AI som tämjer intäktsberget för batterilager i ERCOT

När intäkterna för batterilager i Texas rör sig som en berg- och dalbana är det lätt att kalla det “instabilt”. Ascend Analytics kallar samma sak för en designprincip: volatiliteten är själva incitamentet som ska få nya resurser att byggas i ett elmarknadssystem utan kapacitetsmarknad.

Det låter långt från svensk vardag, men det här är precis den typ av problem som blivit relevant även här hemma: hur värderar man risk, prissätter skydd och bygger robusta strategier när utfallet styrs av väder, nätbegränsningar och snabba marknadsreformer? För dig som jobbar med AI inom försäkring och riskhantering är ERCOT ett konkret “laboratorium” där samma logik gäller som i underwriting: du vinner inte genom att gissa rätt varje timme – du vinner genom att mäta osäkerhet bättre än andra och agera konsekvent.

I den här texten bryter jag ner varför “roller coaster”-intäkter är en feature, hur AI-driven analys gör det hanterbart, och hur tänket kan översättas till riskarbete i energiförsäkring, industriförsäkring och portföljstyrning.

Varför ERCOT får en intäktsberg- och dalbana

ERCOT (Texas) saknar kapacitetsmarknad och centraliserad planering på det sätt många andra marknader har. Det betyder att bristsituationer (scarcity) och därmed extrema priser behövs för att signalera: “bygg mer produktion, mer flexibilitet, mer lagring”.

Konsekvensen blir att intäkter för BESS (Battery Energy Storage Systems) ofta består av få timmar med väldigt hög betalning och många timmar med låg eller nära noll marginal. Om de höga timmarna uteblir – exempelvis för att sommaren blir mildare än väntat eller reservmarginalen är god – blir året svagt. Det är inte ett fel i systemet. Det är ett resultat av hur man valt att skapa investeringsincitament.

Ascend Analytics beskriver detta som en “roller coaster”, och poängen är enkel:

Marknaden betalar inte för att du finns (kapacitet). Den betalar när du behövs som mest.

För batterilager är detta samtidigt en möjlighet och en risk. Möjlighet, eftersom BESS kan reagera snabbt. Risk, eftersom kassaflödet blir svårt att förutsäga och därmed svårt att finansiera – särskilt när långivare vill se stabilitet.

Väder som finansiell riskfaktor

En central detalj i Ascends resonemang är väderberoendet. I praktiken är det ofta sommarens toppar som avgör om scarcity inträffar. Du kan göra “allt rätt” operativt och ändå få ett svagt år om vädret inte pressar systemet.

Det här bör låta bekant för försäkring: en portfölj kan vara välskriven, men ett år med ovanligt många händelser (storm, översvämning, industribränder) skapar ett brutalt utfall. Skillnaden är att ERCOT prissätter bristen i realtid, medan försäkring prissätter risk i förväg.

Det “unika” prisläget: när forward inte speglar spot

Ascend pekar på ett ovanligt fenomen: skillnader mellan on-peak och off-peak i terminsmarknaden (monthly energy blocks) där den vanliga riskhanteringsprincipen – att forwardpris ungefär speglar förväntad spot över tid – inte håller.

Det är ett större problem än det låter. När forwardkurvan inte är en rimlig förväntansbild blir klassisk hedging “svajig”:

• Säljer du framåt till fel pris kan du låsa in en svag intäkt.
• Köper du tillbaka dyrt vid fel tillfälle kan du skapa en negativ överraskning.
• Bygger du finansiering på forward som “sanningen” riskerar du att ta fel beslut om projektets bärkraft.

Ascends budskap är att obalans mellan köpare och säljare i dessa block skapar ett läge där man inte kan använda tumregler. Och när tumregler dör, blir data, modellering och disciplin viktigare.

AI som riskmotor: så gör man volatilitet hanterbar

AI löser inte volatilitet. Den gör den mätbar, förklarbar och styrbar. För en BESS-operatör eller investerare betyder det att man flyttar fokus från “vad blev priset?” till “hur ser vår riskprofil ut givet väder, nät och marknadsregler?”.

1) Prognoser som faktiskt tar osäkerhet på allvar

En vanlig miss i energiprojekt är att arbeta med en enda prognos: ett “base case”. I en roller coaster-marknad är det otillräckligt.

AI-baserade modeller (t.ex. gradient boosting, probabilistiska tidsseriemodeller och neurala nät för last/pris) används i praktiken för att skapa fördelningar, inte punkter:

• sannolikhet för scarcity-timmar
• sannolikhet för extrema prisnivåer
• sannolik fördelning av intäkter per strategi (arbitrage, ancillary services, congestion)

Det här är samma tankesätt som i modern underwriting: man prissätter inte “en brand”, man prissätter en fördelning av skadeutfall.

2) Optimering: från “ladda/ur” till portföljbeslut

BESS-optimering är inte bara drift. Det är finansiell styrning i realtid. Med AI/optimeringsmotorer kan man:

• välja mellan intäktsströmmar (energi vs stödtjänster) baserat på marginalnytta
• ta hänsyn till degradering (cykelkostnad) som en “osynlig” kostnad
• optimera under begränsningar: SOC, effekt, ramp, nätbegränsningar

Poängen: den bästa strategin är ofta den som minimerar regret snarare än maximerar topputfall.

