AI som gör sol+lagring redo för datacenter i skala

2,5 GW. Så mycket ren el har NextEra och Meta precis bundit upp i nya avtal i USA – via 11 elköpsavtal (PPA) och två lagringsavtal (ESA). Det är en siffra som säger mer än “stor affär”. Den säger att datacenter inte längre kan behandlas som en vanlig elkund. De behöver ett energisystem som är designat för konstant last, snäva SLA:er och samtidigt allt hårdare hållbarhetskrav.

Här blir kopplingen till vår serie ”AI inom energi och hållbarhet” väldigt konkret. När sol och batterier byggs i den här skalan handlar framgång mindre om paneler och mer om styrning: prognoser, optimering, marknadslogik och nätbegränsningar. Det är exakt där AI gör mest nytta.

Affären i korthet: NextEra och Meta tecknar avtal för 13 projekt som ska tas i drift 2026–2028. Det omfattar bland annat 2,1 GW sol i flera marknadsområden (ERCOT, SPP, MISO) och 168 MW batterilagring kopplat till Public Service Company of New Mexico (PNM), samt ytterligare 190 MW sol i New Mexico via PNM:s modell Rate 36B. Och det här är inte deras första runda – Meta stöder redan runt 500 MW i drift via tidigare avtal.

Vad betyder det för svenska energiköpare, nätbolag, utvecklare och alla som bygger AI-lösningar för energisystemet? En hel del.

Varför 2,5 GW-avtal med datacenter ändrar spelplanen

Stora datacenteravtal driver fram en ny standard: energi måste vara både grön och leveranssäker – timme för timme.

Datacenterlast är i praktiken “baslast”: jämn, hög och svår att flytta utan smart styrning. Samtidigt producerar sol ojämnt. Batterier fyller gapet, men batterier utan intelligent styrning blir lätt dyra “försäkringar” som används för lite eller vid fel tillfällen.

Det som gör NextEra–Meta-upplägget intressant är kombinationen av:

• Volym: 2,5 GW gör små fel i prognoser och drift till stora pengar.
• Geografisk spridning: flera elmarknader med olika prissignaler och nätregler.
• Hybridisering: sol plus lagring, där värdet ofta sitter i hur du kör systemet – inte bara att du äger det.

En tydlig trend 2025 är att energiköpare (särskilt tech) går från “köp förnybart” till “köp förnybart som fungerar för vår lastprofil”. Det är en mognad som smittar av sig på alla branscher.

Rate 36B – en modell som gör integrationen snabbare

I New Mexico används PNM:s Rate 36B som en sorts “snabbfil” för stora kunder att kontraktera och stötta nya rena projekt i nätet. Poängen är inte bara inköp, utan koordination: att anslutning, avtal och drift blir mer effektivt när modellen är standardiserad.

Översatt till svensk kontext: vi pratar om samma grundproblem som här hemma – hur får man in mer sol, mer lagring och mer industriell efterfrågan utan att fastna i flaskhalsar?

Där AI skapar mest värde i sol+lagring för datacenter

AI skapar värde när den gör driften mer förutsägbar, mer lönsam och mer nätvänlig – samtidigt.

Många tror att AI i energisammanhang främst handlar om “en smart prognos”. Prognoser är viktiga, men den verkliga vinsten kommer när prognosen kopplas till beslut: laddning/urladdning, inköp/försäljning, flexibilitet, och risk.

1) Last- och produktionsprognoser som tål verkligheten

För datacenter är det inte bara total last som spelar roll, utan:

• dygnsmönster (veckodagar vs helger)
• temperaturpåverkan (kylbehov)
• planerade “compute peaks” (träning av modeller, batchjobb)
• redundanskrav

AI-modeller som kombinerar historiska mätdata med externa variabler (väder, planerade körningar, driftstatus) ger bättre beslut än klassiska tidsseriemodeller ensamma.

En praktisk tumregel jag ofta återkommer till: om prognosfelet halveras får du inte bara “lite bättre drift” – du får ett helt annat risktagande. Du vågar köra batteriet hårdare när du vet att du kan återladda innan nästa topp.

2) Optimering av batteriet: värdet sitter i körningen

Ett batteri på 100 MW kan vara en guldgruva eller en kostsam pryl. Skillnaden är styrningen.

AI-baserad optimering (ofta i form av maskininlärning + matematisk optimering) kan:

• välja laddning/urladdning mot elpris och nätbegränsningar
• prioritera stödtjänster vs egenförbrukning beroende på intäktsläge
• minimera degradering genom att styra state-of-charge och cykeldjup

För affärer som NextEra–Meta, där projekt ligger i olika marknader, blir detta extra viktigt. ERCOT beter sig inte som MISO. Prisspikar, regler och incitament skiljer sig. AI blir “översättaren” som anpassar driftstrategin per marknad.

3) Nätintegration: från “anslut” till “samverka”

Det räcker inte att ansluta sol och batteri. De måste samverka med nätet.

