AI optimerar agrivoltaik: solceller och betande får

För några år sedan var “solpark på åkermark” nästan alltid en konflikt. Nu ser vi fler exempel där samma mark gör dubbel nytta – och där data och AI gör samarbetet mellan energi och lantbruk praktiskt, lönsamt och mätbart.

I North Carolina öppnade ett delstatligt universitet nyligen en träningsanläggning för agrivoltaik där solpaneler och fårbete kombineras. Det låter enkelt. Men det som gör satsningen intressant för oss i serien ”AI inom energi och hållbarhet” är vad som händer när man börjar behandla marken som ett optimeringsproblem: energiutbyte, biologisk mångfald, jordhälsa, driftkostnad och lokalt stöd – samtidigt.

En siffra sätter scenen: i USA används i dag omkring 113 000 får för att hålla nere vegetationen under cirka 129 000 acres solpaneler (2024). Det är inte en kuriositet längre. Det är ett driftupplägg som sprider sig – och som skriker efter bättre planering, styrning och uppföljning.

Agrivoltaik i praktiken: dubbel markanvändning som faktiskt funkar

Agrivoltaik handlar om att producera el och livsmedel/foder på samma yta. I det här fallet: solparker som sköts med fårbete istället för (eller som komplement till) maskinell klippning.

Poängen är inte romantik. Poängen är drift:

• Vegetationskontroll är en löpande OPEX-post i solparker.
• Maskinklippning kräver personal, schemaläggning, bränsle och ofta återkommande insatser.
• Får kan minska klippbehovet – i många fall halvera klippfrekvensen enligt erfarenheter från branschen.

Det universitetet gör rätt är att de bygger kompetens på båda sidor. Soltekniker lär sig djurflöden, vatten, stängsel och säker hantering. Djurbönder lär sig hur paneler, kablage, växelriktare och servicezoner påverkar betet.

Ett av de vanligaste misstagen i agrivoltaik är att tro att “bete” bara är en naturvänlig version av gräsklippning. Bete är ett system – och system behöver styrning.

Varför just får under solpaneler?

Får är ofta ett bra val eftersom de är relativt lätta, betar lågt och vanligtvis inte skadar konstruktionen på samma sätt som större djur kan göra. En tumregel som ofta nämns i branschen är att en acre solmark kan bära ungefär 1–5 får, beroende på växtlighet, säsong och hur marken är designad.

Men “tumregel” räcker inte när du ska skala.

Där AI blir avgörande: från tumregel till datadriven drift

AI tillför värde i agrivoltaik genom att minska osäkerhet. Inte genom magi, utan genom att kombinera sensordata, väderprognoser och driftkrav till beslut som går att följa upp.

Här är de tre områden där jag tycker AI gör störst skillnad – redan nu.

1) AI för betesplanering: rätt djur på rätt plats vid rätt tid

I en solpark finns begränsningar som inte finns på en vanlig betesmark: servicevägar, kabeldragningar, riskzoner och tidsfönster för underhåll.

Med AI-stödd planering kan du:

• Prognostisera biomassatilväxt (hur snabbt vegetationen växer) baserat på väder, jordfukt och historik.
• Optimera rotationsbete: vilka fållor som ska betas, hur länge och i vilken ordning.
• Undvika överbetning som annars kan ge erosion, sämre jordhälsa och ökade underhållsrisker.

Praktiskt innebär det ofta en kombination av:

• satellit/NDVI-data (vegetationsindex)
• markfuktssensorer
• väderprognoser
• enkla GPS-halsband eller geofencing (där det passar)

AI-modellen behöver inte vara avancerad för att ge effekt. En bra prognos som minskar felplanering med 10–20% kan redan betala sig i färre utryckningar och jämnare drift.

2) AI för energiutbyte: panelernas vinkel vs. markens mikroklimat

Den amerikanska träningsanläggningen använder en monteringslösning som kan anpassas till kuperad terräng och dessutom följa solen (spårning). Den typen av design är intressant för Sverige också – inte för att vi har samma topografi överallt, utan för att minimalt markarbete ofta är en hållbarhetsvinst.

AI kan här användas för att balansera:

• maximerad elproduktion (spårning, lutning, skuggor)
• markens förutsättningar (vattenavrinning, kompaktering, jordhälsa)
• betesdrift (tillgänglighet och vegetationens återväxt)

Det finns en konkret konflikt att hantera: spårande system kan skapa varierande skuggmönster under dagen. Skugga kan vara positivt (mindre stress för djur, mindre uttorkning) men kan också påverka växtlighet ojämnt. AI kan hjälpa dig att modellera detta och välja en driftstrategi som ger både bra kWh och stabil betesproduktion.

3) AI för risk och underhåll: när ska teknikern ringa herden?

