AI i norsk kraftbransje 2026 nettselskaper og kraftprodusenter tar i bruk maskinlæring

AI i norsk kraftbransje 2026 — nettselskaper og kraftprodusenter tar i bruk maskinlæring

Norske nettselskaper og kraftprodusenter er i ferd med å ta AI i bruk til konkrete driftsoppgaver. Bruken er foreløpig konsentrert om lastprognoser, feilpredikering og nettoptimalisering — ikke generative verktøy, men smalere maskinlæringsmodeller trent på historiske driftsdata.

Hva kraftbransjen faktisk bruker AI til

Lastprognoser og forbruksmodellering er det området der norske energiselskaper har kommet lengst. Å forutsi strømforbruk time for time er kritisk for effisient drift og balansering mot spotmarkedet. Statnett og flere regionale nettselskaper har over tid bygd interne modeller for dette — men nyere tilnærminger kombinerer værvarsling, historisk forbruk og sensordata fra smartmålere til langt mer presise prognoser enn tradisjonell statistikk ga.

Prediktivt vedlikehold er i vekst. Transformatorer, kabler og koblingsanlegg er kostbare å skifte, og uplanlagte feil er dyre. Maskinlæringsmodeller som overvåker vibrasjoner, temperatur og strømsignaturer kan varsle om komponenter som er i ferd med å svikte, gjerne uker i forveien. Noen norske nettselskaper har dette i drift for høyspentanlegg; for distribusjonsnettet er det mer eksperimentelt.

Automatisk feildeteksjon og -lokalisering i distribusjonsnett handler om å korte ned tid fra utfall til reparasjon. Når en kabel ryker eller en sikring slår ut, kan AI-baserte systemer kryss-koble alarmsignaler fra SCADA-systemer og smartmålere for å peke ut den sannsynlige feillokasjonen raskere enn manuelle prosedyrer tillater.

Vind- og vannkraftprognoser er et område der nøyaktigheten har direkte innvirkning på inntekter. For vindkraft er produksjonen avhengig av værforhold som er notorisk vanskelig å forutsi lokalt. Maskinlæringsmodeller trent på lokale vindmålinger kombinert med NWP-varsler (numerisk værvarsling) har vist vesentlig lavere prognosefeil enn regelbaserte metoder i norske piloter.

Norges vassdrags- og energidirektorat (NVE) har i sin tilstandsrapport for kraftnettet fra 2025 pekt på at økt andel variabel fornybar kraftproduksjon gjør behovet for bedre prognoseverktøy mer presserende. Bransjen investerer i kompetanse, men tilgjengelighet av gode treningsdata er en begrensende faktor.

Hva som holder igjen

Datasilo er en reell barriere. Driftsdata fra eldre SCADA-systemer, smartmålere og feltinstrumenter er ofte lagret i formater som ikke enkelt lar seg kombinere. Mange nettselskaper har ikke noe samlet datalager — data ligger spredt på systemer fra ulike leverandører, noen av dem installert for 20–30 år siden.

Bransjen er regulert og risikoavers. Kraftforsyning er kritisk infrastruktur, og det er gode grunner til at endringer innføres gradvis. Et vedlikeholdssystem som predikerer feil må valideres nøye over tid før det erstatter eksisterende prosedyrer. Det tar tid.

Kompetanse er en flaskehals. Kombinasjonen av kraftsystemkunnskap og maskinlæring er sjelden. Mange energiselskaper er avhengige av externe leverandører eller samarbeider med SINTEF og NTNU-miljøer for å utvikle og vedlikeholde modeller.

Hvem gjør hva

Statnett har egne fagmiljøer for avansert analyse og er langt fremme på prognoseverktøy for transmisjonsnettet. Blant regionale nettselskaper er BKK og Elvia (tidligere Hafslund Nett) kjent for å ha aktive digitaliseringsinitiativ. For kraftproduksjon er Statkraft involvert i AI-prosjekter, blant annet knyttet til vannkraftoptimalisering og prognoser.

Leverandørsiden er dominert av internasjonale aktører som ABB, Siemens og Schneider Electric som integrerer AI i driftssystemene sine — men det finnes også norske og nordiske teknologileverandører rettet mot kraftbransjen.

Hva det betyr for norske bedrifter

For industri og næringsliv som er store strømforbrukere, betyr bedre AI-baserte prognoser og nettoptimalisering potensielt mer stabil forsyning og bedre forutsigbarhet i den fremtidige strømprisingen. Mer presis balanseringskraft betyr også at systemkostnadene på sikt kan holdes nede.

For leverandørbransjen og teknologimiljøer: kraftsektoren er et område med langsiktige anskaffelser og høye krav til dokumentasjon, men etterspørselen etter AI-kompetanse rettet mot driftsoptimalisering er reell og voksende.