Vind, batterier och AI: så optimeras ö-nät som Kap Verde

Kap Verde gick nyligen från ungefär 20% till 30% förnybar el på kort tid genom att inviga 13,5 MW vindkraft och 26 MWh batterilagring. Det är en siffra som säger mer än man först tror: när elnätet är litet, splittrat över öar och beroende av importerade fossila bränslen kan relativt “måttliga” projekt ge en rejäl systemeffekt.

Det som gör Kap Verdes satsning extra intressant i vår serie ”AI inom energi och hållbarhet” är inte bara vindkraften i sig, utan kombinationen vind + batterier + smart styrning. För ö-nät är det ofta inte brist på energi som är problemet – utan brist på styrbarhet. Här blir AI praktiskt, konkret och mätbart: bättre prognoser, färre avbrott, mindre spill och mer förnybart utan att stabiliteten offras.

Varför ö-nät kräver en annan strategi än fastlandet

Ö-nät fungerar inte som stora sammanhängande stamnät. De är mer som flera små system som måste klara sig själva, ofta med begränsad reservkapacitet.

Kap Verdes projekt byggdes ut från ett befintligt vindkluster och kompletterades med batterier på flera öar. Det är typiskt för ö-nät: man behöver inte bara producera el, man måste kunna balansera frekvens och spänning lokalt.

Tre skäl till att ö-nät är extra känsliga

• Låg tröghet i systemet: Färre roterande maskiner gör att frekvensen kan svänga snabbare.
• Dyr reglerkraft: Diesel- eller oljeaggregat blir ofta “försäkringen”, men den är kostsam och klimatmässigt dålig.
• Mer curtailment utan lagring: När vinden blåser och lasten är låg tvingas man annars strypa produktionen.

I RSS-artikeln lyfts att batterierna bidrar med frekvensreglering (stödtjänster), minskar curtailment och stärker energisäkerheten. Det är kärnan: batterier är inte bara en “energibuffert” – de är ett styrinstrument.

Kap Verdes projekt: siffrorna som visar systemnytta

Projektet som invigdes 2025-12-08 (rapporterat 2025-12-10) omfattar:

• 13,5 MW vindkraft (bland annat tre nya turbiner om 4,5 MW vardera)
• 26 MWh batterilagring (BESS)
• Installationer spridda över fyra öar med vindparker som togs i drift 2011–2012

Enligt projektaktörerna höjer satsningen landets andel förnybar el från cirka 20% till 30%, och Kap Verde har målet 50% förnybart till 2030.

Det här är en nyttig påminnelse för alla som jobbar med energiomställning: den stora vinsten kommer ofta när man kombinerar tekniker. Vindkraft utan flexibilitet ger snabbt en “glasskärva” av problem. Vindkraft med batterier och smart styrning ger ett system som faktiskt går att köra.

Där AI gör störst skillnad: från bra batteri till bra system

AI i energisystem blir lätt ett buzzword. Jag tycker man ska vara hård här: AI är bara värdefullt om den sänker kostnad, höjer stabilitet eller frigör mer förnybar energi. I ö-nät är den tröskeln ovanligt lätt att nå.

1) Prognoser som faktiskt går att drifta på

För vindkraft är osäkerheten ofta problemet, inte medelproduktionen. AI-modeller kan kombinera:

• väderprognoser (vindhastighet, vindriktning, turbulens)
• historik från turbiner (SCADA-data)
• nätdata (frekvens, last, spänning)

Resultatet blir korttidsprognoser (minuter–timmar) som är mer användbara för drift än en enkel meteorologisk prognos. På ett ö-nät kan en förbättring på några procentenheter i prognosfel betyda att man vågar köra mindre fossil reserv.

2) Optimerad batteridrift: rätt kWh vid rätt sekund

Ett BESS i ett ö-nät ska ofta göra flera jobb samtidigt:

• frekvensreglering
• spänningsstöd och effektutjämning
• energi-arbitrage (ladda när det blåser, leverera när det är topp)
• minska curtailment

AI-baserad optimering (ofta kombination av ML + matematisk optimering) kan prioritera mellan dessa mål och ta hänsyn till batteriets degradering. Praktiskt innebär det att man undviker “snäll men dyr” drift där batteriet cyklas i onödan.

3) Färre avbrott genom prediktivt underhåll

På öar är logistiken ett underskattat kostnadsdrivande problem: reservdelar, tekniker och fartyg/flyg. AI för prediktivt underhåll kan flagga för:

• lagerproblem (temperaturavvikelser i battericontainrar)
• växelriktarstress (harmoniska, övertemperatur)
• turbinkomponenter som drar mer effekt än normalt

Det ger framförhållning och minskar risken att ett fel blir ett avbrott mitt i en högbelastningsperiod.

