Elmarknadsregler som kan bromsa batterier och AI

Den 2025-12-05 hände något som många i energibranschen känner igen: en till synes teknisk regeländring fick omedelbara ekonomiska effekter. I Texas steg priset i en del av stödtjänstmarknaden till nästan 78 (jämfört med 25 bara några dagar tidigare under liknande systemförhållanden). Samtidigt började flera batteriaktörer dra ner på sin medverkan i just den marknad som batterier varit bäst på att stabilisera.

Det här är inte en Texas-historia för den som gillar amerikansk energipolitik som underhållning. Det är en påminnelse om något mer grundläggande: marknadsdesign är mjukvara. Den styr beteenden, risk, intäkter – och därmed investeringsvilja. Och om vi menar allvar med smarta elnät, mer vind och sol, samt AI-baserad optimering, då behöver vi prata om hur regler kan hjälpa eller stjälpa batteriernas roll i kraftsystemet.

I den här delen av vår serie AI inom energi och hållbarhet tittar vi på Texas nya marknadsregler för realtidsoptimering och varför de riskerar att sätta batteriutvecklare i limbo – och vad svenska energibolag, investerare och teknikleverantörer kan lära sig.

Vad Texas ändrade – och varför batterier reagerade direkt

Texas systemoperatör införde 2025-12-05 en ny uppsättning regler för realtidsmarknaden som ska ”samoptimera” energi och stödtjänster (ancillary services). Kärnan är enkel: systemet kan i realtid flytta resurser mellan att leverera energi (MWh) och att leverera stödtjänster (snabba reserv- och stabilitetstjänster).

Stödtjänster: där batterierna blev oslagbara

Batterier har under de senaste åren tagit en dominerande roll i stödtjänster eftersom de:

• svarar på millisekunder till sekunder
• inte behöver bränsle
• kan växla mellan laddning och urladdning med hög precision

När batterier konkurrerar hårt pressas priserna. I Texas har intäkter från stödtjänster fallit kraftigt under perioden när batteriparken växte snabbt. För konsumenter är det ofta bra: lägre systemkostnader.

Den nya risken: oförutsägbara omallokeringar och straffavgifter

Med den nya designen kan en batteriresurs som planerat att leverera stödtjänster senare på dygnet bli omdirigerad till energimarknaden tidigare. Problemet uppstår om batteriet då inte har tillräcklig state of charge (laddningsnivå) kvar för att uppfylla sitt stödtjänståtagande.

Och om du inte levererar det du lovat? Då kommer straffavgifter.

Det är här osäkerheten biter. Ett batteriprojekt kan vara byggt och tekniskt kapabelt – men ändå få en intäktsprofil som blir svår att förutse, prissäkra och finansiera.

En marknad som kräver minutiös laddningspositionering men straffar minsta avvikelse behöver extremt tydliga spelregler. Annars får du exakt det som hände i Texas: aktörer kliver åt sidan.

Varför priserna kan stiga när batterier backar

På första dagen med de nya reglerna såg man ett tydligt utslag: priserna i vissa stödtjänster stack iväg, särskilt i en tjänst som kräver respons inom cirka 30 minuter (”non-spin reserve”). Den typen av tjänst är egentligen ”långsam” jämfört med batterier – men den kan ha krav på uthållighet, till exempel att kunna leverera i fyra timmar.

När batterier av risk- eller regelorsaker deltar mindre, lämnas utrymme åt en mindre grupp resurser – ofta termiska kraftverk – som har högre rörliga kostnader och andra begränsningar.

Effekten kan bli en kedjereaktion:

1. Färre batterier i stödtjänstmarknaden → mindre konkurrens
2. Stödtjänstpriser upp → högre systemkostnader
3. Systemkostnader spiller över → energipriser tenderar att följa

I Texas noterades att systemförhållanden var jämförbara mellan 2025-12-01 och 2025-12-05 (liknande efterfrågetopp runt 60 GW, stora termiska bortfall kring 19–20 GW och låg vindproduktion på kvällen). Ändå tredubblades ett delpris i stödtjänster.

Det är svårt att få en tydligare illustration av att marknadsregler kan vara lika avgörande som fysisk kapacitet.

Där AI faktiskt gör skillnad: från ”set and forget” till kontinuerlig styrning

Den mest intressanta men också mest praktiska lärdomen från Texas är att stödtjänster inte längre är en ”ställ in och glöm”-produkt i en mer dynamisk realtidsoptimerad marknad.

Det är här AI kan bära sin vikt – men bara om förutsättningarna är rimliga.

