Termiska batterier + AI: så säkras el när solen går ner

Kalifornien gör en sak som många europeiska energiköpare fortfarande tvekar inför: de backar nya lagringslösningar tidigt, med konkreta avtal i sikte. Den 2025-12-08 tog Clean Power Alliance (CPA) – en så kallad Community Choice Aggregator (CCA) – ännu ett steg mot att genomföra offtake-upplägg med två startups som utvecklar termiska batterier för energilagring.

Det låter nischat. Men signalen är stor: marknaden letar febrilt efter långvarig energilagring (long-duration energy storage, LDES) som kan hantera fler timmar (ibland dagar) när vind och sol inte räcker. Och här kommer min tydliga ståndpunkt: utan AI-styrning kommer många termiska lagringsprojekt att underprestera, även om hårdvaran är briljant.

Det här inlägget är en del av serien AI inom energi och hållbarhet. Fokus: vad Kaliforniens drag säger om framtiden för lagring – och exakt hur AI för energiprognoser, optimering och smarta elnät gör termiska batterier mer lönsamma och driftsäkra.

Varför Kaliforniens stöd för termiska batterier spelar roll

Kalifornien är ett stresstest för elnät. Hög solproduktion mitt på dagen, branta rampningar på kvällen och en marknad som redan byggt mycket litiumjon. När en aktör som CPA använder en Innovation Solicitation för att hitta “nästa grej” och sedan går mot offtake-avtal för termisk energilagring, händer två saker samtidigt:

1. Teknikrisk omvandlas till marknadsrisk – från “funkar det?” till “hur driver vi det bäst?”.
2. Kravet på styrning och planering ökar – du köper inte bara ett batteri, du köper ett nytt driftmönster.

CPA:s upplägg är också intressant för en svensk publik eftersom CCA-modellen liknar hur vi ibland pratar om kommunala energibolag och upphandlingssamverkan: en aktör med lokal förankring bygger portfölj och säkrar leverans, men kan samtidigt agera innovationsmotor.

Offtake som “bevis på seriositet”

För energilagrings-startups är offtake-upplägg ofta viktigare än pressmeddelanden. Ett seriöst avrop eller ett tolling-liknande arrangemang:

• minskar finansieringsrisk
• ger driftdata tidigt
• tvingar fram mätbar prestanda (tillgänglighet, verkningsgrad, responstid)

Det här är extra viktigt för termiska batterier, där affären sällan är “sälj en låda” – det är en drift- och styrfråga, ofta kopplad till värme, ånga, industriprocesser eller kraftproduktion.

Termiska batterier i praktiken: vad är det som lagras?

Kärnan: ett termiskt batteri lagrar energi som värme (eller kyla) och omvandlar den tillbaka till användbar energi när det behövs.

Det finns flera varianter, men två vanliga principer är:

• Resistiv uppvärmning → lagring i fast material (t.ex. keramiska/kolbaserade block) → värme ut som processvärme eller via värmeväxlare.
• Värme → el via exempelvis turbiner eller andra omvandlingssteg (ofta med lägre rundverkningsgrad än el→el i litiumjon, men med andra fördelar).

När termisk lagring slår litiumjon

Termiska batterier blir särskilt intressanta när du vill ha:

• längre varaktighet (fler timmar) utan att kostnaden skenar
• robusthet mot råvaru- och leveranskedjerisker (beroende på materialval)
• hög temperatur för industrins behov (processvärme är en enorm utsläppspost)
• säsongs- eller dygnsutjämning med andra driftsprioriteringar än sekundsnabb frekvensreglering

Här finns en svensk koppling som ofta underskattas: vi är starka på fjärrvärme, industri och kraftvärme. Termisk lagring kan bli ett naturligt komplement i system där värme redan är en förstaklassens energibärare.

Där AI faktiskt gör jobbet: prognos, optimering och drift

Det viktigaste AI-bidraget till termiska batterier är enkelt formulerat:

AI gör lagringen förutsägbar – och det är förutsägbarhet som blir pengar i ett elsystem.

Termiska system har ofta tröghet, begränsningar i rampning och temperaturfönster som måste hållas. AI hjälper dig att ligga rätt i temperatur och energiinnehåll utan att “elda för kråkorna”.

1) AI för energiprognoser: börja med rätt målbild

Ett termiskt batteri styrs inte optimalt om du bara tittar på spotpriset just nu. Du måste kunna svara på:

• Hur ser nettolasten ut mellan 16:00–22:00?
• Hur sannolikt är det att vind/sol faller snabbare än prognos?
• Hur påverkar temperatur, luftfuktighet och molnighet både produktion och efterfrågan?

Praktiskt angrepp: kombinera väderdata, historisk last, produktionsdata och marknadssignaler i en prognosmodell (t.ex. gradient boosting eller tidsserie-neurala nät). Målet är inte “perfekt prognos”, utan bättre beslut än din baslinje.

