AI för smarta elnät: så bromsar vi kapacitetskrisen

När ett kapacitetspris i ett elnät skulle landa på 530 USD/MW-dag, men stoppas av ett tillfälligt pristak på 333,44 USD/MW-dag, är det inte bara en amerikansk marknadsnyhet. Det är en tydlig signal: kapacitetsfrågan håller på att bli flaskhalsen i elektrifieringen – särskilt när stora laster som datacenter växer snabbare än nätet hinner byggas ut.

Samtidigt händer något annat i bakgrunden: batterier fortsätter att skala upp i rekordfart. Under årets tre första kvartal installerades 12,9 GW/36,2 GWh energilager i USA – mer än hela rekordåret 2024. Och när en industrijätte som Ford siktar på 20 GWh per år i stationär lagringskapacitet från 2027 är det ett tecken på att energilager håller på att bli “standardutrustning” i energisystemet.

Den här posten är en del av serien AI inom energi och hållbarhet. Jag vill använda veckans fem siffror som språngbräda för något mer praktiskt: hur AI-driven nätstyrning, prognoser och flexibilitet faktiskt kan minska kapacitetsbrist, stabilisera priser och göra regulatoriska krav lättare att möta.

Kapacitetspriserna skenar – och det är ett systemproblem

Kapacitetsauktioner är i grunden ett sätt att betala för att det ska finnas effekt när den behövs som mest. När priset pressas upp till rekordnivåer betyder det nästan alltid samma sak: systemet upplever att marginalerna är för små.

I PJM (en av världens största elmarknader för grossist-el i USA) blev senaste auktionen rekorddyr även efter pristak. Det är lätt att avfärda som “amerikansk marknadsdesign”, men mekaniken känns igen: mer elförbrukning, mer väderberoende produktion, långsamma tillståndsprocesser och trög nätutbyggnad.

Varför datacenter gör kapacitetsfrågan skarpare

Datacenter och AI-infrastruktur skiljer sig från mycket annan ny last:

• De kan vara stora (hundratals MW i kluster).
• De kan behöva hög leveranssäkerhet.
• De byggs ofta snabbare än nätförstärkningar hinner planeras och godkännas.

Resultatet blir att kapacitetsmarknader och nätplanering pressas från två håll: topparna blir högre, och kraven på resiliens ökar.

Det här är skälet till att jag tycker att kapacitetspriser inte bara är “en kostnad” – de är en diagnos.

AI i smarta elnät: från reaktiv drift till proaktiv kapacitetsplanering

AI hjälper inte genom att vara “smart” i abstrakt mening, utan genom att göra tre konkreta saker bättre än traditionella metoder: prognoser, optimering och avvikelsedetektering.

1) Bättre last- och effekttoppsprognoser (på riktigt)

Klassiska prognosmodeller fungerar ofta bra på aggregerad nivå – tills systemet förändras snabbt. När stora nya laster tillkommer (som datacenter, industriprojekt eller snabb elektrifiering av transporter) blir historiken mindre värd.

AI-baserade prognoser kan kombinera fler signaler:

• väder och temperatur (för värme/kyla)
• kalender- och beteendemönster
• lokal nätdata (spänningsnivåer, flaskhalsar)
• anslutningsärenden och byggtakt (framtida last)
• marknadsdata (priser som driver beteende)

Poängen: Om du kan förutsäga effekttoppen mer exakt kan du dimensionera åtgärder mer exakt. Det minskar behovet av “säkerhetsmarginaler” som annars driver upp kapacitetskostnader.

2) Optimering av flexibilitet: göra mer av det vi redan har

När nätet är ansträngt är den dyraste kilowattimmen ofta den som kräver ny kapacitet – inte den som produceras.

AI kan orkestrera flexibilitet från flera källor:

• batterilager (BESS)
• industriell laststyrning
• fastigheters värme/kyla (termisk tröghet)
• laddinfrastruktur
• reservkraft och mikronät

Det här är inte teoretiskt. I praktiken handlar det om att:

1. förutse när begränsningar uppstår,
2. räkna fram billigaste kombinationen av åtgärder,
3. genomföra styrning automatiskt inom givna ramar.

Ett bra riktmärke jag återkommer till: kapacitet byggs långsamt – flexibilitet kan skapas snabbare.

3) Avvikelsedetektering som minskar risken för “dyrt i efterhand”

MISO:s kapacitetsauktion behövde en settlement adjustment efter ett kodningsfel som påverkade planeringsmarginaler – med en prislapp på 280 miljoner USD. Det är en påminnelse om att elmarknader är beroende av komplexa system och dataflöden.

AI för avvikelsedetektering kan användas för att hitta:

• orimliga språng i indata (t.ex. reservmarginaler, tillgänglighet)
• mönster som tyder på fel i modellering eller dataintegration
• skillnader mellan förväntat och faktiskt utfall som kräver granskning

Det ersätter inte revision eller marknadsövervakning – men det gör att du hittar fel tidigare, innan de blir en regulatorisk huvudvärk eller en kostnad som vältras vidare.

