AI och geotermiska nät: så skalar fjärrvärme utan gas

Den som tror att elektrifiering av uppvärmning bara handlar om att sälja fler värmepumpar missar halva bilden. Den andra halvan ligger under marken – i geotermiska nät som kopplar ihop många byggnader och jämnar ut både effektbehov och kostnader.

Ett tydligt exempel kommer från Framingham, Massachusetts, där energibolaget Eversource byggt USA:s första utility-ägda “networked geothermal”-system för värme och kyla. Nu har projektet fått 8,6 miljoner dollar i federalt stöd för att fördubbla kapaciteten – från cirka 140 anslutna kunder till ytterligare ungefär 140. Det intressanta för oss i serien ”AI inom energi och hållbarhet” är inte bara tekniken i sig, utan hur den kan skalas: med bättre modellering, datadrift och AI som optimerar dimensionering, drift och affär.

Vad ett geotermiskt nät faktiskt löser – och varför det skalar bättre än “en värmepump per hus”

Ett geotermiskt nät (ibland kallat termiskt energinät) är i praktiken ett lågtempererat rörnät i marken som flyttar värme mellan byggnader och berg/mark via borrhål. Temperaturen ett par hundra meter ner i marken är relativt stabil – runt 13 °C (55 °F) i Framingham-exemplet – och det gör marken till en pålitlig “värmebuffert”.

Effektfrågan är flaskhalsen – inte energin

I Sverige är vi vana vid fjärrvärme, men i många marknader har gas varit standard för topplast och vintereffekt. När man elektrifierar allt med individuella värmepumpar uppstår ofta ett nytt problem: effekttoppar. Det är inte årsförbrukningen som knäcker systemet, utan timmarna när alla samtidigt vill ha mycket värme.

Ett geotermiskt nät angriper detta genom att:

• sänka toppeffektbehovet per byggnad (bättre temperaturer på köldbärarsidan ger effektivare värmepumpsdrift)
• dela resurser mellan många kunder (borrhål, pumpar, styrning)
• balansera värme och kyla (en byggnads kylbehov kan bli en annans värme)

Det sista är nyckeln till skalbarhet: ju fler olika typer av byggnader (kontor, bostäder, handel), desto bättre “tar de ut varandra”.

Så fungerar det i Framingham (kort men konkret)

Eversources nät bygger på:

1. Borrhål (dozens) några hundra fot ner i marken
2. Rörnät som cirkulerar vatten mellan borrhål och byggnader
3. Värmepumpar i byggnaderna som höjer eller sänker temperaturen till rätt nivå
4. Pumpar och styrsystem som håller flöden och temperaturer inom rätt intervall

Det federala stödet ska både finansiera expansionen och uppföljning av prestanda – vilket är exakt den typ av datagrund som krävs för AI-baserad optimering.

Därför blir andra etappen billigare: återanvänd infrastruktur + smartare dimensionering

Ett av de mest lärorika inslagen i Framingham är att expansionen väntas ske till ungefär halva kostnaden jämfört med första utbyggnaden (enligt projektbeskrivningen). Det låter nästan för bra – men det finns två raka förklaringar.

1) Pumpstation, styrning och “hjärnan” finns redan

Första etappen måste ta hela startkostnaden: pumphus, kontrollsystem, ofta en del överdimensionering och mer osäkerhet. När nätet väl finns kan man ansluta fler kunder utan att dubbla allt.

Det är samma logik som i elnät: en ny transformatorstation är dyr – men fler abonnenter på samma station kan vara relativt billigt.

2) Nätet blir effektivare när det växer

När fler byggnader kopplas in förbättras lastmatchning mellan värme och kyla. Resultatet kan bli att varje ny anslutning kräver färre nya borrhål än man trodde från början.

Det här är exakt den typ av systemeffekt som många organisationer underskattar. De räknar “per kund” linjärt. Men termiska nät beter sig ofta icke-linjärt: vid rätt mix av laster kan marginalkostnaden sjunka.

AI som accelererar geotermi: från projektering till drift (det som ofta saknas)

Tekniken under marken är stabil och välkänd. Det nya – och det som gör att utility-ledda geotermiska nät kan bli en egen “ny nyttighet” – är hur man planerar och driver dem datadrivet.

AI i projekteringen: bättre borrhål, färre felmarginaler

För ett geotermiskt nät är dimensionering allt. För få borrhål ger risk för temperaturdrift över säsongerna. För många ger onödiga investeringar.

AI och avancerad modellering kan bidra med:

• Lastprognoser per byggnad baserat på historik, väder, driftmönster och verksamhetstyp
• Klustering av kunder (vilka kombinationer ger bäst värme/kyla-balans?)
• Simulering av scenarier: olika expansionsordningar, olika borrdjup, olika rördimensioner
• Optimering av CAPEX vs OPEX: “hur mycket extra borrhål är värt att köpa sig lägre driftkostnad?”

I praktiken kan man se det som en digital tvilling: ett beräkningsbart “Framingham i miniatyr” där man testar strategier innan man gräver upp en gata.

