Robotikens och AI:s roll i att optimera infrastruktur för förnybara energisystem
Utvecklingen av robotteknik inom förnybar energi har accelererat kraftigt under de senaste åren, drivet av nödvändigheten att bland annat sänka installationskostnader, öka säkerheten och hantera en växande brist på kvalificerad arbetskraft. Automatisering, genom användning av robotik, drönarinspektioner och avancerad mjukvarustyrd logistik, syftar till att minimera manuella arbetsmoment, öka säkerheten och förkorta byggtiden, vilket direkt påverkar projektets kapitalutgifter (CAPEX).
Inom solenergisektorn har robotiken rört sig från enbart rengöring och inspektion till att aktivt delta i själva konstruktionsfasen. Företag som RoboForce (https://www.roboforce.ai/), Built Robotics (https://www.youtube.com/watch?v=8Na6NF11iPc) och Charge Robotics (https://www.youtube.com/watch?v=ZZ2fP1Y5Z2E) har introducerat autonoma system utrustade med AI-styrda funktioner som kan navigera i terräng och utföra precisionsmontering av solpaneler. Inom solenergisektorn har automatisering av monteringsprocesser, såsom robotiserad installation av solpaneler på stora markbaserade anläggningar, visat sig kunna reducera arbetskostnaderna avsevärt. Genom att använda autonoma fordon för att placera och fästa moduler kan installationshastigheten öka, vilket minskar de räntekostnader som uppstår under byggtiden. Dessa robotar är särskilt effektiva vid storskaliga projekt där den mänskliga arbetskraften är begränsad. En central utmaning för dessa system är dock deras begränsning till relativt plana ytor; komplexa installationer på tak eller i ojämn terräng kräver fortfarande mänsklig expertis, särskilt för kabeldragning och avancerad felsökning,
I Mojaveöknen i Kalifornien har AES använt en flotta av 3 robotar från företaget Maximo för att installera 100 MW solkapacitet vid sitt solcellsanläggning i Bellefield, vilket minskar behovet av manuellt arbete. Maximo-robotarna, kan installera solpaneler mycket snabbare än mänskliga team och monterar i genomsnitt 24 solcellsmoduler per timme och person, medan maskinerna som monterar solpanelerna tar cirka en minut per panel att göra det. Det är ungefär dubbelt så snabbt som traditionell installation i regionen.
https://www.aes.com/about-us/innovation/maximo
Inom vindkraftsindustrin är robottekniken mer inriktad på logistik och strukturell integritet. Installation av vindkraftverk kräver hantering av komponenter som väger hundratals ton, där automatiserade lyftsystem och precisionsstyrda robotar används för att sammanfoga tornsektioner och montera rotorblad. Vidare används autonoma drönare och klättrande robotar för att utföra oförstörande provning (NDT) av turbinblad, där sensorer mäter bladens strukturella ”hälsa” genom avancerad bildanalys och ultraljudsteknik. För vindkraften har automatisering av tornmontering och användning av avancerade lyftsystem minskat behov av extrema dyra specialkranar och minskad antalet arbetstimmar på hög höjd, vilket är en av de mest kostsamma och riskfyllda delarna av projektet.
LEBO ROBOTICS, en japansk startup, utvecklade världens första kommersiella underhållsrobotar för vindturbiner för att inspektera och reparera turbiner. Kapaciteten hos vindkraftverk kan minska med mellan 3 och 10 procent på bara tre till fem år på grund av ackumulerade skador, vilket gör robotarnas arbete ovärderligt.
https://www.leborobotics.com/en
Det är dock viktigt att notera att även om automatisering sänker de direkta installationskostnaderna, kvarstår utmaningar relaterade till systemintegration och balansering av elnätet. Som påpekats i akademisk litteratur kan en minskning av LCOE (Levelized Cost of Electricity) genom billigare installationer dölja ökade systemkostnaderna som uppstår när ett elsystem blir mer beroende av väderberoende kraftslag. I takt med att installationsprocesserna automatiseras och blir mer effektiva, skiftar fokus alltmer mot hur dessa anläggningar kan integreras i ett stabilt elnät utan att skapa orimliga kostnader för stödtjänster och nätbalansering.
