AI som jämnar ut BESS-intäkter i ERCOT:s berg-och-dalbana

Att batterilager i Texas kan gå från “rekordmånad” till “stiltje” på ett kvartal låter som ett problem. Men ERCOT-marknadens intäktsberg-och-dalbana är inte ett misstag i systemet – den är själva designen. Och det är precis därför AI-driven optimering och riskhantering börjar kännas mindre som ett teknikprojekt och mer som en överlevnadsstrategi.

För dig som jobbar med risk, försäkring, finansiering eller drift av energitillgångar är det här mer än en USA-anekdot. ERCOT visar vad som händer när ett elsystem saknar kapacitetsmarknad och central planering: prissignaler måste bli vassa för att locka investeringar. Resultatet blir perioder av extrem volatilitet – och intäkter som skiftar med väder, reservmarginaler och regeländringar.

Här är min tes: Volatilitet går inte att “ta bort” i den här typen av marknad – men den går att prissätta, säkra och styra bättre med AI. Det är samma logik som i modern försäkring: du kan inte avskaffa risk, men du kan modellera den och ta betalt rätt.

Varför ERCOT:s volatilitet är en “feature”

ERCOT (Texas) har ingen traditionell kapacitetsmarknad där producenter får betalt för att “finnas till” vid behov. I stället bygger systemet på att bristsituationer (scarcity) och därmed höga spotpriser ska skapa investeringsvilja. Det betyder att intäktsmöjligheterna för batterilager (BESS) blir stora – men ojämna.

Ascend Analytics beskriver i sin senaste marknadsrapport (Release 5.3) BESS-intäkter som en roller coaster. Poängen är inte att marknaden är trasig, utan att den skapar just den instabilitet som krävs för att:

• signalera att mer flexibilitet behövs
• belöna resurser som kan reagera snabbt (som BESS)
• driva ny kapacitet och ny flexibilitet in i systemet

Det här är lätt att missförstå i europeiska och svenska diskussioner, där vi ofta utgår från att “stabilitet” är ett mål i sig. I ERCOT är stabilitet delvis ett resultat av att marknaden ibland tillåts bli obekväm.

Väder + reservmarginaler = intäktsprofil

Det avgörande i Ascends resonemang är att intäkter i ERCOT ofta hänger på om sommaren blir “rätt” (tillräckligt varm, rätt vind- och solprofil) och om reservmarginalen är tight.

• Tight system → fler bristsignaler → fler timmar med extrema priser → BESS kan tjäna stort på arbitrage och stödtjänster
• “Fett” system (god marginal) → få bristsignaler → lägre volatilitet → BESS-intäkter pressas

Ascend lyfter dessutom att låga perioder kan vara långa – ett eller flera år. För ett projekt som ska betala ränta, amortering och O&M räcker det inte att “någon gång ibland” få jackpot.

När forwardkurvan inte beter sig som riskteorin säger

En särskilt intressant detalj i Ascends analys är observationen att forwardpriserna (on-peak/off-peak-block) inte alltid verkar spegla förväntad spotprisbild på ett sätt riskteorin brukar anta.

Normalt utgår riskhantering från en princip som förenklat blir: forwardpris ≈ förväntat spotpris, plus/minus riskpremier. Men i ERCOT ser Ascend en obalans mellan köpare och säljare där on-peak och off-peak kan skilja sig på sätt som skapar ovanliga möjligheter – och risk.

Varför det här spelar roll för BESS

Batterier tjänar pengar på skillnader över tid: köpa billigt, sälja dyrt, och leverera systemnytta när nätet behöver det. När:

• prisblocken i terminshandeln beter sig “konstigt”, och
• spotmarknaden drivs av väder och bristsituationer,

…då räcker det inte med en enkel kalkyl baserad på historiska medelvärden.

Här blir parallellen till försäkring tydlig: om du prissätter en portfölj med antagandet att framtiden är “normal”, men verkligheten styrs av svansrisker och regimskiften, då blir resultatet fel. Inte lite fel. Strukturellt fel.

AI-optimering: från “max intäkt” till “styrd risk”

AI i energimarknader missförstås ofta som ett verktyg för att bara jaga högsta intäkt i varje timme. I praktiken är det mer värdefullt att använda AI för att styra riskprofilen så att projektet blir bankbart och försäkringsbart.

1) Prediktiva modeller som faktiskt tar höjd för regimskiften

I ERCOT skiftar intäktslogiken när:

• ny marknadsdesign införs (t.ex. RTC+B, realtids-co-optimisering med batterier)
• efterfrågan växer snabbare eller långsammare än väntat
• ny produktion eller nätförstärkningar förändrar prisbilden

AI-modeller (exempelvis gradient boosting, sekvensmodeller eller Bayesianiska metoder) kan tränas för att känna igen regimer snarare än bara nivåer. Det ger bättre svar på frågor som:

• “Är vi på väg in i en tight sommarregim?”
• “Hur ändras prisfördelningen om reserve margin går från X till Y?”
• “Vilken intäkt är rimlig vid 1%, 5% och 50% sannolikhet?”

Det här är exakt hur modern riskmodellering i försäkring rör sig: från punktprognoser till fördelningar och scenarier.

