AI för färre strömavbrott: höj kraven, inte sänk dem

När ett elbolag ber om lägre krav på leveranskvalitet händer något intressant: frågan flyttas från teknik till ansvar. I Ohio vill FirstEnergys tre nätbolag få mer tid på sig att återställa elen när avbrott inträffar – och i vissa fall också tillåtas ha något fler avbrott per kund och år. Det här kommer samtidigt som kunder nyligen fått högre elnätsavgifter för investeringar som på pappret ska göra elnätet mer robust.

Det är lätt att avfärda det som ett amerikanskt regulatoriskt bråk långt bort. Men mönstret är bekant även i Europa: extremväder blir vanligare, nätet blir mer belastat av elektrifiering och nya laster (som datacenter), och det blir plötsligt frestande att ”justera” målen i stället för att förbättra leveransen.

Här tar jag ställning: att sänka tillförlitlighetskrav är en genväg som riskerar att bli dyr för kunderna. Det finns en bättre väg – och den är väldigt praktisk. Den heter AI-driven tillståndsövervakning, prediktivt underhåll och smart nätoptimering. I den här delen av vår serie AI inom energi och hållbarhet går vi igenom hur det fungerar, vad som krävs för att lyckas, och hur man mäter resultat utan att fastna i glättiga pilotprojekt.

Varför blir strömavbrott vanligare – och varför hjälper inte lägre krav?

Det korta svaret: väder och belastning har förändrat spelplanen, men nätet och styrningen har inte hängt med.

En analys från 2024 visade att väderrelaterade elavbrott i USA var ungefär dubbelt så vanliga 2014–2023 jämfört med 2000–2009. Och under 2025 rapporterades att den genomsnittliga längden på längre avbrott låg kring 12,8 timmar, vilket motsvarar en ökning på nästan 60 % jämfört med 2022.

Det här liknar en utveckling vi ser på flera håll: fler stormar, mer nederbörd, värmeböljor som driver upp kylbehov, och kalla perioder som stressar både el- och bränslelogistik. Resultatet är inte bara fler fel – utan också fler komplexa fel, där återställningen tar längre tid.

Problemet med att sänka krav är att det ofta leder till tre bieffekter:

1. Fel incitament: om målet sänks blir det rationellt att skjuta upp svåra investeringar.
2. Kostnadsförskjutning: kunder får bära kostnaden i form av produktionsbortfall, förstörd mat, driftstopp och ökad beredskap.
3. Sämre transparens: det blir lättare att gömma strukturella problem bakom ”variabilitet”.

AI löser inte allt. Men AI kan flytta fokus från ”vi kan inte påverka vädret” till ”vi kan påverka hur ofta komponenter fallerar och hur snabbt vi isolerar felet”.

AI i elnätet: från reaktivt felavhjälpande till prediktivt underhåll

Den tydligaste nyttan med AI i elnät kommer när man går från att laga efter att något gått sönder till att förutse och förebygga. Det är prediktivt underhåll i praktiken.

Vad AI faktiskt kan förutsäga i ett distributionsnät

AI-modeller blir värdefulla när de kopplas till konkreta beslut. I ett elnät handlar det ofta om sannolikheter – men de kan vara tillräckligt bra för att prioritera rätt åtgärder.

Exempel på prediktioner som går att operationalisera:

• Risk för fel på transformatorer baserat på temperatur, lastprofil, historik, oljeanalys och vibrationer.
• Felrisk på luftledningar genom att kombinera väderprognoser, vegetationsdata och tidigare felutfall.
• Överbelastningsrisk vid värmeböljor eller köldknäppar genom lastprognoser på lågspänningsnivå.
• Sannolik felorsak när avbrott uppstår (t.ex. träd, isolator, åska, jordfel), vilket snabbar på rätt insats.

När det fungerar bra syns det i två saker som kunder bryr sig om: färre avbrott och kortare avbrott.

Vilken data behövs? Mer än bara smarta mätare

Smarta mätare är en start, inte målet. För att bygga AI som faktiskt förbättrar driften behöver man en hel kedja:

• AMI-data (mätare): spänningsvariationer, avbrottsindikering, lastkurvor.
• SCADA/OT-data: brytarstatus, felindikatorer, nätstationer.
• Asset management: ålder, underhållshistorik, komponenttyp, felstatistik.
• GIS och topologi: var sitter vad, hur är nätet kopplat, vilka kunder påverkas.
• Väder och vegetation: prognoser, stormspår, markfukt, trädnärhet.

Det kritiska är inte ”mer data” utan kopplingen mellan data och arbetsorder. Om modellen säger ”hög risk” men organisationen inte kan planera om resurser, blir det bara en dashboard.