Robotik och avancerad automatisering har även blivit centrala komponenter för att optimera driften och underhållet av storskaliga sol- och vindkraftsanläggningar. Genom att integrera sensorer, AI-drivna bildanalyssystem och autonoma farkoster kan operatörer idag förutse brister innan de inträffar, vilket minskar driftstopp och ökar den totala energieffektiviteten. Inom vindkraftsverksamhet används drönare utrustade med högupplösta kameror för att inspektera rotorblad efter sprickbildningar eller erosionsskador, en uppgift som tidigare krävde riskfyllda manuella klättringar.
Integration av artificiell intelligens (AI), maskininlärning (ML) och avancerad robotik representerar ett paradigmskifte för hur energiprojekt planeras, konstrueras och underhålls. Genom att kombinera dessa teknologier kan energisektorn gå från reaktivt underhåll (att laga när det gått sönder) till prediktiv autonomi (system som själva förutspår och åtgärdar fel), vilket radikalt ökar effektiviteten i allt från storskaliga solcellsparker till komplexa vindkraftsanläggningar och smarta elnät.
En av de mest kritiska utmaningarna är den enorma energimängd som krävs för att driva de AI-modeller som styr robotarna. Moderna datahallar, som utgör ryggraden för AI-träning och interferens, förbrukar globalt cirka 500 TWh årligen, där nedkylning ensamt står för 30 procent av denna förbrukning. När AI integreras i robotar för energiprojekt – till exempel för underhåll av vindkraftsanläggningar eller inspektion av elnät – måste robotarna ofta bära med sig begränsade energikällor. Att köra tunga AI-algoritmer lokalt på roboten (edge computing) kräver hög beräkningskapacitet, vilket snabbt dränerar batterier och genererar värme, vilket kan kräva avancerade kylningslösningar för att förhindra överhettning.
Integration av AI i robotik för energisektorn belastar elnätet ytterligare. Eftersom datahallar som stödjer dessa AI-system kräver en enorm mängd elektricitet, kan de stressa lokala elnät och driva upp priser för konsumenter (https://energy.mit.edu/news/the-multi-faceted-challenge-of-powering-ai/). För robotar som arbetar i energiprojekt innebär detta en paradox: då de är tänkta som optimala energisystem, men deras egen drift och den infrastrukturen kräver att ”tänka” kan motverka övergången till optimal elenergiförbrukning om inte energieffektiviteten förbättras radikalt.
Användningen av artificiell intelligens (AI) för att övervaka och optimera energinätverk, ofta kallat ”smarta elnät”, erbjuder möjligheter till effektivisering. Genom att använda maskininlärning kan operatörer förutsäga belastningsstoppar, integrera fluktuerande förnybara energikällor och identifiera fel i realtid. Trots dessa fördelar finns det omfattande tekniska, etiska och infrastrukturella utmaningar som måste adresseras för att tekniken ska vara hållbar och säker. En av de mest kritiska utmaningarna är den inneboende energiförbrukningen hos själva AI-systemen, som i sig kan motverka de effektiviseringsvinster man hoppas uppnå.
