AI gör geotermiska energinät skalbara i städer

Den mest intressanta siffran i geotermi just nu är inte ett rekorddjupt borrhål eller en ny temperaturnivå. Det är 8,6 miljoner dollar – ett federalt stöd som gör att ett eldrivet, nätverksbaserat geotermiskt värme- och kylsystem i Framingham, Massachusetts, kan fördubblas i storlek. Projektet drivs av energibolaget Eversource tillsammans med staden och en ideell aktör.

Det som gör nyheten relevant i december 2025 är inte bara att ett enskilt projekt växer. Det är att det visar något större: geotermiska energinät (”geothermal networks”) håller på att bli en ny typ av samhällsinfrastruktur – ungefär som fjärrvärme, fast byggd för elektrifiering och värmepumpar. Och när infrastrukturen ska skalas från 140 anslutningar till 280, och sedan vidare, är det här jag tycker att många missar en sak:

Det är AI som avgör om geotermiska nät blir ett nischprojekt eller en massmarknad.

I vår serie AI inom energi och hållbarhet tittar vi ofta på elnät, batterier och sol. Men värme är den stora elefanten i rummet i kallare klimat. Här blir nätverksgeotermi extra spännande – och AI extra användbart.

Varför nätverksgeotermi fungerar – och varför det är svårt

Nätverksgeotermi är effektivt eftersom det flyttar värme, inte skapar den. Systemet använder många borrhål (boreholes) några hundra fot ner i marken där temperaturen är stabil (i Framingham cirka 55°F, alltså runt 13°C). Vatten cirkulerar i ett rörnät och byggnader använder eldrivna värmepumpar för att ”lyfta” temperaturen upp eller ner efter behov.

Det fina är att ett område nästan alltid har både värme- och kylbehov samtidigt. En butik som kyls kan i praktiken bli en värmekälla för bostäder bredvid. Ju fler byggnader som kopplas in, desto mer kan behoven balansera varandra, vilket ofta innebär att man behöver färre nya borrhål per ny kund när nätet växer.

Det svåra?

• Lasten är lokal och varierar kraftigt: olika byggnader, olika driftmönster, olika renoveringsstatus.
• Hydraulik och temperaturer måste hållas inom snäva intervall för att COP (värmepumparnas verkningsgrad) ska bli hög.
• Utbyggnad är kapitaltung (borrning, schakt, rördragning) och kräver planering flera år framåt.

Det är här AI skapar verklig hävstång – inte som ”smarthet” på powerpoint, utan som en metod för att minska risk, sänka kostnad och öka nyttjandegrad.

Vad Framingham-projektet signalerar för marknaden

Framingham är ett tidigt exempel på utility-ägd nätverksgeotermi i praktiken. Den första fasen blev klar 2024 och servar cirka 140 hushåll och verksamheter. Nu ska stödet möjliggöra ungefär 140 nya kunder samt forskning och uppföljning av prestanda.

Det intressanta är också kontexten: projektet går framåt trots att delar av USA:s energipolitiska stöd till andra förnybara tekniker har stramats åt. Geotermi behandlas mer ”bipartisan” än exempelvis vind och sol.

För svenska läsare är lärdomen inte amerikansk partipolitik, utan en praktisk sak:

När en teknik uppfattas som robust, lokal och försörjningstrygg blir den lättare att få igenom – även när stödsystem förändras.

Det är exakt så fjärrvärmen blev stor i Sverige: den löste flera problem samtidigt (energi, avfall, trygghet). Nätverksgeotermi kan göra något liknande i områden där fjärrvärme saknas eller där elnätskapaciteten är en flaskhals.

AI i geotermiska energinät: tre användningsområden som faktiskt betalar sig

AI ger mest effekt när den kopplas till drift och investeringar – inte när den bara “visualiserar data”. Här är tre områden där nyttan blir konkret.

1) Prognoser för värme- och kylbehov (och därmed bättre dimensionering)

Fel dimensionering är dyrt. Överdimensionerar du borrfält och pumpar betalar du för kapacitet som står oanvänd. Underdimensionerar du riskerar du högre topplaster, sämre komfort och lägre verkningsgrad.

Med AI-baserad prognostik kan man kombinera:

• historiska driftdata (temperaturer, flöden, COP, toppar)
• byggnadsdata (area, användning, energiklass/renoveringsgrad)
• väderprognoser och säsongsmönster
• evenemang och verksamhetsmönster (t.ex. skolor/helger)

Resultatet blir mer än en kurva. Det blir en investeringsmodell: var lönar det sig att ansluta nästa kvarter? Hur påverkas behovet om 30% av husen energieffektiviserar?

I praktiken kan detta minska risken i regulatoriska processer och finansiering, eftersom man kan visa en mer trovärdig last- och intäktsbild.

2) Optimering av drift: lägre pumparbete, högre COP

Pumpar och värmepumpar är där elen går åt. Driftoptimering handlar om att hålla rätt temperaturer och flöden med minsta möjliga energi.