1) Prediktioner som minskar risken för fel positionering

För batterioperatörer handlar lönsamhet i ökande grad om att ligga rätt i laddningsnivå vid rätt tidpunkt. AI-modeller kan kombinera:

• lastprognoser (kort sikt: 5 min–48 h)
• vind- och solprognoser
• prisprognoser för energi och stödtjänster
• sannolikhet för omdirigering av resurser givet systemtillstånd

Målet är inte perfektion. Målet är att minska sannolikheten för att hamna i läget där du blir omoptimerad och sedan straffad.

2) Optimering med hårda constraints (inte bara ”maxa intäkt”)

Många pratar om AI som intäktsmaximering. Jag tycker det är fel startpunkt i den här typen av marknad. Rätt startpunkt är riskminimering under strikta constraints:

• min/max state of charge
• minimikrav för uthållighet (t.ex. 4 h)
• rampbegränsningar och verkningsgrad
• sannolika aktiveringar per tjänst
• budget för straffrisk (”penalty exposure”)

Det här lämpar sig ofta för en kombination av klassisk optimering (t.ex. mixed-integer) och maskininlärning för prognoser.

3) Förklarbarhet: AI måste kunna motivera budstrategin

När reglerna är snåriga och efterlevnadsrisker dyra räcker det inte att modellen säger ”gör så här”. Operatörer, riskkontroll och ibland även tillsyn vill förstå varför.

Bra AI i elmarknader 2025/2026 har därför tre lager:

• prediktionslager (vad tror vi händer?)
• besluts-/optimeringslager (vad gör vi?)
• förklaringslager (varför är detta rimligt givet regler och risk?)

Det är extra relevant i Europa där governance-krav ofta är striktare.

Vad svenska aktörer kan ta med sig (innan nästa regeländring)

Texas är extremt på många sätt, men mönstret är universellt: när marknadsdesignen ändras snabbt kan kapital och kapacitet ”frysa”.

Tre konkreta lärdomar för Norden

1. Räkna med regelrisk i affärscaset Batterier och flexibilitet lever på marknadsprodukter. Om produktdefinitionen eller avräkningen ändras kan intäktsmixen skifta över en natt.

2. Bygg budstrategi som en riskfunktion, inte en Excel-mall Om stödtjänster går från timprodukter till tätare upphandling (t.ex. 5-minuterslogik) blir manuell hantering snabbt ohållbar. Här är AI/automation inte ”nice to have” utan driftkrav.

3. Gör datagrunden till en konkurrensfördel De som har bäst data pipelines (SCADA, mätning, prognoser, marknadsdata, anläggningsstatus) och snabbast återkoppling kan agera mer precist och undvika dyra misstag.

”People also ask” – vanliga frågor, raka svar

Blir batterier mindre viktiga när reglerna blir tuffare? Nej. Batterier blir snarare mer viktiga när mer vind och sol ska integreras. Men deras roll kan flyttas mellan energiarbitrage, stödtjänster, kapacitetsliknande produkter och lokala nätbehov.

Kan AI kompensera för dåliga regler? Delvis. AI kan minska operativ risk och förbättra positionering, men den kan inte trolla bort en marknadsdesign som skapar strukturellt oförutsägbara straffrisker.

Vad är den största risken för investerare? Att intäkterna blir svåra att förutsäga och därmed dyrare att finansiera. Osäkerhet ger högre avkastningskrav, vilket i praktiken kan bromsa utbyggnad.

Nästa steg: smarta elnät kräver stabila spelregler

Texas ville skapa effektivitet genom realtidsoptimering. Ambitionen är logisk: när kraftsystemet blir mer komplext behövs snabbare koordination. Men om förändringen samtidigt gör batteriintäkter mer osäkra – och ökar risken för straffavgifter – då får man en marknad där de mest flexibla resurserna väljer att stå på sidlinjen precis när de behövs.

För oss som jobbar med AI inom energi och hållbarhet är slutsatsen tydlig: AI kan optimera flexibilitet, men marknadsdesign måste vara optimerbar. Det betyder transparenta regler, förutsägbara incitament och avräkning som inte överraskar den som investerat i systemnytta.

Vill du se hur det här kan se ut i praktiken? Ett bra nästa steg är att kartlägga vilka flexibilitetsintäkter din organisation faktiskt jagar (energi, stödtjänster, nätstöd, effekt) och sedan utvärdera var AI ger mest effekt: prognoser, budoptimering, riskkontroll eller drift.

Vilken del av flexibilitetskedjan är mest undervärderad hos er just nu – data, styrning eller marknadsstrategi?