AI kan hitta de utsläpp som regler missar i elnätet

När USA:s miljömyndighet EPA färdigställde nya regler för kraftverk 2024 pekade analysen på en tydlig effekt: utsläppen från elsektorn kan minska med 51% till 2040 jämfört med 2022, medan de utan reglerna bara skulle minska med 26%. Det är ett stort steg.

Men det mest intressanta i forskningen är inte att reglerna “fungerar” – utan varför de inte räcker. Princeton-forskarnas modellering visar att reglernas utformning riskerar att styra systemet mot onödigt dyra och mindre effektiva val, särskilt när det gäller naturgas. Med andra ord: politiken driver fram förbättringar, men lämnar billigare och djupare utsläppsminskningar på bordet.

Det här är precis den typen av glapp där AI inom energi och hållbarhet gör skillnad. Inte genom att ersätta regler, utan genom att göra dem mer träffsäkra i praktiken: bättre drift, bättre investeringar, bättre nätplanering och snabbare uppföljning. Och – vilket är avgörande vintern 2025 när energisäkerhet, elpriser och effektbrist diskuteras i halva Europa – bättre avvägningar mellan klimatmål och systemstabilitet.

Vad EPA-reglerna faktiskt åstadkommer – och varför det blir “skevt”

Kärnpunkten: Reglerna ger stora utsläppsminskningar, men de gör det främst genom att trycka ut kol snabbare – samtidigt som de kan skapa en snedvridning som gynnar äldre gaskraft.

Forskningen pekar på att den stora delen av minskningarna kommer från att kolkraftverk väljer att lägga ned i förtid istället för att investera i dyr koldioxidinfångning. I modellresultaten står kolrelaterade regler för nästan 70% av den totala utsläppsminskningen.

Det finns en logik i det: kol är ofta den mest koldioxidintensiva elproduktionen, och att stänga den ger snabb effekt per investerad krona (eller dollar).

Kol: stark styrning, snabb effekt

Reglerna skapar ett tydligt vägval för kol:

• Kraftverk som planerar att köra efter 2039 måste från 2032 klara 90% koldioxidinfångning.
• Kraftverk som planerar att stänga före 2039 måste från 2030 klara utsläppsminskning via sameldning, i studien beskrivet som minst 40% naturgas.

I praktiken leder detta i modellen till att kolkraftverk hellre sameldar och sedan stänger, än att bygga koldioxidinfångning. Av 28,3 GW kolkapacitet i drift 2035 antas bara 0,3 GW få koldioxidinfångning.

Naturgas: regler för “nytt” men inte för “gammalt”

Den stora svagheten: Reglerna sätter tuffare krav på nya naturgasanläggningar än på befintliga.

Nya gasverk som kör som baskraft (över 40% av tiden) måste från 2032 klara 90% koldioxidinfångning. Men eftersom befintliga gasverk inte omfattas på samma sätt uppstår en märklig effekt: systemet kan välja att bygga nytt, men köra det mindre – och samtidigt låta gammalt (mindre effektivt) köra mer.

Forskarna beskriver det som ett “ojämnt spelplan”-problem. Det blir för enkelt att optimera sig runt trösklar som 40% kapacitetsfaktor: kör du 39% slipper du det dyraste kravet. Resultatet kan bli överbyggnad av gaskapacitet som används sällan, vilket driver upp systemkostnader utan att maximera klimatnyttan.

En regel som bara styr ny kapacitet kan i praktiken belöna den befintliga – även när den är sämre.

Djupare utsläppsminskningar är möjliga – och kan vara billigare

Det mest citerbara resultatet från studien: Om samma utsläppsstandarder tillämpas på alla gasverk, oavsett ålder, kan utsläppen minska upp till 88% jämfört med 2022 – och till lägre genomsnittskostnad än med nuvarande regler.

Forskarna testar flera alternativ:

1. Samma regler för nya och befintliga gasverk → minskning runt 62% jämfört med 2022.
2. Krav på koldioxidinfångning för gasverk som kör mer än 20% av tiden (i stället för 40%) → minskning runt 81%.
3. Komplettering: gasverk under 20% måste samelda med minst 30% vätgas → upp till 88%.

Poängen är inte att alla dessa åtgärder är enkla politiskt. Poängen är att designen av regler spelar minst lika stor roll som “nivån” på ambitionen. Små trösklar och undantag kan skapa stora systemeffekter.

Där AI faktiskt gör skillnad: från regeltext till verklig systemeffekt

Direkt svar: AI hjälper energibolag, nätägare och industrikunder att minska utsläpp utan att bygga ett onödigt dyrt och ineffektivt system.

Jag brukar tänka på det så här: regler sätter ramen, men optimeringen avgör utfallet. Och optimering i ett elsystem är i praktiken en datafråga.

1) AI för driftoptimering: färre timmar med “fel” kraftverk

När regler skapar incitament att köra äldre gas mer, är det ett driftproblem lika mycket som ett policyproblem.

Med AI-stödd driftplanering kan aktörer:

• Prognostisera last och pris bättre timme för timme
• Minimera uppstart/stopp som driver utsläpp och kostnad
• Optimera mixen mellan vattenkraft, vind, sol, batterier och gastoppar
• Identifiera när flexibilitet (laststyrning) är billigare än att starta fossil reserv

Konkreta exempel i svensk kontext: flexibilitet i fastigheter (ventilation, värmepumpar) och industri (processlaster) kan flytta effekt från toppar. AI gör det skalbart – inte som manuella projekt, utan som löpande styrning.

