AI kan bromsa kapacitetschocken i elnäten

Kapacitetskostnaderna i USA:s största elmarknad, PJM, nådde rekordnivån 16,4 miljarder dollar för leveransåret 2027–2028. Samtidigt lyckades marknaden inte ens köpa in tillräckligt med resurser för sitt eget mål om 20 % reservmarginal. Det här är inte en teknisk detalj för elmarknadsnördar – det är en tydlig signal om en ny verklighet: elnäten får allt svårare att hänga med när efterfrågan drar iväg snabbare än ny produktion och nätkapacitet.

Den konkreta motorn bakom utvecklingen är något som också märks i Sverige och Norden: AI- och molntjänster driver datacenterboom. I PJM:s prognos står datacenter för nästan hela ökningen av toppeffekt fram till 2030 – 32 GW, där 30 GW kopplas till datacenter. När en enda bransch kan flytta hela efterfrågekurvan uppåt blir “vanliga” marknadsmodeller och planeringscykler plötsligt för långsamma.

Här kommer den obekväma men hoppfulla tesen: de flesta elnät försöker lösa ett realtidsproblem med kvartals- och årsprocesser. Det räcker inte längre. AI i energi och hållbarhet handlar inte om hype – det handlar om att skapa snabbare beslutsloopar för prognoser, anslutningar, flexibilitet och prissignaler, så att kapacitetskostnader inte sticker iväg och landar på hushållens räkningar.

Varför kapacitetskostnader skenar – och varför det spiller över på alla

Kapacitetsmarknader finns för att säkra effekt när den behövs som mest: kalla vintermorgnar, heta sommarkvällar, eller när ett kraftverk plötsligt faller bort. Kapacitetspriset blir i praktiken ett kvitto på hur dyrt det är att “försäkra” elnätet.

I PJM ser vi en klassisk dubbelsmäll:

• Efterfrågan ökar snabbt, drivet av datacenter.
• Utbudet ökar långsamt, eftersom nya projekt fastnar i anslutningsköer, tillståndsprocesser, finansiering och leverantörsproblem.

När den kombinationen blir tillräckligt stark händer två saker:

1. Kapacitetsauktionen rensar på marginalen mot dyrare resurser.
2. Elräkningar påverkas med fördröjning, eftersom kapacitetskostnader till slut rullas in i tariffer.

I PJM bedömdes elräkningar redan innan den här auktionen kunna öka 1,5–5 % för vissa kunder från juni 2026. Och i den politiska debatten har analyser pekat på betydligt större effekter längre fram (i nivåer som skapar väljarilska, vilket redan synts i valrörelser i regionen).

Det som gör läget extra spänt är att PJM inte nådde sin målsatta reservmarginal för 2027–2028. Man kan ha “tillräckligt” ändå, men marknadssignalen blir tydlig: systemet är tajtare än planerat.

Svensk vinkel: samma logik, andra verktyg

Sverige har ingen identisk kapacitetsmarknad som PJM, men vi känner igen mönstret:

• snabb ny efterfrågan (industrielektrifiering, datacenter)
• lång ledtid för nätförstärkningar och anslutningar
• ökade kostnader som till slut syns i nätavgifter och elprisvolatilitet

Det är därför AI för smarta elnät är relevant här och nu – också för svenska energibolag, nätbolag, kommuner och stora elanvändare.

Flaskan som stryper allt: anslutningsköer och “papperseffekt”

En av de tydligaste lärdomarna från PJM är att det inte räcker att “ha projekt på gång”. Det kan se bra ut i powerpoint, men ändå inte ge elnätet en enda extra megawatt när den behövs.

PJM sitter med en anslutningskö på över 100 GW, där en stor del består av sol, vind och batterier. Samtidigt kom bara cirka 2,7 GW ny kapacitet (inklusive uppgraderingar av befintliga anläggningar) in i systemet under året inför sommarauktionen.

Det här gapet – mellan planerad kapacitet och faktisk driftsatt kapacitet – är en huvudförklaring till att kapacitetskostnaderna blir dyrare.

Där AI faktiskt kan hjälpa: från “kö” till “genomströmning”

AI kan inte trolla fram tillstånd eller transformatorer. Men AI kan göra två avgörande saker som ofta glöms bort:

1. Förkorta beslutsled genom bättre prioritering och riskbedömning.
2. Öka precisionen i vem som faktiskt kan bli klar i tid och vad som blockerar.

Konkreta användningsfall i anslutningsprocessen:

• Prediktiv riskmodellering: vilka projekt i kön har hög sannolikhet att falla bort, bli försenade eller kräva dyra nätåtgärder?
• Automatisk dokument- och dataextraktion: standardisera ansökningar, ritningar, skyddsstudier och mätdata så att handläggningstiden sjunker.
• Nätkapacitetskartor i realtid: digitala tvillingar som uppdateras med verklig driftdata och visar var anslutning är “billigast” och snabbast.

Min erfarenhet är att många organisationer missar detta eftersom man behandlar anslutning som administration. I själva verket är det en produktionslinje – och AI är bra på att optimera genomströmning när datapunkter är många och flaskhalsar varierar.

Datacenter: problemet är inte bara elförbrukningen – utan timing

Datacenter beskrivs ofta som “stora laster”. Det stämmer, men det är den trubbiga bilden. Den mer användbara bilden är: datacenter är stora, snabba och ofta samtidiga laster.