Användningen av maskininlärning (ML) har fundamentalt förändrat hur autonoma system och robotar navigerar, optimerar och fattar beslut inom energisektorn. Genom att integrera avancerade algoritmer kan robotar nu bearbeta enorma datamängder i realtid, vilket gör en övergång från reaktiva till proaktiva strategier för energihantering och underhåll. (https://web.stanford.edu/class/psych209/Readings/SuttonBartoIPRLBook2ndEd.pdf). Inom robotik innebär att maskinen inte längre följer förprogrammerade instruktioner, utan att använda statistiska modeller för att förutsäga energibehov, identifiera avvikelser i elnätet och optimala sin egen energiförbrukning under drift.(https://www.deeplearningbook.org/)
Robotik, utrustad med maskininlärningsalgoritmer, fungerar som den fysiska förlängningen av AI-systemets analytiska förmåga. Inom förnybar energi används autonoma drönare och markgående robotar för att utföra inspektioner som tidigare krävde omfattande mänsklig arbetskraft och innebar säkerhetsrisker. Genom att använda datorseende (Computer Vision) kan roboten identifiera mikrosprickor i solpaneler eller korrosion på vindkraftsblad i realtid. Maskininlärningsmodeller, såsom konvolutionsnätverk (CNN), tränas på tusentals bilder för att klassificera skador med en precision som överstiger mänsklig förmåga, vilket gör ”just-in-time”-underhåll. (https://docs.ufpr.br/~danielsantos/ProbabilisticRobotics.pdf)
Vidare möjliggör integration av ”Digitala Tvillingar” (Digital Twins) att robotar kan simulera komplexa reparationer i en virtuell miljö innan de utförs fysiskt. Detta minskar risken för fel i kritiska energiprojekt, såsom underhåll av transformatorstationer eller undervattensinspektioner av kablar för havsbaserad vindkraft. (https://www.edig.nu/artiklar/vad-ar-en-digital-tvilling). Detta minskar mänsklig inblandning och optimerar energiflödet i systemet, vilket leder till högre tillförlitlighet och minskade driftkostnader. (https://se.linkedin.com/pulse/powering-future-how-ai-machine-learning-revolutionizing?tl=sv)
Utöver energifrågan finns utmaningar gällande tillförlitlighet och autonomi. Inom robotik krävs realtidsbeslut, vilket innebär att AI-modellen måste vara både snabb och exakt. Enligt Russell och Norvig (https://sv.wikipedia.org/wiki/Artificial_Intelligence:_A_Modern_Approach) kräver autonoma agenter och sofistikerad förmåga att hantera osäkerhet i den fysiska miljön, vilket är särskilt svårt i energiprojekt där miljöerna ofta är farliga eller svåråtkomliga. Dessutom innefattar integrationen av maskininlärning i fysiska systemrisker för ”drift”, där robotens beteendeförändringar över tid på ett sätt som kan vara svårt att förutse i infrastrukturer.
Slutligen finns utmaningar kopplade till säkerhet och ansvar. När AI-styrda robotar fattar beslut i energiprojekt – till exempel att stänga av en transformator eller justera en turbin – måste systemen vara transparenta och felsäkra. (https://standards.ieee.org/industry-connections/ec/autonomous-systems.html) Att säkerställa att dessa system följer strikta säkerhetsprotokoll, samtidigt som de är mycket flexibla för att hantera oförutsedda händelser, förblir en av de största barriärerna för storskalig implementering.
Claes-Erik Simonsbacka
Intressent inlägg! Menar du att Robotikens och AI:s roll kan mildra effekterna av de intermittenta energikällorna. Behöver vi mer av intermittent energiförsörjning? Serverhallar med AI kommer väl att ha sin egen energiförsörjning genom modul småskalig kärnkraft?!
Förutom teslas möjlighet till självkörning där det just nu finns flera filmer på nätet som rekommenderar att familjer skaffar en bil till sina gamla föräldrar så de fortfarande kan vara mobila så har både usa och kina hushållsrobotar som i alla fall är bättre än hemtjänsten och tex Moley har en köksrobot som med två armar kan laga mat efter 5000 recept, man köper ett helt kök. det är jöttemycket på gång och själv har jag börjat med en robotdammsugare och den är riktigt bra förutom att min fru går före och tar bort stolar och annat som kan hindra den. jag har dessutom en urolog i släkten som ”bränner” prostatan så att man slipper katetern ock kan pissa som en häst. allt räknas ut av en maskin och ingeppet tar bara 30 min. annars måste operation till med allt vad det innebär.