2) Optimering under osäkerhet – inte bara dispatch

En bra BESS-optimerare gör inte bara “bästa schema” givet en prognos. Den gör schema som:

• maximerar förväntad intäkt
• begränsar nedsidan (Value-at-Risk/CVaR-liknande mål)
• tar hänsyn till degradering, cykelkostnad och garantivillkor
• väljer när man ska vara aggressiv och när man ska vara defensiv

I en roller coaster-marknad är det ofta klokare att acceptera lite lägre toppar om du samtidigt höjer sannolikheten att klara skuldtjänst under svaga år.

3) AI för säkring (hedging) som matchar batteriets verkliga exponering

Ascend pekar på behovet av hedging för att klara volatiliteten, särskilt när forwardmarknaden inte beter sig “som den brukar”. Här gör många ett klassiskt misstag: de säkrar som om batteriet vore en vanlig producent eller förbrukare.

BESS har en icke-linjär exponering:

• intäkten kommer från prisspann, inte prisnivå
• flexibilitet har störst värde i svansarna (extrema timmar)
• driftsbegränsningar gör att du inte alltid kan “ta” varje pristopp

AI kan hjälpa till att konstruera säkringar som bättre matchar batteriets payoff-profil – och att löpande uppdatera dem när marknadsregimen skiftar.

En bra säkring för BESS handlar mindre om att “låsa pris” och mer om att “köpa bort ruinrisk”.

Kopplingen till AI inom försäkring och riskhantering

Om du läser det här som försäkringsaktör kan det kännas långt från underwriting och skador. Jag tycker tvärtom: energilager i volatila marknader är en konkret, snabbt växande arena där försäkringslogik behövs.

Nya risker kräver ny riskdata

BESS-projekt påverkas av:

• intäktsvolatilitet (marknadsrisk)
• prestandarisk (degradering, tillgänglighet)
• operativ risk (styrsystem, budstrategier)
• regelrisk (marknadsdesign)

För att prissätta garantier, avbrottsförsäkring, parametrlösningar eller kreditförsäkringsliknande upplägg krävs högupplöst drift- och marknadsdata. AI behövs för att:

• förklara varians (vad driver intäkten?)
• upptäcka avvikelser tidigt (anomalidetektion)
• simulera scenarier som fångar svansrisk

“Roller coaster” är ett underwriting-problem

När intäkterna kan ligga lågt i flera år (Ascend antyder att svackor kan sträcka sig över flera somrar) blir frågan för finansiärer och försäkringsgivare:

• Hur ser sannolikheten ut att projektet bryter covenants?
• Vilka väder- och reservmarginalscenarier skapar ruinrisk?
• Vilka riskreducerande åtgärder (AI-styrning, hedging, serviceavtal) sänker risken mätbart?

Det här är underwriting med energidräkt på.

Praktisk checklista: så gör du intäktsrisk “styrbar” med AI

Om jag fick välja fem saker att göra redan Q1 2026 för ett BESS-team (eller en finansiär/försäkringsaktör runt teamet) skulle det vara:

1. Bygg en intäktsmodell som ger fördelningar, inte bara medelvärden. Prognoser utan P90/P95 är marknadsföring, inte riskstyrning.
2. Knyt väder och nätläge till intäktsregimer. Modellera sommartoppar separat från “normala” perioder.
3. Optimera mot nedsida. Lägg in riskmått i optimeringen (t.ex. CVaR-liknande) och följ upp per månad.
4. Mät verklig cykelkostnad och degradering. En strategi som ser bra ut på intäkt kan vara dålig på batterihälsa.
5. Designa hedging som matchar batteriets icke-linjära payoff. Standardterminer räcker sällan; du behöver strategi + uppföljning.

Vad betyder detta för hållbarhet – på riktigt?

Batterilager är inte bara en intäktsmaskin. De är ett sätt att få in mer variabel förnybar produktion utan att kompromissa med driftsäkerheten. Men om intäktsmodellen blir för slumpmässig stannar investeringarna.

Här gör AI konkret nytta för hållbarhet:

• stabilare kassaflöden → fler projekt kan finansieras
• bättre driftstrategier → mer systemnytta per installerad MWh
• smartare riskhantering → mindre behov av “dyr säkerhet” i form av överkapacitet

Det är svårt att kalla det något annat än ett effektiviseringsarbete för hela energisystemet.

Nästa steg: från berg-och-dalbana till kontrollerad körning

ERCOT visar ett obekvämt faktum: när marknadsdesignen behöver bristsignaler för att fungera får du volatilitet som standard. Batterilager kan tjäna på det – men bara om du hanterar intäktsrisk lika seriöst som du hanterar teknikrisk.

I vår serie om AI inom försäkring och riskhantering brukar vi prata om att flytta fokus från “magkänsla” till mätbar risk. Samma princip gäller här. AI gör inte marknaden snällare. Den gör den mer begriplig – och därmed mer möjlig att försäkra, finansiera och bygga ut.

Vilken del av din intäktsrisk är du faktiskt villig att bära själv – och vilken del borde du modellera, säkra eller försäkra bort innan nästa sommarregim slår till?