Snabbare återställning med AI: fel lokalisering, isolering och omkoppling

När avbrottet väl inträffar är målet enkelt formulerat: hitta felet snabbt, isolera det, återförsörj så många som möjligt.

AI-stöd för driftcentralen (inte som ersättare)

I praktiken handlar detta om beslutsstöd som minskar tidsspill:

• Anomali-detektion som larmar på spänningsfall innan det blir ett totalt avbrott.
• Fel-lokalisering som kombinerar mätardata och skyddsindikering för att peka ut sannolik felsträcka.
• Omkopplingsförslag som tar hänsyn till kapacitet, spänningskvalitet och prioriterade kunder (sjukhus, vattenverk).

Det här är extra relevant när extremväder skapar många samtidiga fel. Då blir flaskhalsen ofta planering: vilka fel ska åtgärdas först för maximal samhällsnytta?

Virtuella kraftverk och flexibilitet som ”digital säkring”

En sak som ofta missas i debatten om tillförlitlighet är att man inte alltid behöver bygga bort problem med bara kablar och stolpar. Efterfrågeflexibilitet och lokala resurser kan vara ett billigare sätt att hålla nätet stabilt.

AI kan här användas för att:

• prognostisera belastning per område
• styra flexibilitet (värmepumpar, batterier, laddning) så att toppar kapas
• minska risken för att säkringar, transformatorer och kablar överbelastas

Det är inte magi. Det är styrning, men med bättre precision än manuella scheman.

”Höj standarden” med rätt mått: så undviker man skönmålning

Om ett elbolag vill få standarden sänkt med argumentet ”vädret är värre nu”, bör motfrågan vara: vad gör ni för att minska konsekvenserna per väderhändelse?

För att AI-satsningar inte ska bli ännu en kostnadspost behöver de kopplas till mätetal som går att följa upp. Två klassiska mått (även internationellt) är:

• SAIDI: genomsnittlig avbrottstid per kund.
• SAIFI: genomsnittligt antal avbrott per kund.

Men jag rekommenderar att man kompletterar med mått som avslöjar om bolaget verkligen förbättrar sin förmåga:

• ”Time to locate”: minuter till sannolik felposition.
• Andel proaktiva byten: hur stor del av komponentbyten görs innan fel.
• Träffsäkerhet i riskranking: hur ofta topp-5 % riskobjekt faktiskt ger fel.
• Återställningskurva: hur stor andel kunder som återfår el inom 1 h, 4 h, 8 h.

Det går att ha extremväder och bli bättre år för år. Det är precis därför standarden inte ska sänkas som första åtgärd.

Vanliga frågor: AI i elnätsdrift utan hype

Blir AI ett säkerhetsproblem i kritisk infrastruktur?

Ja, om man slarvar. AI i OT-miljö kräver segmentering, stark identitetshantering, noggrann loggning och tydliga rutiner för modelluppdateringar. Det positiva är att samma data som används för AI också kan stärka cybersäkerheten genom bättre detektion av avvikande beteenden.

Är det här bara för stora bolag?

Nej. Mindre nätbolag kan börja med ett smalt use case: till exempel riskklassning av transformatorer eller stormprioritering av felavhjälpning. Skillnaden mellan att lyckas och misslyckas sitter oftare i process än i budget.

Hur lång tid tar det att se effekt?

Om dataflöden och arbetsorderprocesser finns på plats kan man se förbättringar inom 6–18 månader för vissa delar (t.ex. fel-lokalisering och prioritering). Större effekt på avbrottsfrekvens kräver ofta fler cykler av underhåll och investering.

Nästa steg: så kommer du igång med AI för högre leveranssäkerhet

Om din organisation jobbar med elnät, energiintensiv verksamhet eller kommunal robusthet är det här en rimlig startplan:

1. Välj ett problem som kostar pengar idag: exempelvis långa avbrott vid storm eller återkommande transformatorhaverier.
2. Säkra datakedjan: från mätare/SCADA till assetregister och topologi.
3. Bygg en riskmodell som leder till arbetsorder: annars blir det bara analys.
4. Mät före/efter med SAIDI/SAIFI och driftmått.
5. Skala bara det som klarar granskning: både tekniskt och regulatoriskt.

Debatten i Ohio visar vad som händer när tillförlitlighet behandlas som en förhandlingsfråga. Jag tycker att den borde behandlas som en prestationsfråga. När avbrotten blir vanligare är inte den rimliga responsen att vänja kunderna vid sämre service – utan att bygga ett smartare nät som tål verkligheten.

Och det är här AI passar in i AI inom energi och hållbarhet: inte som en trend, utan som ett sätt att få ut mer leveranssäkerhet per investerad krona. Nästa gång någon föreslår lägre krav kan du fråga: vilka AI-drivna åtgärder har ni redan implementerat – och vilka resultat kan ni visa i driftdata?