Vart tar personliga kontakter, resp. personligt omdöme och ansvar vägen? Ut med badvattnet. Naturligtvis en programmeringsfråga. Vem programmerar, på vems uppdrag och i vems intresse?
Att envisas med att göra robotar lika människor med armar, ben och upprät gång tar förstås mycket datakraft. Mer effektiv vore nog en låda på hjul med rörliga lemmar och gripverktyg för praktiska insatser. Men inte så trevlig, kanske
CES – avslutningen av din artikel låter nästan som hämtad ur en novell av Isaac Asimov. Verkligheten trumfar fiktionen, igen.
https://en.wikipedia.org/wiki/Reason_(short_story)
AI och robotar gör människans jobb bättre!
Vi får hoppas så i alla fall är utvecklingen i Ukraina välkommen!
Med starkt varierande elpriser så skulle i alla fall jag kunna tänka mig en AI styrning av vissa apparater, dock inte respiratorer 😉
Ord får inte förblinda, för vi måste se verkligheten bakom dessa. Vi får inte glömma att robotar är maskiner som behöver underhåll och mänsklig anpassning. I tillverkningsindustri kan robotteknik vara till stor hjälp, men utanför dessa måste vi människor behålla initiativet. Allt annat är ideellt och konsekvenslöst tänkande.
Where will the metals for the robot revolution come from?
Översatt utdrag:
Slutsats
Från elfordon till drönare till industrirobotar – och nu humanoida robotar – har robotrevolutionen anlänt.
Vi kan vara försiktiga med några av de vildare påståendena om 10 miljarder robotar om bara 15 år, men vi förväntar oss också att efterfrågan kommer att vara tillräckligt stor för att börja orsaka betydande störningar för metall- och gruvindustrin, särskilt i en tid då det redan finns så många andra risker och prioriteringar för metaller.
När företag gör sig redo att ta de första robotarna från produktionslinjen har kapplöpningen om metallerna som de bygger, bara börjat.
https://investornews.com/critical-minerals-rare-earths/where-will-the-metals-for-the-robot-revolution-come-from/
Mvh,
Hur AI-algoritmer skapas
Skapandet av AI-algoritmer är en process som kombinerar datavetenskap, matematik och statistisk modellering. För att förstå hur dessa algoritmer utvecklas kan vi dela upp processen i logiska steg:
1. Definition av problem och mål: Utvecklare börjar med att identifiera vilken uppgift systemet ska utföra, såsom mönsterigenkänning, språkförståelse eller beslutsfattande.
2. Datainsamling och förberedelse: Eftersom moderna AI-system, särskilt de som bygger på maskininlärning, kräver stora mängder data, samlas relevant information in. Denna data måste tvättas och struktureras för att algoritmen ska kunna lära sig effektivt.
3. Val av modellarkitektur: Utvecklare väljer en lämplig algoritmisk struktur. För komplexa uppgifter används ofta djupinlärning (deep learning), vilket bygger på artificiella neurala nätverk inspirerade av den mänskliga hjärnans struktur.
4. Träning: Algoritmen ”tränas” genom att bearbeta data. Under denna fas justerar systemet sina interna parametrar (vikter) för att minimera felmarginalen i sina förutsägelser.
5. Utvärdering och optimering: När modellen är tränad testas den mot ny data för att säkerställa att den kan generalisera sina kunskaper. Om prestandan inte är tillräcklig justeras modellen genom att ändra hyperparametrar eller tillföra mer data.
https://www.aiuc.se/ai-insikter/ai-och-maskininlarning
https://alicelabs.ai/vad-ar-ai
AI-agenter och agentisk AI är inte samma sak – här är skillnaden:
– AI-agenter är verktyg som har till uppgift att utföra en specifik funktion inom en organisations it-system, med förutsägbara resultat som mål. Agenter har ett snävt tillämpningsområde och har i allmänhet en begränsad förmåga att lära sig ny information.