Så minskar AI både curtailment och fossil “säkerhetsdrift”

Den vanligaste orsaken till att förnybart inte får full effekt i små nät är att man måste hålla fossil produktion igång för att klara stabilitet och reserver. Det skapar en märklig paradox: man bygger mer vind, men kör ändå diesel “för säkerhets skull”.

Här är ett tydligt orsak–effekt-samband där AI hjälper:

1. Bättre vind- och lastprognoser → mindre osäkerhet
2. Bättre planering av reserver → mindre fossil tomgångskörning
3. Batteriet hålls i rätt SOC-fönster → snabb respons vid störning
4. Nätoperatören kan höja VRE-andelen utan att riskera frekvensfall

En bra tumregel: förnybart blir billigt när systemet blir smart. Det är inte poetiskt, det är driftteknik.

“People also ask”: Behövs AI om man redan har batterier?

Ja, om målet är att pressa upp andelen förnybart utan att överdimensionera. Batterier löser mycket, men utan smart styrning hamnar man ofta i en av två fällor:

• För konservativ drift: batteriet hålls “i reserv” och används för sällan.
• För aggressiv drift: batteriet cyklas för mycket och åldras snabbt.

AI hjälper till att hitta mitten som ger mest systemnytta per investerad krona.

Vad svenska aktörer kan lära av Kap Verde (även utan ö-nät)

Sverige har inte Kap Verdes geografi, men vi har samma grundfråga i en annan skala: mer väderberoende produktion kräver mer flexibilitet och bättre styrning.

Tre lärdomar som jag tycker är direkt överförbara till svenska energiprojekt:

1) Börja i nätets begränsningar, inte i tekniken

Många projekt startar med “vi vill ha X MW vind/sol”. En bättre start är: vilka driftgränser stoppar oss? Frekvens, flaskhalsar, reaktiv effekt, rampkrav, tillgängliga stödtjänster.

2) Se batterier som en portfölj av tjänster

Affären blir starkare när BESS designas för flera intäktsströmmar och systemnyttor. På ö-nät är stödtjänster ofta huvudpoängen; på större nät kan det vara en mix.

3) Lägg AI-lagret ovanpå mätdata du litar på

AI-projekt faller nästan alltid på data: tidsstämplar som inte matchar, sensorer som driftar, oklar datakvalitet. Gör datagrunden robust först.

En enkel checklista jag själv gillar innan man “AI-satsar”:

1. Har vi synkade tidsserier för produktion, last och nätstatus?
2. Finns det en tydlig beslutspunkt som modellen ska förbättra (t.ex. dispatch, SOC-mål, reservkrav)?
3. Kan vi mäta effekten i kronor, CO₂ eller avbrottsminuter?

Nästa steg: så kommer man igång med AI för smarta elnät

Om du arbetar med energi, hållbarhet eller infrastruktur är det här en bra start, oavsett om du sitter på kommun, nätbolag eller industrisida.

Ett pragmatiskt upplägg i tre faser

1. Identifiera en driftfriktion (t.ex. curtailment, frekvensproblem, dyra toppar).
2. Bygg en pilot med begränsad omfattning: en ö, en station, ett BESS, en vindpark.
3. Skala med styrning och governance: ansvar, cybersäkerhet, modellövervakning och krav på förklarbarhet.

Det som händer just nu, vintern 2025, är att fler marknader börjar värdera flexibilitet tydligare. Det gör att investeringar i batterier och AI-styrning går från “nice to have” till en del av kärnaffären.

Det Kap Verde visar: mer förnybart kräver mer intelligens

Kap Verdes kliv till cirka 30% förnybar el med 13,5 MW vind och 26 MWh batterier är en berättelse om systemdesign, inte bara om byggda megawatt. Och det är precis där AI hör hemma i energiomställningen: i att få många delar att fungera tillsammans, dag efter dag.

Om målet är 50% till 2030 är riktningen tydlig: mer vind och sol, ja – men ännu mer fokus på prognoser, optimering och stödtjänster. För ö-nät är det en nödvändighet. För resten av världen är det en försmak av hur ett förnybart elsystem faktiskt drivs.

Vilken del av ditt energisystem skulle bli mest stabilt – och billigast – om du satte ett AI-lager ovanpå driftbesluten redan i dag?