AI kan täppa till luckan i utsläppsregler för el

Utsläppen från elproduktionen kan minska mycket – men inte automatiskt. En ny analys av amerikanska EPA:s kraftverksregler visar ett tydligt resultat: med reglerna på plats kan utsläppen 2040 hamna cirka 51% under 2022 års nivåer, jämfört med 26% utan reglerna. Det är ett stort steg. Men det är också ett kvitto på att vi fortfarande lämnar billiga och snabba utsläppsminskningar på bordet.

Här kommer min ståndpunkt: reglering är nödvändig, men den är för trubbig för att optimera ett elsystem som förändras timme för timme. Ska vi pressa utsläppen djupare utan att göra systemet dyrare och krångligare än det behöver vara, måste vi komplettera politiken med verktyg som kan arbeta mer adaptivt. Det är precis där AI inom energi och hållbarhet passar in.

Den här texten tar avstamp i forskningen och översätter den till praktiska lärdomar för energibolag, industriföretag, kommuner och alla som jobbar med elektrifiering, effektfrågor och klimatmål.

Vad forskningen säger: reglerna fungerar – men lämnar pengar på bordet

Huvudpoängen är enkel: EPA:s regler ger ungefär dubbelt så stora utsläppsminskningar som ett scenario utan regler (51% vs 26% till 2040), men utformningen gör att systemet kan bli mindre effektivt.

Analysen pekar ut två mekanismer:

1. Kolreglerna driver mest av minskningen – främst genom tidigare avveckling.
2. Gasreglerna riskerar att skapa snedvridningar – särskilt när nya gasverk regleras hårdare än befintliga.

Det här mönstret känner vi igen i energipolitik generellt: när man sätter gränser i vissa hörn av systemet hittar marknaden andra hörn att pressa på. Det kan vara rationellt för varje enskild aktör – men suboptimalt för helheten.

Varför 51% inte är “max”

Forskarna modellerar också alternativa upplägg. När samma utsläppskrav även omfattar befintliga gasverk blir systemet mer logiskt, och utsläppen kan sjunka ännu mer. I vissa varianter visar modellen att utsläppen kan nå 62%, 81% och upp till 88% under 2022 års nivåer.

Det är inte en garanti för att verkligheten blir exakt så. Men det är en stark signal: det finns mer att hämta – ofta till lägre kostnad per reducerat ton CO₂ – om reglerna blir mer konsekventa.

Kol: snabbaste vinsten kommer från rätt sorts avveckling

Den största utsläppseffekten i studien kommer från att kolkraft stängs tidigare. Ungefär 70% av regelverkets totala utsläppsminskning förklaras av riktlinjer som gör det mindre attraktivt att hålla kolkraft igång långt in på 2040-talet.

Det här är viktigt av två skäl:

• Avveckling ger “säkra” utsläppsminskningar. När anläggningen inte kör, kan den inte släppa ut.
• Timingen avgör kostnaden. Att avveckla för sent låser in bränslekostnader, underhåll och ibland kapacitetsmarknadslogik som gör omställningen dyrare.

AI-perspektivet: avveckling utan effektchock

Här blir AI praktisk på riktigt. Ett vanligt argument för att skjuta upp avveckling är oro för effektbalans och leveranssäkerhet. Med AI-baserade prognoser och optimering kan man minska risken att man stänger fel resurs vid fel tidpunkt.

Exempel på vad AI kan göra i planeringsfasen:

• Förbättrade last- och prisprognoser (timme–vecka–säsong) som visar när marginaleffekt faktiskt behövs.
• ”What-if”-simuleringar för att testa avvecklingsscenarier mot extremväder, nätbegränsningar och bränslepriser.
• Optimerad portföljplanering som kombinerar flexibilitet (batterier, efterfrågeflex, reservkraft) med nätåtgärder.

Den stora vinsten: avveckling blir ett kontrollerat projekt, inte en politisk “av/på”-knapp.

Gas: när regler bara gäller “nytt” blir systemet konstigt

Kärnproblemet i gasdelen av reglerna är att de fokuserar på nya anläggningar. Nya gasverk som går mycket (baslast) behöver i vissa fall fånga in 90% av koldioxiden. Samtidigt lämnas befintliga gasverk i stort sett utanför.

Forskarna beskriver en logik som många energisystem faller in i:

• Det är dyrt att installera koldioxidinfångning.
• Det är relativt lätt att designa drift så att en anläggning hamnar under en viss drifttidsgräns (t.ex. 40%).
• Om nya anläggningar regleras hårdare än gamla kan man få mer drift i äldre, sämre anläggningar.

Ett regelverk som gör att äldre och mindre effektiva anläggningar kör mer är inte bara ett klimatproblem – det är ett effektivitetsproblem.

AI-perspektivet: realtidsutsläpp som styr drift, inte bara investering

Det här är en av de mest missade möjligheterna i energipolitik: man reglerar ofta teknik och kategorier (ny/gammal, baslast/icke baslast) snarare än faktisk påverkan per timme.

