AI gör gamla oljebrunnar till smart energilagring

En siffra fastnar: i USA uppskattas det finnas cirka 3,9 miljoner uttjänta olje- och gasbrunnar. Det är en enorm mängd infrastruktur som i bästa fall ligger oanvänd – och i sämsta fall läcker metan och skapar miljöproblem. Samtidigt är det vinter 2025, elpriserna varierar kraftigt timme för timme och behovet av energilagring har blivit lika strategiskt som själva elproduktionen.

Här finns en bättre väg än att alltid bygga nytt. Forskning från Penn State visar att uttjänta brunnar kan återanvändas för tryckluftslagring (CAES) och att geotermisk värme i berget kan höja verkningsgraden med 9,5 % jämfört med befintlig teknik. Jag tycker det är extra intressant ur ett svenskt perspektiv: vi har höga ambitioner för mer förnybart, men vi brottas fortfarande med effektbrist i vissa områden och en elmarknad där flexibilitet är hårdvaluta.

Och här kommer kampanjens kärna in: AI. För i praktiken är energilagring inte bara en ingenjörsfråga – det är en styrningsfråga. Den som kan förutsäga efterfrågan, optimera laddning/urladdning och integrera lager med vind och sol får betalt, både i stabilitet och intäkter.

Varför energilagring är flaskhalsen när mer förnybart byggs

Energilagring är det som gör intermittent produktion planerbar. Vind och sol är billiga att bygga ut, men de producerar inte när vi vill – de producerar när vädret vill. Resultatet blir timmar med överskott och timmar med underskott. Det här är inte ett teoretiskt problem; det är vardag i elmarknader med hög andel förnybart.

Det som ofta missas i debatten är att lagring inte bara handlar om “att ha energi i reserv”. Det handlar om att:

• kapacitetsplanera: kunna leverera effekt när nätet är ansträngt
• prisarbitrage: lagra när elen är billig och leverera när den är dyr
• balansering: dämpa snabba svängningar och minska behovet av dyr reglerkraft

För Sverige tillkommer dessutom en geografisk dimension: produktion och konsumtion matchar inte alltid. Därför blir flexibilitet, lagring och smart styrning centralt i serien “AI inom energi och hållbarhet”.

Så fungerar CAES – och varför geotermi i brunnar gör skillnad

CAES (Compressed-Air Energy Storage) lagrar energi genom att komprimera luft och lagra den under jord. När elbehovet är högt släpps luften tillbaka, driver en turbin och producerar el.

Grundidén i CAES, i praktiken

• Vid låg efterfrågan (eller höga vind-/soltoppar) används el för att komprimera luft.
• Den komprimerade luften lagras i ett underjordiskt utrymme.
• Vid hög efterfrågan expanderar luften, driver turbin och ger tillbaka el.

Utmaningen är att kompression och expansion påverkar temperaturer. Värmeförluster och temperaturhantering är en stor del av varför CAES-projekt kan ha svårt att nå bra ekonomi.

Varför uttjänta olje- och gasbrunnar är en smart genväg

Penn State-teamet pekar på en kombination som är svår att ignorera:

1. Brunnarna finns redan → lägre investeringskostnad än att borra nytt.
2. De når ofta djup där berget är varmt → geotermisk värme kan användas i lagringscykeln.
3. Högre temperatur kan innebära högre tryck och bättre energiinnehåll i den lagrade luften.

Forskarna modellerade en geotermi-assisterad CAES-lösning i uttjänta brunnar och fann att verkningsgraden kunde öka med 9,5 %. Det är en stor siffra i en bransch där några procentenheter ofta avgör om ett projekt blir av.

En bra tumregel i energilagring: små förbättringar i verkningsgrad ger stora utslag i lönsamhet när du cyklar systemet varje dag.

Där AI faktiskt gör jobbet: från “lager” till styrbar resurs

AI gör CAES (och annan lagring) mer värdefull genom bättre beslut, oftare. Tekniken kan fungera utan AI, men den blir mycket mer konkurrenskraftig när den drivs som en datastyrd tillgång i ett smart elnät.

1) Prognoser: rätt beslut börjar med rätt bild av nästa 48 timmar

Den största praktiska vinsten kommer från prognoser. En CAES-anläggning tjänar pengar (och stöder nätet) genom att ladda och urladda vid rätt tidpunkter.

AI-modeller kan kombinera:

• väderprognoser (vind, molnighet, temperatur)
• historiska prisdata (timpriser)
• industrilaster och konsumtionsmönster
• nätbegränsningar (flaskhalsar, planerade avbrott)

Det här skapar en mer träffsäker bild av när el blir knapp, när den blir billig och när effekttoppar uppstår.

2) Optimering av lagringscykler: maximera värde, minimera slitage

AI-baserad optimering kan planera drift som en portfölj:

• Hur mycket ska kompressorn gå kommande natt?
• Ska man reservera kapacitet för morgonens effekttopp?
• När är det bättre att sälja stödtjänster än att göra prisarbitrage?