2) AI för nät och kapacitetsplanering: bygg rätt, inte mest

Studien pekar på risken för “överbyggnad” av gas som sedan körs lite. Det är exakt vad bra planering ska undvika.

AI-baserade planeringsmodeller kan:

• Simulera tusentals scenarier för väder, efterfrågan och bränslepriser
• Värdera lagring, nätförstärkningar och flexibilitet på samma villkor som ny produktion
• Identifiera var flaskhalsar i nätet driver fram fossil drift
• Prioritera investeringar som minskar både utsläpp och systemkostnad

I december 2025 är det här extra relevant eftersom många marknader kämpar med effekt snarare än energi: det räcker inte att ha TWh på årsbasis, du måste klara topparna.

3) AI för regelefterlevnad och uppföljning: styr på det som händer, inte det som står

Regler tenderar att mäta det som är enkelt att mäta: årsutsläpp, anläggningstyper, trösklar.

AI kan hjälpa till att flytta fokus till systembeteenden:

• Mer exakt emissionsredovisning per timme och per nod (plats i nätet)
• Upptäcka när en regel triggar oönskade “kringgåenden” (t.ex. kapacitetsfaktor på 39%)
• Underlag för att justera styrmedel utan att vänta i flera år på utvärdering

Det här är inte bara “nice to have”. Det är skillnaden mellan att nå 51% och att närma sig 80–88% i en modellvärld – och att faktiskt få ut effekten i verkligheten.

Praktiska nästa steg: så hittar ni “billiga ton” i er energiportfölj

Direkt svar: Börja med att kartlägga var beslut tas på fel data, och automatisera just de besluten med AI.

Här är ett arbetssätt jag sett fungera i energibolag och energiintensiv industri:

Steg 1: Gör en “utsläppsbudget” per timme

Många organisationer följer utsläpp per månad eller år. Det räcker inte.

• Bryt ned elförbrukning/produktion till timdata
• Koppla till marginalmix (vad som faktiskt kör när efterfrågan ökar)
• Identifiera topp-20 timmarna i månaden som driver mest fossil marginal

Steg 2: Bygg en flexibilitetskatalog

Lista vad som kan flyttas, sänkas eller lagras, och vad det kostar:

• Fastigheter: värme/kyla, ventilation, varmvatten
• Industri: batchprocesser, tryckluft, pumpar, ugnar
• Energisystem: batterier, vätgas, värmelager

Steg 3: Låt AI optimera mot flera mål samtidigt

En vanlig fälla är att optimera bara mot pris. Nästa fälla är att optimera bara mot CO₂.

Sätt en målfunktion som kombinerar:

• kronor/MWh
• kg CO₂e/MWh
• riskmått (t.ex. effektbrist, avbrottskänslighet)

Steg 4: Skapa en “policy-simulator” internt

Om regler ändras (som studien antyder kan ske vid politiska skiften) vill du kunna svara snabbt:

• Vad händer om utsläppsgränsen skärps?
• Vad händer om tröskeln flyttas från 40% till 20%?
• Vad händer om bränslepriser eller CO₂-priser rör sig?

Det är här AI och moderna energimodeller blir en ledningsfråga, inte en teknikdetalj.

Vanliga frågor jag får (och raka svar)

“Betyder det här att regler är dåliga?”

Nej. Reglerna driver ned utsläpp – i studien till 51% under 2022 till 2040. Problemet är att vissa avgränsningar skapar ineffektiva beteenden, särskilt när befintliga gasverk behandlas annorlunda än nya.

“Kan AI ersätta koldioxidinfångning eller vätgas?”

Nej. AI ersätter inte teknik. AI ser till att tekniken används där den ger mest nytta och minst systemkostnad – och att man undviker investeringar som mest blir dyr reserv.

“Vad är den största AI-vinsten i praktiken?”

Att minska fossil drift under toppar genom bättre prognoser, flexibilitet och styrning. Många utsläpp och kostnader sitter i ett förvånansvärt litet antal timmar.

Nästa nivå efter 51%: smartere styrning av ett komplext system

Princeton-analysen visar något som många energiledare känner i magen: ambition räcker inte om designen är fel. En regel som bara rör “nytt” kan göra “gammalt” mer attraktivt. En tröskel kan bli en genväg. Och det som ser bra ut i en paragraf kan bli dyrt i drift.

Här finns en bättre väg: kombinera tydliga klimatkrav med AI-driven optimering av elnät, flexibilitet och produktionsmix. Då ökar chansen att utsläppsminskningar inte bara blir stora på pappret, utan också kostnadseffektiva i verkligheten.

Vill ni veta var ert företag sitter på outnyttjad potential – de där “billiga tonnen” som inte syns i årsrapporterna? Nästa steg är att börja med timdata, modellera alternativ och låta AI föreslå beslut som fungerar både för klimat och driftsäkerhet.

Vilken del av ert energisystem är mest sannolik att idag driva onödiga utsläpp: driften, nätbegränsningarna eller investeringsplanen?