Kapacitetskostnader skenar – AI kan bromsa notan

När USA:s största elmarknad nyligen satte rekordhöga kapacitetspriser var det inte ett mystiskt marknadsryck. Det var en helt logisk följd av två krafter som drar åt samma håll: explosiv datacenter-tillväxt och för långsam utbyggnad av ny elproduktion. Resultatet blir en dyrare försäkringspremie för att hålla elnätet stabilt när topparna slår till.

Och här finns en poäng som svenska energichefer, fastighetsägare och industribolag bör ta på allvar: när kapacitetskostnader stiger i en stor marknad som PJM (som täcker en stor del av USA:s östkust) är det en tidig varningssignal om vad som kan hända även i andra elsystem när efterfrågan ökar snabbt och nätet blir mer ansträngt.

Det fina – och frustrerande – är att en stor del av problemet inte handlar om att vi saknar teknik. Det handlar om att vi saknar precision: i prognoser, i drift, i incitament och i hur snabbt vi kan styra laster. Det är precis där AI inom energi och hållbarhet har blivit praktisk, inte bara spännande.

Varför kapacitetskostnader sticker iväg när elnätet blir tajt

Kapacitetsmarknader finns för att lösa ett enkelt problem: el måste finnas exakt när vi behöver den, även de timmar per år då systemet är som mest pressat. Kapacitet är därför en betalning för att resurser (kraftverk, batterier, efterfrågeflex, ibland också avtalade importmöjligheter) ska stå redo att leverera under toppbelastning.

När kapacitetspriset når rekordnivåer betyder det i praktiken: systemet upplever att marginalerna är för små. Man köper mer ”beredskap” – och det är dyrt.

Tre drivkrafter bakom rekordpriserna

1. Snabb lasttillväxt: Datacenter, elektrifiering och industriexpansion skapar stora, ofta lokalt koncentrerade behov.
2. Trög nybyggnation: Nya kraftverk, nätförstärkningar och tillståndsprocesser tar tid. När efterfrågan springer före utbyggnaden uppstår kapacitetsstress.
3. Osäkerhet och riskpåslag: Om marknaden tvivlar på att resurser faktiskt kommer finnas där vid topp – då går priset upp. Det är inte bara ”brist”, utan brist + osäkerhet.

En formulering jag ofta återkommer till i kunddialoger är: kapacitetskostnad är priset på vår bristande framförhållning.

Datacenter: när digital tillväxt blir fysisk elförbrukning

Datacenter är inte nya, men dagens våg skiljer sig. AI-träning, inferens och lagring driver upp effekttoppar och krav på hög tillgänglighet. Det är inte ”ännu en kontorslast” – det är industriell baslast med möjlighet till kraftiga toppar.

PJM-nyheten pekar på en central mekanism: när datacenter byggs snabbt, men elproduktion och nät inte hinner med, blir kapacitetsauktionen en ventil. Den skickar en prissignal som säger: ”Vi behöver mer tillgänglig effekt.” Problemet är att prissignalen kan komma efter att stora anslutningsbeslut redan är tagna.

Det som ofta missas: lokala flaskhalsar

Även om total produktion i ett system kan se okej ut på papper kan datacenter skapa lokala effektproblem:

• Transformatorstationer och regionnät får nya toppar.
• Spänningsstabilitet och reaktiv effekt blir viktigare.
• N-1-kriterier (att klara bortfall av en komponent) blir dyrare att upprätthålla.

Det gör att kapacitetskostnader inte bara handlar om ”mer el”, utan om rätt el på rätt plats vid rätt tid.

AI som motmedel: mer kapacitet genom bättre precision

AI kan inte trolla fram nya kraftverk över en natt. Men AI kan göra något som ofta är minst lika värdefullt i ett pressat system: minska behovet av dyr beredskap genom att förbättra prognoser, styrning och flexibilitet.

1) AI för bättre prognoser av topplast

Nyckeln till lägre kapacitetskostnad är att minska osäkerheten kring hur toppar uppstår och hur de kan hanteras. Moderna AI-modeller kan kombinera:

• väder (temperatur, fukt, vind)
• kalender- och beteendemönster
• industriprocesser och driftdata
• realtidsmätning från sensorer/AMS

…för att ge mer träffsäkra lastprognoser på timmar till månader.

Direkt effekt: Om systemoperatören och marknaden kan lita på prognoserna minskar riskpremien. Om nätbolag kan planera åtgärder tidigare minskar panikåtgärder.

En bra tumregel: varje procent bättre prognos i ett ansträngt system sparar oproportionerligt mycket pengar, eftersom det är topparna som driver både kapacitet och nätinvesteringar.

