, tekniker och tidsfönster bli en flaskhals. AI för prediktivt underhåll (vibrationer, temperaturer, laddcykler, degradering) kan därför ge extra stor effekt:

• färre oplanerade stopp
• bättre planering av servicebesök
• jämnare produktion och mer förutsägbar batterikapacitet

Vad svenska energiaktörer kan lära av Kap Verde

Kap Verde siktar på 50% förnybar el till 2030. Det målet är offensivt för ett ö-nät, men logiken är tydlig: vind + batterier + bra driftstyrning är vägen fram. För svenska kommuner, nätbolag, energibolag och industri finns tre lärdomar som går att plocka hem direkt.

1) Börja med driftsproblem, inte teknikinköp

Det är lockande att starta med “vi behöver ett batteri” eller “vi behöver AI”. Men bästa startpunkten är nästan alltid driften:

• Var uppstår curtailment?
• När uppstår frekvensproblem?
• Vilka timmar kräver dyr reserv?
• Vilka nätkomponenter sätter stopp?

När du kan peka på de 2–3 största “smärtpunkterna” blir det lätt att dimensionera både BESS och AI-styrning.

2) Mät det som betyder något: flexibilitet och leveranskvalitet

KPI:er som fungerar bra för vind + batterier i smarta elnät:

• minskad curtailment (MWh/år)
• förbättrad frekvenskvalitet (antal avvikelser, tid utanför band)
• minskad fossil körning (drifttimmar, bränslekostnad)
• batteriets tillgänglighet och degradering (kapacitet över tid)

Det här är också KPI:er som AI-modeller kan optimeras mot, vilket gör satsningen konkret och uppföljningsbar.

3) Se AI som en “operatörs-assistent”, inte autopilot

I verkliga elsystem vinner man ofta genom att bygga förtroende stegvis:

1. AI ger rekommendationer (”ladda här, avlasta där”).
2. Operatören godkänner och feedbackar.
3. Systemet går mot mer automatiserad drift när kvaliteten bevisats.

Den här modellen minskar risk och gör att driftorganisationen faktiskt tar tekniken till sig.

Snabba svar på vanliga frågor (som alltid dyker upp)

Behövs AI verkligen när man redan har SCADA och traditionell reglering?

Ja, om målet är hög andel variabel förnybar el. SCADA är ryggraden för övervakning och kontroll, men AI hjälper dig att förutse och optimera över flera timmar och flera mål samtidigt.

Är batterier bara för att “lagra sol och vind”?

Nej. På nätanslutna system är den största nyttan ofta stödtjänster, stabilitet och minskad curtailment. Energilagring är lika mycket ett verktyg för driftsäkerhet som för energiförskjutning.

Var börjar man om man vill göra något liknande i mindre skala?

Börja med en avgränsad del av nätet (en station, en industriell anslutning eller en mikronätsliknande zon) och bygg:

• prognoser (last/produktion)
• en enkel optimeringsmotor för batteriet
• tydliga KPI:er

Skala sedan.

Nästa steg: från 30% till 50% kräver smartare styrning

Kap Verde har visat att det går att flytta nålen snabbt: 13,5 MW vind och 26 MWh batterier har redan lyft systemet till omkring 30% förnybart. Men den verkligt intressanta fasen börjar nu. När andelen förnybart kliver uppåt blir driften mer finlir: mer prognos, mer koordinering, mer optimering.

Min tydliga ståndpunkt: Batterier utan intelligent styrning lämnar pengar och klimatnytta på bordet. AI gör inte energin grönare i sig, men den gör att den gröna energin faktiskt kan användas när nätet är som mest ansträngt.

Om du jobbar med elnät, energilagring eller elektrifiering i Norden är det värt att fråga sig: Var i vårt system slösar vi bort flexibilitet i dag – och vad skulle hända om vi började styra den med AI?