När många datacenter planeras i samma region och kommer online inom snäva tidsfönster blir elnätets utmaning tredelad:

• Effekt (topparna)
• Energi (kWh över tid)
• Nät (lokala flaskhalsar i transmission och distribution)

PJM har hamnat i politisk konflikt om vem som ska bära kostnaden. Ska hushåll betala för att de rikaste techbolagen expanderar? Eller ska datacenter tvingas ordna egen försörjning och/eller vara flexibla när det är kris?

AI som “kontrakt mellan nät och kund”: flexibilitet som går att lita på

Flexibilitet låter enkelt: “stäng av vid topp”. Men i praktiken kräver det:

• tydliga villkor
• mätbarhet
• verifiering
• automatiserad aktivering

Här är AI och mjukvara skillnaden mellan en idé och en resurs som elnätet vågar räkna med.

Exempel på AI-drivna upplägg för datacenter och andra stora laster:

1. Prognosstyrd lastflytt: AI förutser pristoppar och nätstress 24–72 timmar i förväg och planerar om icke-kritiska beräkningar.
2. Automatisk “peak shaving” med batteri och UPS: datacentret håller sin nätlast under en avtalad nivå.
3. Flexibilitet med bevis: AI-baserad mätning och baseline-modeller som visar att en faktisk reduktion skett (och hur stor).

Det här är centralt: Flexibilitet som inte går att verifiera är inte flexibilitet – det är ett löfte.

Så stabiliserar AI elmarknaden när kapacitetspriser blir volatila

När kapacitetskostnader och effektbrist blir en återkommande risk ökar värdet av bättre analys. AI-driven energimarknadsanalys kan bidra med tre typer av stabilitet: bättre prognoser, bättre investeringar, bättre drift.

1) Bättre last- och toppprognoser (och färre dyra felbeslut)

Kapacitetsauktioner och nätplanering bygger på antaganden om framtida toppar. När efterfrågan skiftar snabbt – som med datacenter – räcker inte historiska mönster.

AI-modeller kan kombinera:

• anslutningsdata och byggtakt (t.ex. var datacenter faktiskt byggs)
• väder och klimatmönster
• industriplaner och regional utveckling
• realtidsdata från nätet

Målet är inte “perfekt prognos”. Målet är att minska felmarginaler som driver fram dyr överkapacitet eller, ännu värre, akut brist.

2) Smartare kapacitetsmix: mer värde per investerad krona

PJM:s kö domineras av sol, vind och batterier, men få projekt når drift snabbt nog. AI kan hjälpa investerare, nätbolag och systemoperatörer att välja rätt mix för rätt problem:

• Batterier för kortvariga toppar och reserver
• Efterfrågeflex för att minska den dyraste effekten
• Förnybart för energi, men med nät- och lagringsplan som gör det leveransbart

När man matchar åtgärd till behov sjunker kostnaden per “nyttig MW”. Det är precis det kapacitetsmarknader försöker signalera, men ofta för sent.

3) Driftoptimering: få ut mer av det nät som redan finns

Elnätets verkliga kapacitet är dynamisk. Temperatur, belastningshistorik och felrisk påverkar hur mycket som kan köras säkert.

AI kan användas för:

• dynamisk linjekapacitet (operera när det är säkert att överföra mer)
• prediktivt underhåll (minska oplanerade avbrott som äter reservmarginal)
• optimerad omkoppling i distributionsnätet

Det här är den snabbaste typen av “ny kapacitet” – eftersom den ofta kräver mer mjukvara än markarbete.

Praktisk checklista: så kommer ni igång med AI för smarta elnät

Om du jobbar på energibolag, nätbolag, kommun, industri eller som datacenteroperatör är det lätt att fastna i teknikdiskussioner. Jag föredrar en enkel start:

1. Välj ett konkret mål: sänka toppar, korta anslutningstid, minska avbrott, eller förbättra prognoser.
2. Inventera datakällor: mätvärden, SCADA, kundlaster, anslutningsärenden, väder, prisdata.
3. Bygg en baseline: hur ser problemet ut utan AI? (toppar per vecka, timmar med trängsel, handläggningstid)
4. Pilot på 8–12 veckor: en modell, en process, en tydlig KPI.
5. Säkra governance: datakvalitet, ansvar, cybersäkerhet, och hur beslut tas när modellen avviker från “magkänsla”.

Den snabbaste vägen till värde är nästan alltid: bättre prognos + tydlig åtgärd när prognosen slår larm.

Vad vi bör ta med oss från PJM – innan det blir vår nästa rubrik

PJM visar hur snabbt kostnader kan rusa när efterfrågan (datacenter/AI) accelererar och utbud (produktion och nät) bromsas av köer och ledtider. När kapacitetskostnaderna når 16,4 miljarder dollar och reservmarginalmålet missas är det ett tecken på att systemet behöver snabbare styrning, inte bara fler långtidsplaner.

AI inom energi och hållbarhet är ett av få verktyg som kan göra skillnad på kort sikt: bättre lastprognoser, snabbare anslutningsbeslut, verifierbar flexibilitet och driftoptimering som frigör kapacitet i befintlig infrastruktur.

Om 2025 har lärt oss något är det att elnätets nästa flaskhals inte bara är kablar och kraftverk. Det är beslutsförmåga i realtid. Vilken del av ditt energisystem skulle bli märkbart bättre redan i Q1 2026 om ni kunde förutse och agera på toppar 48 timmar tidigare?