2) AI i drift: smartare dispatch och nätoptimering

När marginalerna är små blir driftoptimering avgörande. AI och avancerad optimering kan:

• upptäcka mönster som signalerar kommande överbelastning
• föreslå omkopplingar i nätet för att avlasta kritiska snitt
• optimera batterianvändning så att den sparas till rätt timmar
• förbättra underhållsplanering (predictive maintenance) för att minska oplanerade bortfall

Direkt effekt: Färre timmar i ”nästan-kris”-läge, vilket sänker värdet av att köpa dyr kapacitet som bara behövs för att hantera osäker drift.

3) AI för efterfrågeflex: den snabbaste nya kapaciteten

Om man vill påverka kapacitetskostnader snabbt är efterfrågeflex ofta den mest realistiska vägen. AI gör flexibilitet skalbar, särskilt när man har många laster.

Exempel på flex som AI kan orkestrera:

• kylmaskiner, värmepumpar och ventilationssystem i fastigheter
• elpannor och ackumulatorer i fjärrvärme
• industriprocesser med planeringsmarginal
• laddning av fordonsflottor
• datacenter som kan flytta vissa jobb i tid eller ge sig själva effektbudgetar

Poängen: Efterfrågeflex är kapacitet. Den syns bara inte som ett kraftverk i horisonten.

Datacenter + AI: energieffektivitet som faktiskt syns på elräkningen

Det är lätt att prata om ”effektivare datacenter”, men den konkreta vinsten kommer från styrning i realtid.

Tre praktiska AI-spår i datacenter

1. Kyloptimering

   • AI kan styra fläktar, pumpar och kylkretsar baserat på värmelast och väder.
   • Målet är lägre PUE och framför allt lägre peak power.

2. Workload orchestration

   • Schemalägg batchjobb när elpriser/kapacitetsstress är lägre.
   • Begränsa effektuttag per rack under kritiska timmar utan att slå ut tjänster.

3. Prediktivt underhåll och redundansstyrning

   • Undvik att redundans ligger på ”fullt pådrag” i onödan.
   • Upptäck fel innan de driver fram ineffektiva driftlägen.

Det här är inte bara en hållbarhetsfråga. Det är en affärsfråga. När kapacitetskostnader stiger blir ”vi kör som vanligt” snabbt den dyraste strategin.

Vad svenska aktörer kan lära av PJM – redan vintern 2025

Sverige har en annan marknadsmodell och annan nätstruktur än PJM, men stressmönstret känns igen: högre toppar, mer lokal trängsel och längre ledtider för nät och produktion.

Fem lärdomar som håller även här

1. Topp timmarna styr investeringsnotan Det är inte årsförbrukningen som knäcker systemet – det är de mest ansträngda timmarna.

2. Tillstånd och nät är flaskhalsen Produktion kan byggas snabbare än nät i många fall. Därför måste last, flexibilitet och lokalisering planeras ihop.

3. Flexibilitet är en resurs, men måste paketeras AI behövs för att mäta, verifiera och styra flex i stor skala.

4. Datacenter behöver ett “grid-first”-tänk Placering, anslutningsvillkor, interna batterier och möjlighet till laststyrning bör in tidigt i projekten.

5. AI är inte en produkt – det är ett arbetssätt Den som vinner är den som kopplar ihop data, drift och ekonomi i en loop: mät → förutse → optimera → lär.

Praktisk start: en 30-dagars plan för lägre kapacitetsrisk

Vill du ta ett första steg utan att starta ett flerårigt transformationsprogram? Här är en plan jag sett fungera.

1. Kartlägg era toppar (dag 1–7)

   • Vilka 20 timmar per månad är dyrast/ mest kritiska?
   • Vilka laster driver topparna?

2. Skapa en enkel prognos (dag 8–14)

   • Kombinera historik med väder och driftdata.
   • Målet är inte perfektion, utan att bli bättre än ”magkänsla”.

3. Identifiera 2–3 flexåtgärder (dag 15–21)

   • Flytta, sänk, eller lagra.
   • Sätt tydliga gränser: komfort, produktion, SLA.

4. Testa styrning under verkliga timmar (dag 22–30)

   • Kör kontrollerade ”peak events”.
   • Mät effekten i kW, inte bara i procent.

Efter 30 dagar vet du om AI-styrd flexibilitet är en teoretisk idé eller en konkret besparing hos er. Nästan alltid är det det senare.

Kapacitetspriser som varningssignal – och möjlighet

Rekord i kapacitetskostnader är en signal om att elnätet inte längre kan behandlas som en oändlig buffert. När datacenter och elektrifiering växer snabbt blir frågan enkel: ska vi betala för mer beredskap, eller ska vi bli bättre på att använda den kapacitet vi redan har?

Jag tar ställning här: AI är den snabbaste vägen till lägre kapacitetsrisk eftersom den gör prognoser, nätstyrning och efterfrågeflex till något man kan driva i vardagen, inte i pilotprojekt.

Om 2026 blir året då fler marknader når samma läge som PJM – vill du då sitta med en elstrategi byggd på antaganden, eller en som faktiskt lär sig av dina data? Det är en fråga som blir dyrare att skjuta upp.