I praktiken handlar det om att lösa en återkommande planeringsuppgift där målet kan vara att:

• maximera intäkt per cykel
• hålla temperatur/tryck inom säkra gränser
• minska onödiga start/stop (som driver underhåll)

3) “Digital tvilling” av brunnen: drift nära gränser utan att chansa

Uttjänta brunnar varierar i kvalitet, geologi och skick. Därför är övervakning avgörande.

Med sensorer (tryck, temperatur, flöde, vibration) och AI kan man bygga en digital tvilling som:

• upptäcker avvikelser tidigt (läckage, oväntad värmeförlust)
• förutser behov av underhåll
• justerar driftsstrategi när brunnen beter sig annorlunda än simuleringen

Det här är en konkret brygga mellan energi och hållbarhet: bra övervakning minskar risk och kan samtidigt bidra till att täta och kontrollera brunnar som annars kan läcka metan.

Hållbarhetsvinsten som ofta glöms: täta brunnar och behålla jobb

Återbruk av brunnar ger dubbel effekt: energilagring + riskminskning. I forskningsartikeln lyfts problemet med “orphaned and abandoned wells” i Pennsylvania, där felaktigt pluggade brunnar kan läcka metan till atmosfär och påverka grundvatten.

Översatt till ett bredare energisystem-resonemang: när gammal fossil infrastruktur får en ny roll i omställningen kan man:

• minska miljörisker från övergiven infrastruktur
• använda lokala kompetenser (borrning, brunnsteknik, drift)
• skapa en mer rättvis omställning i regioner som historiskt burit energiproduktion

Jag gillar den här vinkeln, för den är praktisk. Omställning handlar inte bara om teknikval, utan om att göra det möjligt att ställa om utan att riva sönder lokala arbetsmarknader.

Från forskningsresultat till svensk verklighet: vad behöver utredas?

Sverige har få olje- och gasbrunnar jämfört med USA, men principen är större än just brunnar. Den handlar om att återanvända befintlig underjordisk infrastruktur och att kombinera lagring med värmeflöden i marken.

Relevanta svenska frågor att svara på

1. Vilka underjordiska volymer finns? (bergrum, gruvor, kavernor, tunnlar)
2. Vilken geotermisk gradient har vi där volymerna finns?
3. Vilka nätproblem ska lagringen lösa? (effekt, balans, lokal trängsel)
4. Vilka intäktsströmmar finns? (timpriser, kapacitet, stödtjänster)
5. Vilken datainfrastruktur krävs för AI-styrning? (mätning, SCADA, cybersäkerhet)

Ett konkret pilotupplägg (som ofta fungerar)

Om jag skulle skissa på en realistisk väg från idé till affär i Norden skulle den se ut så här:

1. Förstudie (8–12 veckor): geologi, värme, nätbehov, affärsfall
2. Data & modell (parallellt): prognosmodell + optimering (MVP)
3. Pilot (6–12 månader): liten skala, mätning av verkningsgrad och driftstabilitet
4. Skalning: integrera med flexibilitetsmarknader och smarta nät

Det som avgör är nästan alltid punkt 2: utan bra styrning blir lagring en dyr tank. Med AI blir den en resurs.

Vanliga följdfrågor jag får om CAES och AI

Är CAES bättre än batterier?

CAES och batterier löser olika problem. Batterier är starka på snabb respons och korta tidsfönster. CAES kan vara intressant när man vill ha större energimängder och längre driftcykler, särskilt om man kan använda befintlig underjordisk infrastruktur och få upp verkningsgrad.

Är det här säkert – att pumpa luft i gamla brunnar?

Säkerhet handlar om skick, tätning och övervakning. Det är därför AI-baserad tillståndsövervakning, sensorik och tydliga driftgränser är centralt. Återbruk får aldrig betyda “vi chansar”.

Var tjänar man pengar i praktiken?

På optimerad drift. Intäkter kan komma från timprisarbitrage, stödtjänster (frekvenshållning), kapacitetsnytta och ibland lokala nätavlastningsavtal. AI förbättrar alla dessa genom bättre tajming och mindre spill.

Nästa steg: gör lagring till en datadriven affär, inte ett experiment

Geotermi-assisterad tryckluftslagring i uttjänta brunnar visar något som energibranschen behöver ta till sig: omställning handlar lika mycket om smart återbruk som om nybyggnation. När forskningen pekar på 9,5 % högre verkningsgrad och samtidigt lägre startkostnader genom att använda befintliga brunnar, då är det inte en kuriositet – det är ett affärsspår.

För dig som jobbar med energi, industri, nät eller hållbarhet är den viktigaste insikten ändå denna: AI är kontrollsystemet som gör energilagring lönsam och pålitlig i vardagen. Prognoser, optimering och övervakning är skillnaden mellan en anläggning som “kan lagra” och en som faktiskt stärker nätet och tjänar pengar.

Vill du utvärdera om en lagringslösning (CAES eller annan) passar i din portfölj? Börja med frågan som ofta avgör allt: vilka beslut vill du kunna ta bättre varje timme – och vilken data krävs för att AI ska kunna ta dem?