AI som minskar behovet av “nödkol”: lärdomar från Centralia

När en kolkraftsanläggning egentligen ska stängas – men beordras att fortsätta i “nödläge” – är det sällan ett tecken på modern energiplanering. I mitten av december 2025 kom ett sådant beslut i USA: federala energimyndigheten beordrade att Unit 2 vid Centralia-kolkraftverket i Washington måste hållas igång i 90 dagar, trots en länge planerad avveckling.

Det här är mer än en amerikansk politisk konflikt. Det är ett stressprov av elnätets omställning. Och det visar varför AI i energisystemet inte är en “nice to have”-teknik, utan ett praktiskt verktyg för att slippa dyra ad hoc-lösningar när läget blir spänt.

Jag tycker det finns en tydlig lärdom: när man tvingas rädda kortsiktig leveranssäkerhet med gamla, dyra kraftverk handlar det ofta om brister i prognoser, flexibilitet och samordning. Precis där gör AI störst nytta – om den används rätt.

Varför Centralia-beslutet är en varningsklocka

Central poäng: “Måste-köra”-order är ett symptom på att planering och flexibilitet inte räcker – eller inte används optimalt.

Centralia har i många år varit på väg mot avveckling. En enhet stängdes redan 2020, och den kvarvarande enheten skulle enligt plan stängas vid årsskiftet. Bakgrunden är bland annat delstatliga regler som förbjuder kolanvändning i elproduktion från och med 2026.

Ändå kommer en federal order om fortsatt drift i 90 dagar, med hänvisning till en påstådd nödsituation i elnätet i västra USA och förhöjda risker vid extremväder. Liknande order har redan använts för andra fossila anläggningar under 2025. Det blir ett mönster: man använder korta, återkommande undantag för att hålla åldrande kraftverk igång.

Dyrare el – och ofta sämre driftsäkerhet

När myndigheter håller liv i gammal fossil produktion tenderar två saker att hända samtidigt:

• Kostnaderna vältras över på elkunder. I ett tidigare fall i Michigan rapporterades driftkostnader på minst 80 miljoner USD över några månader (vilket motsvarar cirka 615 000 USD per dag under en period).
• Risken för oplanerade avbrott ökar. Äldre kolkraft har generellt högre sannolikhet för driftstörningar än modernare resurser, särskilt under stressade lägen.

Det blir alltså lätt en dubbel smäll: man betalar mer för en resurs som inte nödvändigtvis är den som faktiskt ger bäst leveranssäkerhet.

Det här missförståndet styr många energibeslut

Central poäng: Många blandar ihop “kapacitet på papperet” med verklig flexibilitet i realtid.

Kolkraft kan se stabilt ut i planeringsdokument, men verkligheten i ett modernt elsystem är mer granular. Leveranssäkerhet avgörs i allt högre grad av:

• hur snabbt resurser kan regleras upp och ned
• hur väl man kan förutse belastningstoppar och flaskhalsar
• om nätet kan hantera lokala begränsningar (överföring och spänning)
• om man har en fungerande marknads- och styrmodell för flexibilitet

När man då svarar på osäkerhet med “håll igång kolkraften lite till” är det ofta en genväg som undviker den svårare frågan: varför saknar vi fungerande verktyg för att planera och styra ett system med mycket förnybart och mer extremväder?

Ett elsystem blir inte robust av att vara gammalt. Det blir robust av att vara förutseende, flexibelt och väl styrt.

Där AI faktiskt gör skillnad: från prognoser till nätoptimering

Central poäng: AI minskar behovet av nödlösningar genom bättre förutsägelser, snabbare beslut och smartare användning av befintliga resurser.

I vår serie AI inom energi och hållbarhet återkommer en sak: det är sällan brist på energiresurser i sig som är problemet. Problemet är att resurserna inte används optimalt när systemet pressas.

1) Lastprognoser som klarar extremväder

Klassiska lastprognoser faller ofta igenom när vädermönster blir ovanliga. AI-modeller (t.ex. gradient boosting, sekvensmodeller eller hybridmodeller som kombinerar fysik och ML) kan tränas för att:

• upptäcka tidiga signaler på onormala toppar
• modellera beteendeförändringar (t.ex. elvärme, AC, industriprocesser)
• förbättra prognoser på lokal nivå (nätstation, område, feeder)

Det är inte bara “mer exakt”. Det betyder att nätoperatörer kan köpa in rätt flexibilitet i tid, istället för att panikstarta dyr produktion.

2) Förnybarprognoser som går från grovt till operativt

Vind och sol går att prognostisera bra – men det kräver rätt upplösning. AI kan kombinera:

• väderensembledata
• historiska produktionsserier
• topografi och turbin-/parkegenskaper

Resultatet blir prognoser som är mer användbara för drift: inte bara “hur mycket i dag”, utan “hur snabbt faller produktionen nästa timme och var uppstår rampen?”. Det gör det lättare att planera batterier, vattenkraftsreglering, import/export och efterfrågeflex.

3) Flexibilitet på efterfrågesidan (demand response) som faktiskt fungerar

Många pratar om flexibilitet, men fastnar i pilotprojekt. AI kan operationalisera det genom att:

• segmentera kunder och laster (vad går att flytta utan att störa?)
• optimera aktivering i realtid (minimera kostnad, maximera effekt)
• mäta och verifiera levererad flexibilitet (M&V) snabbt och trovärdigt

När efterfrågan kan styras smart minskar behovet av att hålla kvar “måste-köra”-produktion.

