UK:s BESS-boom visar var AI gör störst nytta i elnätet

I november passerade både förhandsanmälningar (pre-application) och ansökningar om fullt bygglov för storskaliga batterilager i Storbritannien åter 1 GWh – första gången sedan juni. Tajmingen var ingen slump: precis efteråt kom besked om en större omstöpning av nätanslutningskön (”queue reshuffle”) från systemoperatören. När pipeline rör på sig, rör sig kapitalet. Och när kapitalet rör på sig blir skillnaden mellan ett vinnande och ett stagnerande projekt ofta… data.

Det här är en nyhet från UK, men den är högintressant för svenska aktörer som jobbar med AI inom energi och hållbarhet. För det som händer i UK synliggör en större trend: batterilager (BESS) byggs inte längre bara för megawatt – de byggs för flexibilitet, nätstabilitet och intäktsoptimering. Där passar AI som hand i handske.

Jag tycker att många pratar om AI i energisektorn som en “kul” teknik. Det är fel vinkel. AI är i praktiken ett sätt att minska ledtider, sänka risk och öka nyttjandegrad i projekt som annars fastnar i tillståndsprocesser, nätbegränsningar och osäkra intäktsantaganden.

Varför UK:s 1 GWh-gräns betyder mer än det låter

Kärnpunkten: När både tidiga och sena planeringsspår överstiger 1 GWh samma månad visar det att marknaden inte bara “pratar” – den har ett brett flöde av projekt genom hela tratten.

Det finns två signaler här:

1. Det finns en pipeline som fylls på. Pre-application över 1 GWh innebär att utvecklare lägger pengar på platsval, nätstudier, miljöunderlag och lokalsamråd. Det gör man inte om man inte tror att projekten kan bli av.
2. Det finns projekt som går mot beslut. Fulla bygglovsansökningar över 1 GWh tyder på att flera projekt har tagit sig igenom tidig risk, finansieringsdialoger och teknisk design.

Nätanslutningskön: den dolda flaskhalsen

I praktiken är nätanslutningen ofta den verkliga “tillståndsprocessen”. Om en omstöpning av kön gör att vissa projekt får bättre förutsättningar (eller att orealistiska projekt rensas bort), kan utvecklare plötsligt våga trycka in fler ansökningar. Det här är precis den typ av marknadsmekanik där AI-baserad risk- och scenarioanalys gör skillnad: du vill veta om ditt projekt är “nära nätet” på riktigt – inte bara på kartan.

En enkel tumregel: när nätprocessen blir mer förutsägbar ökar investeringstakten. AI kan göra den förutsägbar tidigare i projektet.

Varför BESS byggs nu – och varför AI blir en konkurrensfaktor

Kärnpunkten: BESS växer för att elnät med mycket vind och sol behöver snabb flexibilitet. AI blir konkurrensfaktor för att flexibilitet är ett optimeringsproblem, inte bara ett byggprojekt.

Storskaliga batterilager tjänar pengar och skapar nytta i flera roller:

• Frekvenshållning och stödtjänster (snabb respons)
• Effekttoppskapning (minska nät- och effektavgifter)
• Arbitrage (köpa billigt, sälja dyrt – men med begränsningar)
• Nätavlastning och lokal kapacitetsförstärkning
• Integrering av förnybar el (mindre spill och curtailment)

Det som ofta missas: de här intäktsströmmarna konkurrerar om samma battericykler. Batteriet kan inte göra allt samtidigt.

AI som “dispatch-hjärna” i en multi-intäktsvärld

I en marknad där batteriet kan delta i flera produkter samtidigt blir styrningen en ständig avvägning mellan:

• intäkt per cykel
• degradering (batteriets livslängd)
• tillgänglighet för stödtjänster
• nätbegränsningar
• prisvolatilitet

Här är klassiska regler (“om priset över X, ladda ur”) ofta för trubbiga. Maskininlärning och optimering kan istället:

• prognostisera pris och obalanser kortsiktigt (minuter–timmar)
• beräkna sannolikheter för aktivering i stödtjänster
• optimera körplanen med hänsyn till degradering och garantivillkor

Det gör batteriet mer lönsamt och mer stabilt för systemet – samtidigt.

AI i planering och tillstånd: där tiden faktiskt försvinner

Kärnpunkten: Den snabbaste ROI:n för AI i BESS kommer ofta innan första spadtaget – i planering, ansökningsunderlag och riskhantering.

När jag pratar med projektteam är det slående hur mycket tid som går åt till att jaga versioner, sammanställa bilagor och svara på återkommande frågor från myndigheter, nätägare och investerare. Det är inte “strategiskt arbete”. Det är friktion.

1) Snabbare platsval och nät-närhet (utan önsketänkande)

AI-modeller kan väga samman geodata och tekniska constraint-data för att ranka platser med bättre förutsättningar:

• avstånd till transformatorstationer och kapacitetslägen
• markanvändning och skyddade områden
• buller- och riskzoner kring bebyggelse
• logistik (tillfart, byggbarhet)

Resultatet blir en kortare lista med “bankbara” platser. Färre felstarter sparar månader.

