AI-styrda virtuella kraftverk: så skalar USA upp VPP

Texas elnät (ERCOT) har blivit något av ett stresstest för framtidens energisystem. När värmeböljor pressar efterfrågan, när fler laddar elbilar och när ny produktion och nätutbyggnad tar tid, blir varje flexibel kilowatt plötsligt värdefull. Det är här virtuella kraftverk (VPP) kliver in – och det är här AI gör skillnaden mellan “många små prylar” och en resurs som faktiskt går att styra.

Den senaste tiden har flera amerikanska samarbeten och investeringar satt fart på VPP-marknaden: Sunrun tillsammans med NRG i Texas, Haven Energy som tar in 40 miljoner dollar för att bygga större nätverk av hembatterier, och Leap som samarbetar med Enel för att koppla upp kommersiella och industriella resurser till efterfrågeflexibilitet. Det kan låta USA-specifikt, men mekaniken är universell – och högst relevant i Sverige när elektrifiering, effektbrist lokalt och snabba prisrörelser fortsätter att forma vardagen.

Varför VPP händer nu – och varför AI är motorn

VPP blir stort nu eftersom elnäten behöver flexibilitet snabbare än de hinner byggas ut. Prognoser i branschen pekar på att amerikansk el-efterfrågan kan öka med 15% till 2030. När efterfrågan växer snabbare än ny produktion och transmission, blir alternativet ofta dyrt: fler timmar med topppriser, större risk för avbrott och mer behov av reservkapacitet.

Men VPP är inte bara en idé om att “samla batterier”. Det är en styrningsfråga. När tusentals små resurser (solceller, hembatterier, värmepumpar, laddboxar, reservkraft, styrbar industri) ska samverka uppstår tre problem:

1. Timing: När är det värt att ladda/ur-ladda eller minska last?
2. Koordination: Vem gör vad, och hur undviker man att alla agerar samtidigt på fel sätt?
3. Tillförlitlighet: Kan nätägare/aggregatorer lita på att kapaciteten faktiskt finns när den behövs?

AI och avancerad optimering är svaret på alla tre. I praktiken handlar det om kombinationen av:

• Prognoser (last, pris, väder, solproduktion, sannolik batteritillgänglighet)
• Optimering (vilka resurser ska aktiveras, hur länge, och med vilka begränsningar)
• Automatisering (styrning i realtid, uppföljning, avvikelsehantering)

En bra tumregel: Utan AI blir VPP ett kundprogram. Med AI blir VPP en nätresurs.

Fall 1: Sunrun + NRG i Texas – hushållsbatterier som effektresurs

Samarbetet mellan Sunrun (sol+lagring) och NRG/Reliant (elhandelsaktör) syftar till att skala hembatterier i Texas och använda dem samlat vid effekttoppar. Modellen är tydlig: kunder får en helhetslösning med solceller och batteri, plus elavtal och “smart batteriprogrammering”. När många kunder ansluts byggs en pool av kapacitet som kan dispatchas på ERCOT-marknaden.

Det intressanta här är inte bara tekniken, utan incitamenten:

• Sunrun får betalt för att aggreggera kapacitet.
• Kunder som delar sin lagrade solenergi vid topplast får ersättning.

Det här är VPP i sin mest praktiska form: hushåll blir mikroproducenter och mikrolagringsaktörer som kan tjäna pengar på flexibilitet.

Vad AI faktiskt gör i ett hembatteri-VPP

I ett hushåll är batteriet alltid en kompromiss: du vill ha backup, lägre elräkning och samtidigt delta i VPP. AI-styrningen måste därför optimera med fler mål än “maximera intäkt”. Exempel på AI-drivna beslut:

• Ladda när priserna är låga men håll en reservnivå för avbrott.
• Ur-ladda under effekttoppen men undvik att tömma batteriet om nästa peak är sannolik.
• Ta hänsyn till väderprognos: om det blir soligt imorgon kan du våga använda mer idag.

Det är också här kvalitetsfrågan avgör: hur bra prognoser och styrlogik påverkar både kundnöjdhet och intäkter. Många program misslyckas för att de “kör hårt” på batterierna utan att respektera kundens vardag. De bästa VPP-programmen behandlar kundens komfort och trygghet som en hård begränsning, inte ett önskemål.

Fall 2: Haven Energy – 40 miljoner dollar för att skala affären

Haven Energy har säkrat 40 miljoner dollar (equity + skuld) för att växa sina partnerskap med elbolag och så kallade community choice aggregators. Pengarna ska bland annat skala en leasingmodell och ett partnerprogram för installatörer, och stötta utvecklingen av ett av USA:s större VPP-nätverk.

Bolaget uppger att de redan har installerat över 10 MW distribuerad kapacitet, med mer än 50 MW under utveckling för 2026, samt en projektpipeline värd över 75 miljoner dollar.

Det här säger något viktigt om marknaden: VPP är inte längre ett pilotfenomen. Kapitalet går dit där man kan bevisa tre saker:

1. Uppkopplingsgrad (hur snabbt går det att få många resurser online?)
2. Prestanda (levererar de faktiskt när de kallas?)
3. Ekonomi (går det att dela intäkter rättvist mellan aktörer?)