AI (t.ex. maskininlärning i kombination med modellprediktiv styrning) kan:

• föreslå optimala setpoints för framledning/retur
• minimera cirkulationsförluster genom adaptiv flödesstyrning
• jämna ut toppar genom att utnyttja byggnaders termiska tröghet
• prioritera lokala ”värmebyten” mellan kunder innan nätet ”hämtar” från marken

En bra tumregel: varje procent lägre pumparbete och varje tiondel högre COP ger direkt effekt på kundernas kostnad och på nätets klimatpåverkan (särskilt när marginalelen vintertid är ansträngd).

3) Prediktivt underhåll och prestandamonitorering (det DOE finansierar)

Att stödet också omfattar uppföljning är viktigt. Nätverksgeotermi måste bevisa prestanda över tid, inte bara fungera första vintern.

AI-stöd för prediktivt underhåll kan upptäcka:

• gradvis igensättning eller luft i systemet (små förändringar i tryck/flow)
• avvikande delta-T som antyder fel i värmepump eller värmeväxlare
• ”driftlägen” som sliter hårt på utrustning (onödiga start/stopp)

Det här är en nyckel för skalning: när nätet går från pilot till hundratals eller tusentals anslutningar blir det omöjligt att drifta med manuell övervakning.

Smart grid + geotermi: så hänger det ihop med elektrifieringen

Geotermiska nät minskar effektbehovet jämfört med ren elvärme, men de ökar fortfarande elberoendet via värmepumparna. Därför är integrationen med smarta elnät avgörande.

AI kan koppla ihop tre lager:

1. Nätverksgeotermin (temperaturer, flöden, lagring i marken)
2. Byggnaderna (värmetröghet, inomhuskomfort, driftstider)
3. Elnätet (effekttariffer, lokal kapacitet, pris- och flexsignaler)

Konsekvensen blir att geotermin kan fungera som en styrbar last. Inte genom att stänga av värme, utan genom att styra när och hur värmepumpar jobbar.

För Sverige 2025 är det extra relevant eftersom:

• effektfrågan är skarp i växande regioner
• elnätsutbyggnad tar tid
• många fastighetsägare vill elektrifiera men fastnar i kapacitetsbrist

Ett välstyrt geotermiskt nät kan bli ett sätt att elektrifiera värme utan att spränga effekttopparna.

“People also ask”: vanliga frågor jag får om geotermiska nät

Är nätverksgeotermi samma sak som fjärrvärme?

Nej, men det fyller en liknande roll. Fjärrvärme distribuerar oftast högre temperatur från en central källa. Nätverksgeotermi distribuerar lågtempererad energi och använder värmepumpar i eller nära byggnaderna.

Varför blir effektiviteten bättre när nätet växer?

För att diversitet i lasten ökar. När fler byggnadstyper kopplas in (bostäder, kontor, handel) uppstår fler samtidiga möjligheter att flytta värme mellan kunder och minska behovet av att ”ladda ur” marken.

Var passar AI in utan att bli ett IT-projekt?

När AI får ett tydligt drift- eller investeringsmål. Exempel: sänka pumparbete, höja COP, minska antal akuta fel eller förbättra dimensionering i nästa utbyggnadsetapp.

Så kan svenska energibolag och kommuner använda lärdomarna

Det finns en praktisk väg från pilot till skala, och den börjar med data. Jag brukar rekommendera en stegvis modell:

1. Datagrund: mät rätt saker från start (temperaturer, flöden, el till pumpar/värmepumpar, kundsegment). Säkerställ gemensamma datamodeller.
2. Digital tvilling: bygg en förenklad termisk/hydraulisk modell som kan kalibreras med driftdata.
3. AI-lager: använd ML för prognoser och avvikelsedetektion; använd optimering för styrning.
4. Affärsmodell: knyt AI-måtten till ekonomi (kr/MWh värme, kr/kW topp, SLA för komfort).
5. Skalning: standardisera anslutningsprocess, driftcenter och rapportering så att varje ny etapp blir billigare.

Det är också här leadsvärdet ofta finns: många organisationer behöver hjälp att gå från ”vi har data” till styrning, beslut och uppföljning.

Vart är vi på väg 2026–2028?

Nätverksgeotermi är på väg att bli en egen utility-logik, inte bara ett teknikval. Om expansionen i Framingham blir billigare per ny kund (vilket planen antyder, bland annat genom återanvändning av pump- och kontrollinfrastruktur) kommer fler energibolag att vilja kopiera upplägget.

Min tydliga ståndpunkt: de aktörer som tidigt bygger AI-kompetens runt termiska nät kommer att vinna skalfördelarna. Inte för att AI är ”magisk”, utan för att termiska system är komplexa och lokala – och det är precis där datadriven optimering gör störst skillnad.

Om du jobbar med energi, fastigheter eller kommunal planering: när nästa område ska utvecklas, kommer frågan inte bara vara vilken teknik ni väljer för uppvärmning. Den kommer vara:

Vilket system kan ni drifta smart, bevisa prestanda för och skala snabbt – utan att elnätskapaciteten blir stoppkloss?

Vill du att vi tar fram en enkel nulägesanalys av hur AI kan användas i ert värme- och kylsystem (mätpunkter, datakvalitet, möjliga besparingar och en 90-dagars pilotplan)? Då är nästa steg att definiera ett enda mätbart mål och börja där.