Batteriboomen: det här är bränslet för AI-styrd flexibilitet

Att USA redan nått 12,9 GW/36,2 GWh på tre kvartal säger något viktigt: energilager går från “pilot” till infrastruktur. Och när en biltillverkare planerar 20 GWh årlig produktion för stationära system är budskapet tydligt: marknaden ser uthållig efterfrågan från datacenter, elbolag och industri.

Varför batterier och AI hör ihop

Batterier utan smart styrning blir ofta underutnyttjade. AI kan höja nyttan genom att:

• optimera laddning/urladdning mot både nätbegränsningar och pris
• kombinera flera intäktsströmmar (t.ex. toppkapning + stödtjänster)
• förutsäga degradering och planera drift som förlänger livslängden

En enkel men vass formulering:

Ett batteri är en resurs. AI gör det till en strategi.

Datacenter + batterier: en praktisk väg runt kapacitetsbristen

För stora laster som datacenter blir kombinationen ofta logisk:

• batteri för att jämna ut toppeffekt
• AI-styrning för att hålla sig inom överenskomna effektramar
• tydliga avtal om hur och när last får påverkas

Det minskar trycket på nätet, men också konflikter om vem som betalar för förstärkningar.

Reglering och FERC: varför governance är lika viktigt som algoritmer

När priser skenar och tillförlitlighetsmål inte nås ökar regulatorernas tryck. I PJM ökar pressen på delstater och tillsyn att se över tariffstrukturer, särskilt kring kostnadsförskjutning (t.ex. om nya stora kunder driver kostnader som hamnar hos hushåll).

Här tycker jag många organisationer hamnar snett: man tänker att AI är ett IT-projekt. Men för elnät är AI också en styrningsfråga.

Tre principer som gör AI acceptabelt för tillsyn och ledning

1. Spårbarhet: Beslut ska kunna förklaras (vilka data, vilken logik, vilka begränsningar).
2. Robusthet: Modeller ska klara driftstörningar, saknade värden och ovanliga händelser.
3. Rättvisa och kostnadslogik: Optimering får inte “gömma” kostnader eller skapa oskäliga effekter för vissa kundgrupper.

När dessa principer finns på plats blir dialogen med regulatorer enklare – och tiden från idé till driftsatt nytta kortare.

Så kommer ni igång: en 90-dagars plan för AI-driven kapacitetsstyrning

För att skapa leads behöver man ofta vara konkret. Här är ett upplägg jag sett fungera hos både nätbolag, energibolag och stora elanvändare.

Steg 1 (dag 1–30): Kartlägg var kapacitet “läcker”

Målet är en tydlig bild av var effekttoppar och flaskhalsar uppstår.

• Identifiera topp 20 timmar (eller 50) som driver dimensionering.
• Dela upp efter område, kundsegment och typ av last.
• Säkerställ datakvalitet: mätvärden, tidsstämplar, avbrott, bias.

Leverans: en enkel rapport med 3–5 “kapacitetsdrivare” och deras kostnadseffekt.

Steg 2 (dag 31–60): Bygg en prognos och en styrbarhetskarta

• Träna en prognosmodell för last och toppeffekt på relevant upplösning.
• Definiera vilka resurser som kan styras (batterier, HVAC, laddning, industri).
• Sätt ramar: komfort, produktion, avtal, cybersäkerhet.

Leverans: prognosprecision + lista på flexibilitet i MW per område.

Steg 3 (dag 61–90): Kör en pilot som minskar toppar

• Välj ett område eller en kundportfölj.
• Sätt ett tydligt mål: t.ex. ”minska toppeffekt med 5–10% under kritiska timmar”.
• Implementera styrning med människa-i-loopen initialt.

Leverans: mätbar toppreduktion, kostnad/nytta och plan för skalning.

Vad betyder detta för Sverige 2025-12-21?

Svenska aktörer behöver inte kopiera PJM:s marknadsmodell för att lära av signalerna. Här hemma märks samma grundkrafter: elektrifiering, snabb lasttillväxt i vissa noder, och långa ledtider i nätutbyggnad. Vintern gör också effektdimensioneringen mer känslig – och det är precis under kalla veckor som “kapacitetspriset” i praktiken blir som tydligast, även om det inte alltid syns på samma sätt som i en amerikansk auktion.

Min ståndpunkt är enkel: AI i smarta elnät är inte en framtidsfråga, det är ett sätt att köpa tid. Tid att bygga nät, tid att ansluta ny industri, tid att göra om tariffstrukturer utan panik.

Vill du ta nästa steg i er organisation? Börja med en fråga som går att mäta: Vilka 20 timmar per år kostar oss mest i kapacitet – och hur mycket av det kan vi kapa med prognoser, flexibilitet och batteristyrning?