Norska forskare knäcker koden för elpriser – enkla datavariabler räcker för träffsäkra prognoser
Norska forskare skapar träffsäkra elprognoser med enkla datavariabler.
Maskininlärning möter energikrisen
Den nordiska elmarknaden vi kände för fem år sedan finns inte längre. Norges historiskt stabila vattenkraftsystem har sedan energikrisen 2021-2022 blivit tätt sammankopplat med kontinentaleuropeiska marknader, vilket skapat en volatilitet som tidigare prognosmodeller inte klarar av att hantera.
Nu har norska forskare tagit sig an denna utmaning med en omfattande studie som utvärderar åtta olika AI-modeller för elprisprognoser, enligt en ny rapport från arXiv. Resultaten ger inte bara insikter om Norges framtid – de påverkar hela Nord Pool-området, inklusive Sverige.
LightGBM vinner – men historien är mer komplex
Forskarna testade allt från klassiska statistiska metoder till avancerade djupinlärningsarkitekturer på timdata från alla fem norska handelsområden mellan 2019 och 2025. LightGBM, en gradientverstärkande algoritm, kom ut som klar vinnare med genomsnittliga prognosfel mellan 1,64 och 5,74 euro per MWh.
Men det mest intressanta resultatet var kanske inte vilket verktyg som presterade bäst, utan vad som krävdes för att uppnå hög träffsäkerhet. I många fall räckte det med enbart historiska priser och kalendervariabler – ingen avancerad väderdata eller komplicerade externa faktorer behövdes för grundläggande prognoser.
Detta säger något viktigt om marknadsdynamiken: även i vår nya, mer komplexa energiverklighet finns det underliggande mönster som AI kan identifiera och utnyttja.
När enkla modeller når sina gränser
Men forskarna fann också tydliga begränsningar. Under perioder av marknadspress – när priserna sköt i höjden eller sjönk dramatiskt – blev externa faktorer som reservoarnivåer och gaspriser avgörande för att förstå varför prognoserna missade målet.
Detta understryker en fundamental utmaning inom AI-driven energianalys: medan maskininlärning är excellent på att identifiera mönster under normala förhållanden, kräver extremsituationer fortfarande djup förståelse för de underliggande fysiska och ekonomiska mekanismerna.
Forskarna betonar därför vikten av tolkningsbara modeller – AI-system som inte bara kan förutsäga priser, utan också förklara varför prognoserna blir fel när marknaden beter sig oväntat.
Påverkan på svensk elmarknad
För Sverige är dessa resultat särskilt relevanta. Som en integrerad del av Nord Pool påverkas svenska elpriser direkt av utvecklingen i Norge. När norska forskare nu bättre förstår hur den nya marknadsstrukturen fungerar, skapas också bättre förutsättningar för prognoser i hela regionen.
Den ökade kopplingen till kontinentaleuropeiska marknader som studien identifierar påverkar redan svenska elkonsumenter och energiintensiv industri. Bättre prognosverktyg kan hjälpa svenska företag att planera sin energianvändning mer strategiskt och minska riskerna i en mer volatil marknad.
Framtidens energianalys
Studien pekar mot en framtid där AI-driven energianalys kombinerar det bästa från två världar: effektiviteten hos maskininlärning för daglig prognostisering och den djupa domänkunskapen som krävs för att navigera marknadskriser.
Detta är inte bara teknisk utveckling – det är grundläggande infrastruktur för energiomställningen. När vi bygger ut vindkraft, solenergi och batterilager i Norden behöver vi verktyg som kan hantera den ökade komplexiteten i våra elsystem.
Vår analys
Denna forskning representerar en mognadsprocess inom AI-driven energianalys. Istället för att jaga de senaste djupinlärningsmodellerna fokuserar forskarna på praktisk tillämplighet och tolkningsbarhet – något som är avgörande när det gäller kritisk infrastruktur.
Det mest intressanta är insikten om att enkla modeller ofta räcker för daglig drift, men att verklig förståelse krävs under kriser. Detta pekar mot en framtida arkitektur där AI-system kombineras med expertkunskap på ett mer sofistikerat sätt.
För Sverige innebär detta både möjligheter och utmaningar. Vi kan dra nytta av bättre prognosverktyg för att optimera vår energianvändning, men vi måste också bygga upp egen kompetens för att inte bli beroende av externa modeller när vår egen energisäkerhet står på spel. Utvecklingen visar att framtidens energisystem kommer att vara mer förutsägbart på daglig basis, men kräva djupare förståelse för att hantera de stora förändringarna.