AI kan möjliggöra mer finmaskig styrning:

• Realtidsberäkning av marginalutsläpp (vilken produktion trängs undan, vilket bränsle är på marginalen).
• Utsläppsoptimerad dispatch i portföljer: när ska man köra gas, när ska man tömma batterier, när ska man aktivera flex?
• Prediktivt underhåll som minskar behovet av “säkerhetsdrift” i ineffektiva anläggningar.

När man börjar styra efter timvisa utsläpp och systembegränsningar blir det mycket svårare för utsläpp att “läcka” till fel del av systemet.

Missade utsläppsminskningar: där AI kan trycka ner kostnaden

Studien pekar på att djupare minskningar kan nås genom att reglera befintlig gas mer konsekvent, sänka trösklar för krav, och i vissa fall blanda in vätgas i lågdriftsscenarier. Oavsett om man gillar de exakta förslagen eller inte så är budskapet tydligt: det finns en optimeringslucka mellan policyambition och systemutfall.

3 AI-lösningar som passar direkt på den luckan

1) Prognoser som gör flexibilitet “bankbar” När elnät och marknader ska våga räkna med efterfrågeflex, batterier och lokal produktion behövs tillförlitliga prognoser och verifiering. AI kan:

• förutsäga tillgänglig flex per anläggning/område
• bedöma osäkerhet och risk
• automatisera rapportering och uppföljning

2) Optimering som minskar överbyggnad Studien varnar för att man kan bygga mer gas än man använder när incitamenten blir skeva. AI-baserade kapacitets- och investeringsmodeller kan hjälpa till att:

• dimensionera rätt mix (batterier, nät, flex, produktion)
• minska dyr “standby-kapacitet”
• prioritera åtgärder med lägst kostnad per ton CO₂

3) Mätning som gör regler smartare Om politiken ska premiera verklig effekt måste man mäta på rätt sätt. AI kan kombinera data från drift, bränslekvalitet, väder och nätläge för att skapa:

• mer robusta utsläppsberäkningar
• tidiga varningar när systemet glider åt fel håll
• underlag för adaptiva krav (t.ex. skärpta gränser vid höga marginalutsläpp)

Från USA till Sverige: varför det här angår oss

Sverige har redan ett relativt fossilfritt elsystem, men de kommande åren handlar mycket om ny efterfrågan: elektrifiering av industri, transport och värme. Det skapar tre utmaningar som påminner om studiens kärna:

• Effekt blir lika viktigt som energi. Vintertoppar, lokala flaskhalsar och snabb nyanslutning pressar systemet.
• Flexibilitet blir en förstklassig resurs. Men den måste kunna prognostiseras, styras och verifieras.
• Kostnad per ton CO₂ spelar roll. När marginalutsläpp flyttar mellan timmar och regioner blir “rätt” åtgärd mer situationsberoende.

Det är därför AI inom energi och hållbarhet inte är ett sidospår. Det är ett sätt att göra klimatnytta utan att elpriser, nätinvesteringar och industrins konkurrenskraft drar iväg i onödan.

Praktiskt: en enkel checklista för er som vill agera 2026

Nyckeln är att behandla utsläpp som en optimeringsvariabel, inte bara som rapportering. Här är en checklista jag brukar börja med i projekt:

1. Kartlägg var utsläppen uppstår timvis (inte bara per år) och koppla dem till driftbeslut.
2. Identifiera “snedvridningar” i egna incitament: kör ni ibland äldre eller dyrare resurser av vana, avtal eller mätbrister?
3. Bygg en datagrund: SCADA/IoT, produktionsdata, energimätare, väder, nätbegränsningar, bränsledata.
4. Välj ett AI-case med tydlig KPI (t.ex. kg CO₂/MWh, kostnad/MWh, effekt toppar, oplanerade stopp).
5. Skala med governance: modellövervakning, spårbarhet, versionshantering, och tydliga roller för drift och IT.

Det här är också ett bra underlag om ni vill skapa en pipeline av AI-initiativ i energiarbetet – från prognos till optimering till automatisk uppföljning.

Regler är starten – AI avgör hur långt vi kommer

EPA-reglerna i studien visar att politiska styrmedel kan driva stora utsläppsminskningar, särskilt när de trycker på avveckling av de mest utsläppsintensiva anläggningarna. Samtidigt visar de något annat, minst lika viktigt: om reglerna inte är konsekventa kan de råka belöna fel beteende i drift och investering.

AI löser inte politiska konflikter. Men AI kan göra något som politiken har svårt med: fånga variationen i tid, plats och systemläge – och styra efter verklig effekt. När utsläpp och kostnad kan optimeras timme för timme blir det lättare att nå djupare minskningar utan att bygga ett dyrare elsystem än nödvändigt.

Om vi i den här serien om AI inom energi och hållbarhet ska landa i något konkret så är det detta: nästa stora utsläppsminskning kommer inte bara från nya regler eller nya kraftslag, utan från bättre styrning av det vi redan har.

Vilken del av ert energisystem skulle ge snabbast klimatnytta om ni kunde optimera det timvis – produktion, flexibilitet eller nätkapacitet?