3) Hedging som policy, inte magkänsla

Ascend lyfter att aktörer bör använda hedging för att minska volatilitet och stötta kommande år – särskilt om forwardmarknaden ger missvisande signaler.

AI kan här fungera som en policy-motor:

1. Definiera riskbudget (t.ex. max drawdown per kvartal).
2. Simulera tusentals scenarier för väder, last, driftstörningar och regler.
3. Välj hedge-grad och instrumentmix som ger önskad riskprofil.
4. Följ upp med “model monitoring” när marknadens beteende förändras.

Översatt till försäkring: det här motsvarar att gå från “vi tror att skadefrekvensen blir X” till kontinuerlig portföljstyrning där man ändrar villkor, självrisker, återförsäkring och prissättning när signalerna skiftar.

Marknadsreformer som modellrisk: RTC+B och vad det lär oss

ERCOT har infört förändringar kopplade till Real-Time Co-Optimisation Plus Batteries (RTC+B). Sådana reformer är ett skolexempel på modellrisk: historiska mönster bryts, och den som tränat sin strategi på “gårdagens marknad” får problem.

Här tycker jag att energibranschen ibland är för optimistisk. Man pratar gärna om att “modellen uppdateras”. Men i praktiken krävs en hel struktur:

• Regimdetektion: identifiera när marknadsbeteende byter karaktär.
• Backtesting under regimskifte: vad händer om en intäktsström kollapsar?
• Fallback-strategier: driftregler som är robusta när modellen är osäker.

För försäkringsaktörer är parallellen tydlig: nya regelverk, nya skadebeteenden, förändrade leveranskedjor och cyberrisk skapar samma typ av regimskiften. AI måste byggas för att tåla förändring, inte bara för att passa historik.

Vad svenska riskteam kan plocka från Texas

ERCOT är extremt, men lärdomarna är användbara för svenska risk- och försäkringsteam som arbetar mot energi, industri och infrastruktur.

Tre praktiska principer (som fungerar i vardagen)

1. Sätt riskmål före resultatmål. Ett mål som “maximera intäkt” driver ofta överrisk. Ett mål som “maximera intäkt givet 95% VaR” driver disciplin.
2. Bygg scenariobibliotek. Ha färdiga scenarier för mild/vass sommar, nätbegränsningar, policyförändring och prisgolv/pristak. Kör dem ofta.
3. Mät modellens hälsa. Driftövervakning ska inte bara gälla batteriet eller nätet, utan även prediktionsfel, datakvalitet och regimskiften.

Mini-exempel: hur man “försäkrar” en volatil intäkt

Tänk att ett batterilager har 70% av sin årsintäkt från 40 timmar med scarcity. Om sannolikheten att de timmarna uteblir ökar (mildare väder, mer reserv) behöver du behandla det som en underwritingfråga:

• Vad är “premien” (kostnaden) för att hedga bort en del av topputfallet?
• Hur mycket intäktstabilitet krävs för finansiering?
• Vilka triggers (väderprognoser, reservmarginal, forwardspread) ska styra hedgebeslut?

Det här är inte teori. Det är operativ riskstyrning, och AI gör den snabb nog att köras veckovis eller dagligen.

Vanliga frågor som brukar dyka upp (och raka svar)

Är volatilitet alltid bra för batterilager?

Volatilitet skapar intäktsmöjligheter, men den skapar också finansieringsrisk. Utan riskhantering blir “bra marknad” ofta synonymt med “bra tur”.

Räcker det med en bra prisprognos?

Nej. Den stora vinsten ligger i probabilistiska prognoser och optimering under osäkerhet, inte i att sätta ett exakt pris för kl 17:00.

Vad är största risken när man använder AI här?

Modellrisk vid regimskiften (som regeländringar) och dataproblem. Den bästa tekniska modellen är värdelös om den matas med felaktiga eller försenade signaler.

Nästa steg: från “roller coaster” till kontrollerad risk

ERCOT visar något många marknader försöker dölja: systemet behöver ibland vara obekvämt för att locka fram investeringar. Men för operatörer, investerare och riskansvariga är obekvämt inte en strategi.

Min ståndpunkt är enkel: AI inom energi blir mest värdefull när den används som riskmotor, inte bara som en prognosmaskin. Samma princip gäller i vår serie om AI inom försäkring och riskhantering: värdet uppstår när modellerna styr beslut, begränsar nedsida och gör osäkerhet till en del av processen – inte en eftertanke.

Vill du bygga en organisation som klarar både milda somrar och knivskarpa toppar behöver du kombinera tre saker: probabilistiska scenarier, optimering och en hedgingpolicy som följs även när det känns tråkigt.

Frågan framåt är inte om volatiliteten försvinner. Frågan är: vem som blir bäst på att prissätta den, paketera den och leva med den.