– Agentisk AI, som fortfarande är i sin linda, är en paraplyteknik som kan använda agenter och andra AI-verktyg för att skapa helt autonoma system som kan sätta sina egna mål, lära sig över tid och resonera mellan olika uppgifter. Agentiska AI har förmågan att sätta upp eller omprioritera sina mål, och de kan resonera dynamiskt genom olika typer av domäner. De kan göra saker som självreflektion eller förbättringsloopar, och de börjar också fatta beslut om vilka uppgifter de ska utföra och hur de ska sekvensera dessa uppgifter.
https://computersweden.se/article/4006590/hur-ai-agenter-och-agentisk-ai-skiljer-sig-fran-varandra.html
Mvh,
Inga missiler, inga drönare: Vad händer när sällsynta jordartsmetaller slutar flöda från Kina?
I oktober 2025 hände något vilt på den globala scenen som tydligt demonstrerade en av västvärldens mest uppenbara svagheter … men de flesta missade det helt.
Detta hände när president Trump djärvt och offentligt hotade Kina med 100-procentiga tullar från och med den 1 november 2025. Som svar på detta hot ryckte inte Peking till. Istället svarade man tyst med ett hot om att stoppa all export av bearbetade sällsynta jordartsmetaller till USA.
Men vad som hände sedan ignorerades i stort sett av den etablerade västpressen: President Trump backade snabbt. Den 1 november 2025 kom och gick … och de där 100-procentiga tullarna blev aldrig verklighet.
Du är inte ensam om du missade den viktiga utvecklingen helt … för det finns ett avgörande faktum som väst media konsekvent misslyckas med att rapportera: Kina har en strategisk inflytandegrad över väst som går långt bortom handelsöverskott och halvledarchips. Kina har historiskt sett kontrollerat de bearbetade materialen som håller västmakterna stridsflygplan i luften … hjälpt till att hålla missiler riktade … hjälpt till att möjliggöra drönarflygningar … och håller den moderna västländernas industrin igång.
Och om Kina någonsin beslutar sig för att stänga av den försörjningen, kan konsekvenserna bli förödande.
Mvh,
Algoritmer och AI är ju inget nytt som man kan förledas tro. Det nya är bl.a. kraften i att samla in data och på ”egen hand” skapa och utveckla modellerna med blixtens hastighet.
Dessa algoritmer i mitt enkla program som jag berättat om sedan början på 2020, troligen skapade redan på 1980-talet och vidareutvecklade i början på 1990-talet visar hur naturliga klimatrörelser kan beräknas i vissa delar, överraskande exakt.
Det mesta av övriga nödvändiga beräkningsmodeller för kompletta både uppgångsfaser/korrektioner, liksom nedgångsfaser/impulser finns redan framme i mycket mera avancerade program och skulle redan imorgon kunna göra mycket avancerade prognoser över klimatet på kort och lång sikt om bara förståelsen, viljan och resurserna fanns tillgänglig.
Data från verkligheten under mycket längre perioder krävs dock om det skall fungera och det vill man inte använda numera på perioder innan 1979 utan anpassar data för att passa erbarmligt usla modeller. Inte tvärt om som erfodras enligt vetenskapliga metoder.
Men nästan ingen är ännu intresserad av detta vilket man kan se även bland ”experterna” och de lärde på denna sida. Men det kommer och det kommer att komma snabbt när isen är bruten, och då kommer inte uppvärmningen utan kylan att ge paniken bland politiker och vanligt folk. Klimatet ärt således ingalunda slumpartat och kaotiskt som ideligen upprepas även här på sidan utan grund eller förståelse.
Detta lilla exempel visade jag nyligen och det är, kan man säga, från algoritmernas barndom, även om algoritmer är långt mycket äldre än så i sina enklaste tillämpningar.