AI kan här användas för:

• prediktiv flaskhalsanalys (när riskerar exportbegränsning uppstå?)
• spännings- och frekvensnära styrning i kombination med inverterfunktioner
• planering av flexibilitetsbud så att de minskar trängsel i stället för att öka den

Det här är särskilt relevant när många projekt ska tas i drift 2026–2028. När mycket ny kapacitet tillkommer snabbt ökar komplexiteten exponentiellt.

Snabb utbyggnad kräver inte bara mer produktion. Den kräver bättre koordinering.

Vad affären säger om framtidens “gröna datacenter”

Den tydligaste signalen: gröna datacenter byggs inte med en energikälla, utan med en portfölj.

Meta knyter upp stora volymer sol och kompletterar med lagring. Det speglar tre drivkrafter som även svenska aktörer möter:

1. Scope 2-krav och kundförväntan: timvis matchning och transparens får mer tyngd.
2. Prisrisk: långsiktiga PPA:er blir ett verktyg för att stabilisera elkostnad.
3. Tillgång till effekt: nätkapacitet är ofta den verkliga bristvaran.

“Solar-plus-storage” är inte bara teknik – det är en affärsmodell

Att kombinera sol och batteri gör det möjligt att paketera en mer datacenter-lik produkt: högre leveransvärde, bättre kontroll och fler intäktsströmmar.

Men det fungerar bara om du kan:

• mäta och verifiera produktion/förbrukning timme för timme
• styra batteriet mot rätt mål (kostnad, CO₂, tillgänglighet)
• hantera avvikelser (moln, fel, prisstörningar)

AI behövs för att göra detta skalbart. Annars blir varje projekt ett “specialbygge” med höga driftskostnader.

Så kan svenska energiteam använda lärdomarna – konkret

Det här är den del jag tycker många missar: du behöver inte ha 2,5 GW för att tänka som Meta. Du kan börja i mindre skala och ändå få samma systemlogik.

Steg 1: Definiera vad du faktiskt optimerar

Välj 1–2 primära mål och gör dem mätbara:

• Kostnad (SEK/MWh eller total elkostnad)
• CO₂-intensitet (gCO₂/kWh per timme)
• Tillgänglighet (t.ex. maximal last som kan säkras vid störning)

Om du försöker optimera allt samtidigt utan prioritering får du en modell som ingen litar på.

Steg 2: Bygg en datagrund som AI kan arbeta med

Minimikrav för att få effekt:

• tim- eller kvartsmätning av förbrukning och produktion
• väderdata (lokalt relevanta variabler)
• prisdata (spot, tariffer, stödtjänster om tillämpligt)
• batteriets driftdata (SoC, cykler, temperatur, begränsningar)

Här vinner de som tänker “produkt”: samma datamodell för fler sajter/projekt.

Steg 3: Kör en pilot med tydlig ROI-logik

En bra första pilot är ofta:

1. Prognosmodell för last/sol
2. Enkel optimering för batterikörning (regelbaserad → optimerad)
3. Verifiering: jämför mot baslinje i SEK och i CO₂

Målet är inte perfektion. Målet är att bevisa att styrning ger pengar och hållbarhetsnytta.

Steg 4: Skala med “guardrails”, inte med fler dashboards

När du skalar AI-styrning av energi måste du ha:

• begränsningar för batterihälsa (degradering)
• larm och fallback-strategi vid databortfall
• auditbarhet: varför tog modellen beslutet?

Det är här många AI-projekt faller. Tekniken fungerar, men organisationen saknar driftprocesser.

Vanliga frågor som dyker upp (och raka svar)

Blir det här relevant i Sverige när vi har så mycket vattenkraft?

Ja. Vattenkraft är en styrka, men nätkapacitet, effekttoppar och prisvolatilitet är fortfarande realiteter. Dessutom växer datacenter, elektrifiering och industrilaster. AI för prognos och flexibilitet blir ett sätt att minska kostnad och trängsel.

Räcker PPA:er utan batterier?

För klimatbokföring kan PPA räcka, men för drift och risk är batterier ofta det som gör portföljen robust. Den stora vinsten kommer när PPA + lagring + AI-styrning ses som ett sammanhängande system.

Är AI nödvändigt, eller kan man köra “manuellt”?

Manuellt fungerar i liten skala. När du har många tillgångar, flera marknader, och behöver timvis matchning och rapportering blir det snabbt ohållbart. AI är inte lyx – det är automatisering av komplexitet.

Nästa steg: från stora rubriker till praktisk energistyrning

Affären mellan NextEra och Meta är ett tecken på vart marknaden är på väg: stora elkunder köper inte bara förnybar energi, de köper förmågan att driva förnybart stabilt. Och den förmågan byggs med data, styrning och AI.

Om du arbetar med energiinköp, drift av fastigheter/industri, nätutveckling eller digitalisering är 2026–2028 nära. Projekten som tas i drift då kommer att belöna de team som redan nu kan:

• förutse last och produktion på timnivå
• optimera lagring mot både ekonomi och CO₂
• integrera flex på ett sätt som hjälper nätet

Frågan är inte om sol+lagring växer. Frågan är: vem sitter på intelligensen som får det att fungera varje dag?