2) Optimering av laddning/urladdning: mer än en enkel timer

Termisk lagring kräver ofta att du optimerar under flera begränsningar:

• max/min-temperatur
• materialstress (för många snabba cykler kan slita)
• verkningsgrad som varierar med temperatur
• krav från offtake (leveransprofil, tillgänglighet)

Här fungerar AI ofta bäst som beslutsmotor i en optimeringsloop:

1. prognos → 2. optimering (t.ex. mixed-integer eller model predictive control) → 3. realtidsjustering → 4. lärande från utfall.

En enkel men kraftfull princip jag ofta återkommer till: optimera på intäkt minus slitage, inte bara på intäkt. Då undviker du att “vinna idag och förlora hårdvara imorgon”.

3) Prediktivt underhåll: termiska system ger tydliga varningssignaler

Termiska lager och värmeväxlare har mönster som passar maskininlärning väl: temperaturgradienter, tryckfall, flödesavvikelser, effektivitetstapp.

Med rätt sensorer kan du bygga modeller som:

• hittar avvikelser tidigt (anomaly detection)
• förutser när verkningsgrad faller under en tröskel
• föreslår drift som minskar termisk chock

Det är särskilt relevant när du ska gå från pilot till portfölj – precis det CPA signalerar att de vill göra.

Vad Kalifornien lär oss om Europa och Sverige 2026

Det är lätt att säga “Kalifornien är inte Sverige”. Sant. Men mönstret återkommer: mer väderberoende produktion kräver fler verktyg.

Här är tre konkreta lärdomar att ta med in i 2026:

1) Långvarig energilagring blir portföljfråga, inte teknikfråga

När marknaden väl accepterar att flera lagringstyper behövs (litiumjon, termisk, vätgas, pumpkraft, flex), flyttas diskussionen till:

• vilka timmar ska täckas
• vilka risker ska minskas
• hur ska styrning och affärslogik se ut

Det gynnar aktörer som kan kombinera energisystemkompetens med AI och data.

2) Upphandling och offtake kommer börja kräva “AI-readiness”

Jag tror att nästa steg för många upphandlingar blir att de ställer krav på:

• öppna gränssnitt (API/SCADA)
• tillgång till tidsseriedata
• tydliga KPI:er (tillgänglighet, ramp rate, rundverkningsgrad, degradering)
• transparens i styrstrategi

Inte för att alla vill “köpa AI”, utan för att köparen vill kunna driva tillgången som en portfölj.

3) Flexibilitet belönas – men bara om du kan styra den

Termiska batterier kan bli en stark resurs i smarta elnät, men bara om du:

• kan förutse när värdet uppstår
• kan leverera enligt avtal
• kan bevisa prestanda

Det är här AI blir den praktiska skillnaden mellan ett “spännande pilotprojekt” och en investering som faktiskt skalar.

Så kan din organisation börja: en enkel checklista

Om du jobbar med energiinköp, nät, industri eller fastigheter och vill förstå om termisk lagring + AI är relevant, börja här:

1. Kartlägg dina kritiska timmar: när är el dyr, när är effektbrist sannolik, när är ni sårbara?
2. Bestäm nyttan: el→el, el→värme, topplast, reserv, industriprocess eller kombination.
3. Säkra datagrunden: mätning per 1–15 minuter, väder, produktion, last, driftstatus.
4. Bygg en prognos först: innan optimering. Då vet du om du styr på rätt antaganden.
5. Testa en optimerings-PoC i liten skala: simulera ett kvartal bakåt med riktiga priser och last.
6. Sätt KPI:er som speglar verkligheten: inte bara MWh levererade, utan också tillgänglighet, slitage och efterlevnad.

Bra tumregel: Om du inte kan beskriva hur systemet ska styras en fredag kl 18:00 en kall vecka, då är du inte redo att upphandla.

Nästa steg för “AI inom energi och hållbarhet”

Kaliforniens CCA-satsning visar att termiska batterier är på väg från teknikdemo till marknadsinstrument. När avtal och portföljer byggs blir AI inte ett sidospår, utan själva sättet att få ut värde: prognoser som håller, optimering som respekterar fysiken och drift som går att skala.

Om du funderar på långvarig energilagring i svensk eller nordisk kontext är den mest praktiska frågan att ta med sig den här: vilken kombination av lagring och AI-styrning ger er leveranssäkerhet till lägsta totalkostnad – inte bara lägsta investeringskostnad?

Vill du att nästa inlägg i serien ska gå djupare i hur man bygger en optimeringsmodell för ett termiskt batteri (inklusive KPI:er och datakrav), eller i hur man utvärderar affärsupplägg som offtake/tolling i energilagring?