Leasingmodellen: snabbare utrullning, fler datapunkter

En leasingmodell gör att fler hushåll kan gå med utan stora engångskostnader. För VPP-operatören betyder det:

• Snabbare volymuppbyggnad
• Mer homogen utrustning och bättre kontroll på drift
• En större mängd driftdata som förbättrar AI-modellerna

Det är en underskattad loop: mer installerad bas → mer data → bättre prognoser → högre tillförlitlighet → bättre affärsvillkor. Den typen av lärande system är precis vad AI är bra på.

Fall 3: Leap + Enel – när C&I blir flexibilitet på riktigt

Leap (mjukvara för aggregering av DER) och Enel North America (IPP) samarbetar för att koppla kommersiella och industriella resurser till efterfrågeflexibilitetsprogram i flera delstater. Start i Washington, Arizona och Tennessee Valley, med ambition att skala nationellt.

Här flyttar VPP-logiken från hushåll till C&I (commercial & industrial), och då blir det mer komplext men ofta mer kraftfullt. Industrin kan sitta på:

• Stora kyl- och fryslager
• Tryckluftssystem
• Processlaster som kan pausas kort
• Fastighetsstyrning (ventilation, värme, kyla)
• Batterier och sol på tak

Varför AI är extra viktig i industriflex

I industrin finns verkliga risker: produktionsstopp kostar, komfortkrav gäller, och processer har säkerhetsgränser. AI behövs för att:

• Förutse när flexibilitet finns utan att påverka produktion
• Optimera aktivering så att effekten blir stabil och upprepningsbar
• Lära sig anläggningens “beteende” över tid

Ett moget upplägg ser ofta ut så här: AI gör förslag och simuleringar, driftteamet godkänner ramar, och styrningen automatiseras inom dessa ramar. Målet är inte maximal aktivering – målet är pålitlig aktivering.

Vad svenska energiaktörer kan lära av USA-satsningarna

Lärdomen är att VPP är lika mycket marknadsdesign och kundpsykologi som teknik. Sverige har andra regler, andra elområden och andra incitament, men flera mönster går rakt att återanvända.

1) Bygg VPP runt “kundlöftet” först

Om du vill ha långsiktig skala måste du definiera ett löfte som är lätt att förstå:

• “Du sparar pengar utan att märka något.”
• “Du får bättre resiliens vid avbrott.”
• “Du får betalt när elnätet behöver dig.”

AI-styrningen ska sedan implementera löftet i praktiken: reservnivå i batteriet, begränsningar per dygn, transparens i appen.

2) Mät tillförlitlighet som en produkt, inte en rapport

Elnät och flexibilitetsmarknader belönar resurser som levererar när de kallas. Därför bör VPP-operatörer följa KPI:er som:

• Aktiveringsgrad (% lyckade dispatch)
• Avvikelse (levererad effekt vs lovad)
• Kundpåverkan (komfort/backup)
• Batterislitage/cykler per intäktskrona

AI hjälper här genom att förutse avvikelser och styra bort från “osäkra” resurser i kritiska lägen.

3) Prioritera datakvalitet och integration tidigt

De program som skalar snabbast har oftast löst tre tråkiga saker:

• Enhetlig telemetri (samma tidsupplösning, samma definitioner)
• Smidig onboarding (kundregistrering, samtycke, datadelning)
• Robust drift (fallback-lägen när uppkoppling faller)

Det är inte lika sexigt som algoritmer, men utan detta blir AI-modellerna sämre och operationen dyr.

Praktiska nästa steg: så kommer du igång med AI och VPP

För dig som jobbar på elbolag, nätbolag, fastighetsbolag eller industrisida är det här en rimlig startplan:

1. Inventera flexresurser: batterier, värmepumpar, ventilation, laddning, reservkraft, processlaster.
2. Välj ett första use case: toppreduktion, stödtjänster, lokal kapacitetsbrist, eller prissignalsstyrning.
3. Sätt “kund/operatörsregler”: komfortgränser, reservnivåer, max aktiveringar.
4. Koppla upp och mät: börja med 20–50 resurser och bygg en databas av beteenden.
5. Inför AI stegvis: prognoser först, sedan optimering, sedan automatisering i realtid.

Det fina är att du inte måste vänta på perfekta förutsättningar. De amerikanska exemplen visar att marknaden belönar de som går från pilot till drift och förbättrar längs vägen.

VPP är energisystemets “mjukvara” – och AI är styrningen

Virtuella kraftverk är ett av de mest konkreta sätten att göra elsystemet smartare utan att bara bygga mer av allt. USA:s nya partnerskap och investeringar visar en tydlig riktning: distribuerade energiresurser blir mer värda när de kan koordineras, prognostiseras och dispatchas med hög precision.

I den här serien om AI inom energi och hållbarhet återkommer jag ofta till samma princip: elektrifieringen kräver både mer energi och bättre styrning. VPP är styrning i praktiken.

Om 2026 blir året då fler länder börjar behandla flexibilitet som en standardprodukt – vilka resurser i din verksamhet skulle kunna bli en del av ett AI-styrt VPP redan nästa kvartal?