I originalexemplet var en central poäng utbildningen: “Vad får man röra? När ringer man solbolaget?” och tvärtom: “Hur flyttar man djuren när något ska repareras?”

Det är här AI-baserad driftövervakning passar perfekt:

• Kamera-/drönarinspektion som flaggar avvikande vegetation, trasiga stängsel eller skadade komponenter.
• Anomali-detektion i produktionsdata som tidigt avslöjar fel.
• Prediktivt underhåll som planerar service när det stör betet minst.

Resultatet blir mindre ad hoc och mer planerad samverkan. Och det är ofta där ekonomin sitter.

Ekonomi och acceptans: agrivoltaik är också en social teknik

Ett skäl till att utbildningsmiljöer behövs är att lokalsamhällen ofta har en “informationsskuld” när solparker kommer snabbt. I North Carolina lyfter man ett faktum som är relevant även i svensk debatt: sol kan byggas i stor skala utan att ta över jordbruksmark – om den utformas smart.

Det går att översätta till en svensk kontext:

• Markägare vill ha stabila intäkter och låg risk.
• Kommuner vill undvika konflikter och få lokala nyttor.
• Projektutvecklare vill ha tillstånd och förutsägbar drift.
• Lantbrukare vill ha fungerande logistik och rimlig ersättning.

Agrivoltaik kan leverera på allt detta, men bara om man undviker två vanliga fallgropar:

1. Man underskattar driftfrågor (vatten, stängsel, portar, servicezoner, ansvar vid incidenter).
2. Man saknar mätbarhet (ingen vet om betet faktiskt sänker kostnader eller förbättrar marken).

AI är ett svar på båda: tydliga planer och tydliga mätetal.

Nya jobb och en ny väg in i lantbruket

En av de mer intressanta effekterna i USA-exemplet är arbetsmarknadsperspektivet: solparker kan ge nya möjligheter för yngre fårbönder som inte har råd att köpa egen mark.

Det är en tanke som även borde diskuteras mer i Sverige. Om energiinfrastruktur kan bli en plattform för:

• entreprenörskap i betesdrift
• lokala serviceföretag
• utbildningsspår mellan lantbruk, energi och data

…då pratar vi inte bara om kWh, utan om regional utveckling.

Så kommer ni igång: en praktisk checklista för agrivoltaik med AI

Om du jobbar med solparksutveckling, energibolag, kommun eller lantbruk och vill testa solbete (eller annan agrivoltaik), här är en start som faktiskt går att genomföra.

Steg 1: Sätt gemensamma mål (innan ni pratar teknik)

Bestäm 3–5 mätbara mål, till exempel:

• minskad klippning (antal klipptillfällen/år)
• stabil vegetation (max höjdintervall)
• förbättrad jordhälsa (t.ex. infiltration eller organisk substans över tid)
• minskade driftstopp (timmar/år)
• social acceptans (färre klagomål, fler lokala samarbeten)

Steg 2: Designa solparken för drift – inte bara för byggnation

Agrivoltaik fungerar bäst när det är inbyggt i designen:

• tillräcklig markfrigång och servicekorridorer
• smarta placeringar för vatten och skugga
• robust stängsel- och portlogistik
• tydliga “no-go-zoner” kring känslig utrustning

Steg 3: Samla data som är billig att samla och lätt att använda

Börja enkelt. Målet är beslut, inte perfekta datasjöar.

• väderdata + produktion (finns nästan alltid)
• periodiska foton/drönarflöde
• vegetationsbedömning per fålla (manual + standardiserad mall)
• incidentslogg (får, stängsel, utrustning)

Steg 4: Bygg en AI-stödd rutin för planering och uppföljning

En fungerande miniminivå:

• månadsvis betesplan uppdaterad med prognos
• veckovis avstämning mellan driftansvarig och djuransvarig
• dashboard med 5–10 nyckeltal
• tydlig eskaleringskedja: vem ringer vem vid vad

Vad händer 2026? Från “pilot” till krav i upphandlingar

Jag tror att nästa steg i agrivoltaik är att det slutar vara ett sidoprojekt. När solparker byggs i allt fler regioner kommer lokalsamhällen att kräva att projekten ger fler nyttor per hektar.

Då blir AI inte ett “nice to have” utan ett sätt att bevisa att modellen håller: att betet sköter vegetationen, att marken inte försämras, att driftkostnaderna går ner och att elproduktionen är stabil.

Om du vill ha fler exempel på hur AI används för förutsägelse, optimering och miljöövervakning i energisystem är det här ett perfekt case: samma logik som används i smarta elnät kan användas i en solpark med får. Skillnaden är att du också måste få med biologin och vardagslogistiken.

Frågan som avgör vilka som lyckas är enkel: Vem äger helheten – och vem mäter den?