Ingen slump här som ni ev kan förstå, och inget jag kan fiffla eller luras med likt nuvarande s.k. klimatvetenskap.
https://drive.google.com/open?id=1rwc-R40xvwO88-IOzOs8XuUrKmE4GfvY&usp=drive_fs
Alvar N #10,
Vi har publicerat ett flertal inlägg om AI och klimatforskning här på KU. Här är en för några år sedan som jag tycker förklarar skillnaden mellan AI och mer traditionella superdatorer:
https://klimatupplysningen.se/kommer-ai-att-ta-over-klimatprognoserna/
AI Just Compressed 160 Years of Aging Research — Here’s What They Found | Dr. David Sinclair
(AI har precis komprimerat 160 år av åldrandeforskning – här är vad de fann | Dr. David Sinclair)
Idag på Impact Theory sätter Tom Bilyeu sig ner med den välkände Harvardbiologen Dr Sinclair för en häpnadsväckande utforskning av skärningspunkten mellan hälsa, livslängd och artificiell intelligens. I det här avsnittet diskuterar Dr Sinclair revolutionerande genombrott som hans laboratorium gör inom åldrandeomvandling och avslöjar hur AI förändrar hastigheten och omfattningen av upptäckter inom biologin. Tillsammans packar de upp den senaste vetenskapen bakom åldrande som ett informationsproblem, beskriver hur celler kan bära på en ungdomlig ”backup” som kan återaktiveras och delar med sig av häpnadsväckande framsteg – som att odla mini-mänskliga hjärnor och att vända åldrandet hos möss och apor. Om du vill ha en inblick i hälsans framtid och varför vi lever igenom det konstigaste – och mest spännande – ögonblicket i mänsklighetens historia, vill du inte missa det här avsnittet. Om Lifespan: Dr. David Sinclair grundade Lifespan för att leverera tydliga, vetenskapligt baserade hälsoinsikter som hjälper människor att leva längre och mer levande liv. Han bygger nu världens största Community som är dedikerad till att förlänga mänsklighetens livslängd långt bortom dagens gränser.
https://www.youtube.com/watch?v=tMYoiHSYgWw
Mvh,
# 11
Jodå, den läste jag. AI styrka är bl.a. att att man utgår från ett i princip slumpmässigt antagande som sedan verifieras eller ändras med blixtens hastighet i miljarder beräkningar. Det ger ibland en bättre grund än många algoritmer, men det hjälper inte om det är skit in så blir det skit ut. För att göra korrekta beräkningar och prognoser krävs det korrekta påståenden/data i indata. Säger ”vetenskapen” att gravitationen är riktad mot Rom så blir beräkningarna fel.
Jag frågade någon AI för en tid sedan varför uppgången i temperaturer i Centrala England under slutet av 1600 – början av 1700-talet, var snabbare och större än uppgången under motsvarande period fram till idag och fick svaret att det berodde ju på att lilla istiden var så kall.
Häpp!
Att diskussionen om AI:s miljöpåverkan oftast hamnar i skymundan kanske beror delvis på bristande transparens från de stora bolagen, som ofta håller information om energiförbrukning och koldioxidavtryck hemlig, med hänvisning till affärssekretess. Då utvecklingen går extremt snabbt och tekniken integreras i allt från industrirobotar till vardagliga appar, har det offentliga samtalet, enligt min egen uppfattning, främst fokuserat på arbetsmarknadseffekter, etik och integritet snarare än de ekologiska konsekvenserna. Tror att det bland annat finns en risk att företag undviker att redovisa sin miljöpåverkan för att inte göra sig sårbara för kritik, vilket försvårar en öppen debatt om huruvida den tekniska vinsten i effektivitet väger upp den ökade klimatbelastningen.
Vad anser Ni?
Mvh,
The Genesis Mission: How AI Supercomputing Is About to Reshape American Science and Energy
”Dr. Dario Gil, the Department of Energy’s (DOE’s) Under Secretary for Science, lays out a bold vision to double the productivity of U.S. research and development (R&D) within a decade—and explains why energy and artificial intelligence (AI) are two sides of the same coin.”
https://www.powermag.com/the-genesis-mission-how-ai-supercomputing-is-about-to-reshape-american-science-and-energy/?