AI i driften: temperatur, flöden och COP i realtid

När nätet är i drift handlar vinsten om stabilitet och verkningsgrad. Här finns tydliga AI-use cases:

• Prediktiv styrning: justera flöden och temperaturer utifrån väderprognos och förväntad belastning
• Felanomali-detektion: hitta läckage, pumpeffekter som drar för mycket, eller värmepumpar som tappat prestanda
• Optimerad setpoint-styrning: hålla så låg temperatur som möjligt i nätet utan att kundkomfort påverkas (lägre temperatur ger ofta bättre systemeffektivitet)

En mening att ta med sig: AI handlar inte om att göra geotermi “smart” – utan om att göra den “förutsägbar”. Förutsägbarhet är vad som gör att regulatorer, kommuner och investerare vågar skala.

AI för uppföljning: mätbarhet som minskar risk

I Framingham ska stödet även användas till att följa systemets prestanda. Det är helt rätt prioritering.

När man kan visa, med data, hur:

• energianvändning förändras per byggnad
• effekttoppar kapas
• driftkostnader stabiliseras
• kundkomfort hålls inom tydliga intervall

…då blir nästa projekt enklare att finansiera, enklare att tillståndspröva och snabbare att sälja in.

Varför utility-ledda termiska nät är intressanta – även i en svensk kontext

Sverige har ett av världens starkaste fjärrvärmesystem, men vi har också en växande diskussion om:

• hur elnäten ska klara ökad elektrifiering
• hur vi minskar fossil spetslast
• hur vi får mer resurseffektiv kyla i städer

Geotermiska nät kan komplettera fjärrvärme, inte ersätta allt

Jag tycker att debatten ibland blir onödigt binär: antingen fjärrvärme eller värmepumpar. Termiska nät kan snarare vara en tredje väg i områden där:

• fjärrvärme är dyr att bygga ut
• många byggnader har både värme- och kylbehov
• man vill kapa effekttoppar i elnätet

Särskilt intressant är kombinationen av värmepumpar + lågtempererade nät + smart styrning. Det kan bli en robust lösning i nya stadsdelar, campusområden och blandade kvarter.

“Bipartisan” teknik är en strategisk fördel

En detalj från Framingham är politiskt talande: trots att annan ren energi bromsas i USA har geotermi fått fortsatt stöd och ses som mer politiskt gångbar. Det säger något om hur tekniken uppfattas: lokal, diskret, driftsäker och inte väderberoende.

För svenska beslutsfattare och energibolag är lärdomen enkel: lösningar som stärker försörjningstrygghet och stabila kostnader får lättare acceptans. AI hjälper här genom att göra nyttan tydligare och riskerna mindre.

Praktiska nästa steg: så kan energibolag använda AI för att skala geotermi

Om du jobbar på energibolag, kommun eller fastighetsbolag och funderar på termiska nät är det här ett rimligt upplägg för att komma igång utan att fastna i powerpoint.

1) Bygg en “minsta dataplattform” innan första spadtaget

Du behöver inte perfekt IoT från dag ett, men du behöver struktur:

• gemensam datamodell för mätvärden (flöde, temperaturer, el till pumpar/VP)
• tydlig koppling mellan mätdata och byggnads-ID/abonnemang
• rutiner för datakvalitet (luckor, fel, kalibrering)

2) Börja med två AI-modeller: lastprognos och avvikelsedetektion

De ger snabb nytta och är relativt robusta:

• Lastprognos (dygn/vecka framåt) för planering och styrning
• Avvikelsedetektion för tidig varning om driftproblem

3) Optimera expansionen, inte bara driften

Det många missar är att AI-värdet ofta är större i nästa etapp än i första.

• Vilka kunder ska anslutas i vilken ordning?
• När är det värt att borra fler hål vs styra hårdare?
• Hur påverkas systemet av nya kyltunga byggnader (butiker, kontor)?

4) Sätt KPI:er som går att försvara inför regulatorer

Exempel på KPI:er som brukar bita:

• minskad toppeffekt (kW) under kalla dygn
• system-COP / SPF över säsong
• temperaturdrift i borrhålsfält över året
• kostnad per ansluten kund vid etapp 2 jämfört med etapp 1

Avslutning: Framingham visar att skalan sitter i styrningen

Framingham-projektet är ett ovanligt tydligt case: ett utility-ägt geotermiskt nät som redan fungerar, som nu får 8,6 miljoner dollar för att fördubbla sig och samtidigt mäta prestanda mer systematiskt. Det är precis så hållbar energi blir vardag: en första etapp som bevisar funktionen, en andra etapp som pressar kostnaden, och en datadriven drift som gör resultatet repeterbart.

För oss som följer AI inom energi och hållbarhet är budskapet rakt: AI är inte ett sidospår i termiska nät – det är det som gör dem skalbara, finansieringsbara och enklare att drifta på riktigt.

Vilken svensk stadsdel, industripark eller campusmiljö skulle bli mest lönsam om värme och kyla fick delas som en gemensam resurs – och vad skulle ni behöva mäta redan första veckan för att våga bygga etapp två?