2) “Ansökningspaket” som håller ihop

Generativa AI-verktyg är bra på att:

• skapa konsekventa texter över många bilagor
• hitta motsägelser (olika siffror i olika dokument)
• föreslå standardiserade formuleringar för risk, brandskydd och drift

Det ersätter inte sakexpertis, men det gör att sakkunniga lägger tid på rätt saker: bedömningar och avvägningar, inte copy/paste.

3) Tidig riskmodell för överklaganden och lokalt motstånd

BESS-projekt kan möta oro kring brandrisk, buller och landskapsbild. AI kan hjälpa team att:

• analysera inkomna synpunkter och tematisera vad som driver motstånd
• simulera effekter av åtgärder (t.ex. bullerskärm, layout, säkerhetszon)
• prioritera dialoginsatser där de ger mest effekt

Det är inte “PR”. Det är projektrisk.

Drift och underhåll: AI som försäkring mot dåliga batteriår

Kärnpunkten: När många projekt går från ansökan till byggnation blir nästa flaskhals kompetens och driftsäkerhet. AI kan minska oplanerade stopp och degradering.

Batterilager är industriella anläggningar med komplexitet: celler, moduler, PCS/inverters, kylning, brandskydd, kommunikation och marknadsintegration. De flesta problem börjar små – och blir dyra när de ignoreras.

Prediktivt underhåll med batteri-data

AI kan använda driftdata för att upptäcka avvikelser tidigt:

• temperaturmönster som tyder på kylproblem
• cellobalans som kan accelerera degradering
• “driftprofil” som avviker från optimal cykling

En praktisk effekt: färre dagar i reducerad kapacitet och färre incidenter som kräver manuella insatser.

Degraderingsoptimering: lönsamhet över 10–15 år

Ett batterilager kan se fantastiskt ut i en intäktsmodell år 1–2 men underprestera år 5 om man cyklar det aggressivt utan hänsyn till livslängd.

AI-baserade optimerare kan lägga in degradering som en “kostnad” och hitta en körstrategi där du maximerar nettointäkt över hela livscykeln. Det är den typen av disciplin som investerare börjar kräva när marknaden mognar.

Vad svenska aktörer kan lära av UK-trenden

Kärnpunkten: UK visar att när tillstånds- och nätprocesser rör på sig skalar BESS snabbt. Sverige behöver samma tempo – och AI är ett sätt att nå dit utan att bemanna ihjäl sig.

Även om regelverk och marknadsdesign skiljer sig åt finns tre lärdomar som översätter väl:

1) Bygg AI-flöden runt verkliga flaskhalsar

De flesta behöver inte ett “AI-program”. De behöver AI i tre specifika arbetsflöden:

1. Site screening + anslutningslogik (beslutsstöd tidigt)
2. Dokument- och kravhantering (kvalitet och spårbarhet)
3. Dispatch + degradering (lönsam drift)

2) Data governance är en ledningsfråga

AI kräver ordning på:

• tidsserier (mätdata, priser, status)
• dokumentversioner
• incident- och underhållsloggar

Utan detta blir AI ett dyrt experiment. Med detta blir AI ett sätt att standardisera arbetssätt över en växande portfölj.

3) Förbered er för “AI-granskning” i finansiering

När fler batteriprojekt konkurrerar om kapital blir frågan inte bara “har ni bygglov?”. Den blir:

• Hur robust är er intäktsoptimering?
• Hur hanterar ni degradering?
• Hur säkrar ni driftsäkerhet och cybersäkerhet?

AI kan vara en del av svaret – om den är byggd på spårbar data och tydliga beslutskriterier.

Praktisk checklista: så kommer ni igång med AI för BESS på 30 dagar

Kärnpunkten: Börja smalt, mät effekten, skala efter bevis.

1. Välj ett projekt i pipeline (helst i pre-application) och kartlägg topp 10 frågor som återkommer i planering och tillstånd.
2. Bygg ett strukturerat “ansökningsbibliotek”: standardtexter, referenslayout, tekniska parametrar och riskåtgärder.
3. Inför en AI-assistent för dokumentkvalitet: kontroll av konsekvens, siffror, bilagereferenser, och en “fråga-svar”-funktion internt.
4. Sätt upp en enkel dispatch-simulering med historiska priser och en degraderingskostnad (även en grov modell slår magkänsla).
5. Definiera tre KPI:er:
   • dagar sparade i ansökningsframtagning
   • minskat antal kompletteringsrundor
   • förbättrad intäkt per cykel (simulerat eller i drift)

Det är inte glamoröst. Det är effektivt.

Var det här leder 2026: fler batterier, hårdare krav på styrning

Att UK såg en återhämtning över 1 GWh i både tidiga och sena ansökningsspår i november är en tydlig temperaturmätare. BESS fortsätter växa, och marknaden belönar de team som kan fatta snabbare och mer datadrivna beslut.

För oss som arbetar med AI inom energi och hållbarhet är signalen nästan ännu tydligare: nästa fas i energiomställningen handlar inte bara om att bygga mer. Den handlar om att köra systemen smartare – så att förnybar el kan integreras utan att nätet blir flaskhalsen.

Om din organisation sitter på BESS-planer (eller redan äger flexresurser), är den mest intressanta frågan nu: vilken del av er process är fortfarande analog – och vad kostar det er varje månad?