Mvh,
CES #14
Nog är det förvillande så det räcker och blir över, ena dagen ska AI stabilisera dagens något skakiga elnät, nästa artikel beskriver hur alla dessa serverhallar ska drivas med gas, i ett läge där gasmarknaden globalt är minst sagt skakig, och förnybarts duger naturligtvis inte där. Och det handlar inte om lite gaskraft man planerar.
https://www.powermag.com/full-throttle-five-trends-reshaping-the-gas-power-boom/
Nå det går åtminstone bra för gasturbintillverkarna.
”i ett läge där gasmarknaden globalt är minst sagt skakig, och förnybarts duger naturligtvis inte där. Och det handlar inte om lite gaskraft man planerar.” / # 16, Håkan Bergman
California’s Battery Boom Is Rewriting Power Markets
By Leon Stille – Apr 06, 2026
Översatta utdrag:
Nätbaserade batterier går snabbt från att vara en nischroll till att ersätta gasanläggningar vid hög efterfrågan.
Det traditionella argumentet mot förnybar energi vilar på en enkel premiss: eftersom vind- och solenergi är variabla kräver de en stabil backup som kan slås på och av efter behag. Historiskt sett har den rollen fyllts av gas.
Kaliforniens levande experiment
Det tydligaste exemplet kommer från Kalifornien. Den 29 mars levererade batterier i CAISO-nätet cirka 12,3 GW el under kvällstoppen, vilket täckte ungefär 43 % av den totala efterfrågan. Det är inte ett nischbidrag. Det är påverkan på systemnivå. Batterier upprätthöll mer än 20 % av elnätets efterfrågan i flera timmar under kvällsramperna, vilket effektivt ersatte vad som traditionellt sett skulle ha varit en av de mest gasintensiva perioderna på dagen. Det är just under detta fönster där gasanläggningar historiskt sett har ansetts oumbärliga. Kaliforniens batterikapacitet har ökat från cirka 1,3 GW år 2020 till cirka 17 GW idag.
Men vad Kalifornien och andra nu visar är att flexibilitet inte behöver komma från förbränning. Den kan komma från lagring. Batterier reagerar snabbare än gaskraftverk. De kan öka energin direkt. De kan absorbera överskottsproduktion och släppa ut den exakt när det behövs. Och när de används i stor skala kan de omforma hela efterfrågekurvor.
Kalifornien är inte ett isolerat fall. South Australia har uppvisat liknande dynamik i åratal. Med höga andelar vind- och solenergi, som stöds av nätbaserade batterier som Hornsdale Power Reserve, har regionen upprepade gånger visat att lagring kan tillhandahålla frekvenskontroll, toppavjämning och tillförlitlighetstjänster som en gång dominerades av fossil energiproduktion. Texas följer nu en liknande utveckling. Batterikapaciteten i ERCOT-nätet har expanderat snabbt och spelar en allt viktigare roll för att hantera toppar i efterfrågan och balansera variationer från förnybara energikällor.
Allt detta pekar på en djupare förändring i hur kraftsystem utvecklas. Tanken att förnybar energi behöver fossil backup ersätts av en mer nyanserad verklighet: förnybar energi behöver flexibilitet, men den flexibiliteten behöver inte vara fossilbaserad. Den kan vara elektrisk. Den kan distribueras. Och i allt högre grad kan den driftsättas snabbare och i stor skala. Men det här betyder inte att gasen försvinner över en natt. Men det betyder att dess roll som standardbalansmekanism stadigt urholkas.
Skepticismen kring batterier är förståelig. Kraftsystem är komplexa och tillförlitlighet är viktig. Men bevisen blir allt tydligare. Batterier är inte längre en stödjande teknik. De håller på att bli en central pelare i moderna elnät. De ersätter produktionstoppar. De stabiliserar frekvensen. De möjliggör högre andelar förnybara energikällor. Och de gör det i en takt som traditionell infrastruktur inte kan matcha.
https://oilprice.com/Alternative-Energy/Renewable-Energy/Californias-Battery-Boom-Is-Rewriting-Power-Markets.html
Mvh,
CES #17
Nu vet inte jag hur det ser ut i Kalifornien och Australien men för länderna runt Nordsjön, UK, NL, DK, DE ovh PL, 134 GW vindkraft installerat, såg det ut så här.