4) Nätoptimering: flaskhalsar är ofta den riktiga nödsituationen

I många regioner handlar “kapacitetsbrist” om överföringsbegränsningar, inte total energimängd. AI-baserade verktyg kan stödja:

• bättre korttidsplanering av nätets begränsningar
• dynamiska driftgränser (t.ex. beroende på väder och linjetemperatur)
• snabbare omkoppling och återställning vid fel

Det här är ingen magi. Det är matematik, data och bättre beslutstöd.

Kol som “reliabilitetsåtgärd” är ofta en dyr genväg

Central poäng: Att förlänga fossil drift kan bli en självuppfyllande profetia som bromsar investeringar i riktig robusthet.

När ett kraftverk som skulle stängas hålls igång av politiska skäl händer ofta följande:

1. Marknaden får fel signaler. Flexibilitet och lagring blir mindre lönsamma på kort sikt.
2. Nätutveckling skjuts upp. Man “köper tid” istället för att bygga bort flaskhalsar.
3. Kostnader cementeras. Drift och underhåll av gammal anläggning blir ett återkommande påslag.

Det är särskilt relevant när det rör sig om enheter som ändå står inför ombyggnad (i Centralias fall fanns planer på konvertering till naturgas till 2028 med en prislapp på omkring 600 miljoner USD). Den sortens beslut blir svårare att styra när kortsiktiga order rycker i ratten.

Min ståndpunkt: om målet är lägre utsläpp och stabilare el, då är det kontraproduktivt att bygga en strategi kring att “rädda” det gamla. Man måste bygga ett system som inte behöver räddas lika ofta.

Praktiskt: så kan energibolag använda AI för att slippa nödlägen

Central poäng: Du behöver inte börja med ett gigantiskt AI-program – men du behöver börja med rätt problem.

Här är ett upplägg jag har sett fungera i praktiken (och som passar både nätbolag, elhandlare och större energianvändare):

Steg 1: Välj två “topp-timmar” att vinna

Identifiera de timmar per år som driver mest risk och kostnad: kallaste vardagsmorgnar, vindstilla kvällar, eller regioner med återkommande flaskhals. Målet är att kunna svara på:

• Vad är vår prognososäkerhet just dessa timmar?
• Vilka resurser kan vi styra då (last, batteri, produktion, avtal)?

Steg 2: Bygg en prognosstack som går att drifta

En bra AI-prognos i labbet är värdelös om den inte går att drifta 24/7. Säkerställ:

• datakvalitet (mätvärden, väder, avbrott, pris)
• övervakning av modellfel (drift, bias, “concept drift”)
• tydlig fallback-logik (om modellen fallerar)

Steg 3: Koppla prognosen till beslut, inte bara dashboards

Skapa automatiserade rekommendationer:

• när ska flexibilitet aktiveras?
• hur mycket behövs och i vilka nätområden?
• vad kostar olika alternativ per undviken MWh obalans?

Steg 4: Mät effekt i kronor, inte i modellmetrik

Sätt KPI:er som speglar verklig nytta:

• reducerad obalanskostnad
• färre toppar i kapacitetsavgifter
• minskad kostnad för stödtjänster
• minskat behov av dyr reservkraft

AI i energisystemet ska i slutändan synas i lägre risk, lägre kostnad och bättre klimatutfall.

“People also ask” – korta svar du kan citera

Varför förlängs kolkraft när förnybart byggs ut?

För att omställningen ibland är ojämn: nätbegränsningar, brist på flexibilitet och svaga prognoser gör att beslutsfattare väljer kortsiktiga lösningar.

Kan AI ersätta fossil reservkraft?

AI ersätter inte effekt i sig, men minskar behovet genom att förbättra prognoser, aktivera flexibilitet och optimera nätets drift. Det gör att befintliga resurser räcker längre.

Vad är den vanligaste missuppfattningen om leveranssäkerhet?

Att “mer produktion” alltid löser problemet. Ofta är problemet lokal överföring, timing och brist på styrbar flexibilitet.

Nästa steg: bygg ett elsystem som inte behöver nödbeslut

Central poäng: Centralia visar vad som händer när planering och drift hamnar i konflikt – AI kan minska den friktionen.

Beslutet att hålla Centralia igång i 90 dagar säger något obekvämt: när pressen ökar väljer vissa system att falla tillbaka på det bekanta, även om det är dyrt och smutsigt. Men det är inte en naturlag. Det är en konsekvens av hur man planerar, prognostiserar och styr.

Om du arbetar med energi, industri eller fastigheter i Sverige är lärdomen användbar ändå. Extremväder, högre elektrifiering och mer variabel produktion gör att även ett starkt nordiskt system måste bli smartare i detaljerna. AI för smarta elnät är ett av de mest konkreta sätten att få det att hända – utan att fastna i fossil “reserv” som aldrig riktigt försvinner.

Vill du veta hur en AI-satsning kan börja i liten skala men ge mätbar effekt på 8–12 veckor? Vilka två topp-timmar i din verksamhet kostar mest – och vad skulle hända om du kunde förutse dem bättre?