Kvartal 1 2026
https://sprayhattas.crabdance.com/grafer/northsea-wind-kv1-2026cu.png
Andra halvåret 2025
https://sprayhattas.crabdance.com/grafer/vindiv%C3%A4st-juli-dec-2025cu.png
Jag har svårt att se att batterier kan klara dom variationer vinden har i Nordsjöområdet.
#18, Håkan Bergman
AI svarar:
I Kalifornien är de mest extrema vindhändelserna kopplade till ”katabatiska” vindar. När högtryck etableras över Great Basin-regionen i inlandet, tvingas luftmassor genom smala bergspass mot kusten. Denna process, som ofta beskrivs som en ”venturi-effekt”, accelererar vindarna dramatiskt. I dessa pass kan medelvindar ligga på 15–20m/s, medan de extrema stormbyarna regelbundet når 30–40m/s. I exceptionella fall, särskilt vid hög terräng eller i specifika kanjonformationer, har vindmätare registrerat byar som överstiger 50m/s, vilket motsvarar en kategori 1-orkan på Saffir-Simpson-skalan.
Under normala förhållanden varierar medelvindhastigheten i Nordsjön mellan 8 m/s och 12 m/s. Vid stormtillfällen ökar dessa värden dramatiskt. Enligt meteorologisk standard klassificeras vindstyrka 12 på Beaufortskalan som orkan, vilket motsvarar en medelvind på över 32,6 m/s. I Nordsjön är det dock byvinden, det vill säga de korta, intensiva vindstötarna, som utgör den största risken. Under extrema stormar har man i Nordsjön uppmätt byvindar som regelbundet når 40 –50 m/s, och i historiska extremfall har vindbyar registrerats på över 60 m/s.
Mvh
CES #19
AI har en förlegad syn på vindarna runt Nordsjön den är från den tid när kraftiga vindar var ett hot. Idag ska vi ju se vinden som en vän och räddare i vår energinöd, då blir det dom svaga vindarna som blir intressanta. Vindarna i det här området styrs av fronterna som kommer in från Atlanten, hastigheten på fronterna och tiden mellan dem blir det som styr elproduktionen därför kan vi se ”långa” perioder med låg produktion även i ett så utsträckt område som mina grafer visar. AI kan inte göra mycket åt det men kan väl åtminstone skaffa sig en modernare syn på vindproblemet.
#18, Håkan Bergman
Placeringen av batterilagringsanläggningar i Kalifornien, på land, har vad jag noterat blivit en fråga som involverar både tekniska krav och lokalt politiskt motstånd. Medan statliga mål driver på för en utbyggnad till 50 gigawatt till år 2045, möts många projekt av restriktioner på kommunal nivå av skepsis eller det har införts strikta krav för att begränsa var och hur dessa anläggningar får placeras. Detta motstånd grundar sig, enligt uppgift, ofta i oro för säkerhet, brandrisk och markanvändning i tätbefolkade områden.
Mvh,
Utöver de meteorologiska aspekterna påverkas havsbaserad vindkraftsutbyggnad i Kalifornien av djupa vattenförhållanden utanför kontinentalsockeln. Detta har lett till en fokusering på flytande vindkraftsteknik (floating offshore wind). Till skillnad från fasta fundament kräver flytande plattformar avancerad dynamisk modellering för att hantera interaktionen mellan vindlaster och våginducerade rörelser. Erfarenheter från kustnära mätstationer visar att även vid relativt låga medelvindar kan byighet (gustiness) skapa utmattningslaster på turbinbladen, vilket kräver sofistikerade kontrollsystem för att optimera bladens vinkel (pitch control) i realtid.
Mvh,