AI som gör geotermiska nät billigare att skala

Ett tal sticker ut: 8,6 miljoner dollar. Det är summan som USA:s energidepartement (DOE) nu har beviljat för att fördubbla USA:s första geotermiska nät som ägs och drivs av ett energibolag – Eversources nät i Framingham, Massachusetts. Projektet är redan i drift och levererar värme och kyla till ungefär 140 kunder. Med den nya finansieringen ska nätet växa med ytterligare cirka 140 anslutningar och samtidigt följas upp med mer mätning och utvärdering.

Det här är inte bara en amerikansk nyhet. Det är ett praktiskt exempel på en större trend som påverkar även svenska kommuner, energibolag och fastighetsägare: nätverksgeotermi (ibland kallat “termiska nät” eller “ambient loops”) är ett av de mest konkreta sätten att elektrifiera uppvärmning utan att överbelasta elnätet – om man gör det smart.

Och där kommer vår serie ”AI inom energi och hållbarhet” in. För ska geotermiska nät skala snabbt krävs mer än borrhål och rör. Det krävs datadrift, prognoser, optimering och automatiserad drift. Med andra ord: AI.

Varför nätverksgeotermi är så intressant (och svår att skala)

Nätverksgeotermi är intressant eftersom den flyttar fokus från “värmepump per hus” till “delad termisk infrastruktur”. Systemet i Framingham använder borrhål flera hundra fot ner i marken, där temperaturen är relativt stabil (i artikeln anges 55°F, cirka 13°C). Vatten cirkulerar i ett rörnät mellan borrhålen och anslutna byggnader, och värmepumpar i byggnaderna gör den sista temperaturhöjningen eller kylningen.

Det här skiljer sig från klassisk fjärrvärme på två sätt:

1. Temperaturnivån är låg i nätet. Det minskar distributionsförluster och gör att värmepumpar kan arbeta effektivt.
2. Nätet kan hantera både värme och kyla och i bästa fall flytta överskottsvärme mellan byggnader.

Men skalning är inte trivial. De vanligaste flaskhalsarna är:

• Dimensionering: För få borrhål ger temperaturdrift i marken över tid, för många ger onödig investering.
• Samtidighet: Om alla vill ha värme samtidigt (kall morgon) eller kyla samtidigt (varm eftermiddag) kan effekttoppar bli dyra.
• Drift och fel: Pumpar, ventiler, sensorer och värmepumpar kräver tillsyn. Små fel kan ge stora energiförluster.

Här är min tydliga ståndpunkt: utan avancerad analys och AI-stöd blir många termiska nät onödigt dyra – och då fastnar de i pilotstadiet.

Lärdomen från Framingham: när nätet växer blir det effektivare

En central poäng i projektet är att expansionen väntas bli billigare per ansluten kund än första etappen. Skälen är konkreta:

• Befintlig pumputrustning och styrning kan återanvändas, så man slipper duplicera hela infrastrukturen.
• När fler byggnader kopplas in ökar chansen att värme- och kylbehov “tar ut varandra”. Ett kontor som behöver kyla kan i praktiken hjälpa ett flerbostadshus som behöver värme.

Det är ett viktigt argument även i svensk kontext. Många fastighetsportföljer (kommunala bolag, regioner, privata fastighetsägare) har en mix av:

• bostäder
• skolor
• äldreboenden
• idrottsanläggningar
• kontor

Deras belastningsprofiler skiljer sig. Ju bättre vi kan modellera dem, desto mindre “överkapacitet” behöver vi bygga.

Varför AI passar extra bra just här

AI är som mest värdefull när systemet är komplext, dynamiskt och fullt av variation. Nätverksgeotermi har alla tre:

• Variation mellan byggnader
• Variation över dygnet och säsongen
• Dynamik i marken (termisk lagring och återhämtning)

Det betyder att klassiska tumregler snabbt blir dyra. AI kan i stället fatta beslut baserat på verkliga data.

Tre AI-användningar som gör geotermiska nät skalbara

Det som gör Framingham särskilt intressant är att man avsätter resurser för att mäta och kvantifiera prestanda. Det är exakt det som krävs för att AI ska ge effekt. Här är tre tillämpningar som jag tycker borde vara standard i nya projekt.

1) Prognoser för värme/kyla och effekttoppar (demand forecasting)

Målet är att förutse belastning timme för timme och styra därefter. Ett termiskt nät är inte bara “på/av”. Du har flöden, temperaturer och värmepumpar som kan köras smartare.

AI-modeller kan använda:

• historisk förbrukning (värme/kyla)
• väderprognoser (temperatur, vind, solinstrålning)
• kalendereffekter (helg, skollov)
• driftdata (framledning/retur, pumphastigheter)

Resultatet blir:

• lägre effekttoppar
• jämnare drift
• bättre COP/SCOP för värmepumpar

För Sverige är detta extra relevant vintertid. Elpriser och nätavgifter straffar effekttoppar, och många kommuner jag pratat med sitter fast i “vi vill elektrifiera, men vi vågar inte topparna”. Prognosstyrning är ett av de mest realistiska svaren.

2) Optimering av energiflöden i termiska nät (distribution modeling)

Nyckeln i nätverksgeotermi är balans: att flytta energi dit den gör nytta. Med fler byggnader ökar möjligheterna – men bara om styrningen hänger med.

Här kan AI kombineras med fysikbaserade modeller:

• digital tvilling av nätet (rör, pumpar, värmeväxlare, borrfält)
• optimering som minimerar pumpenergi och temperaturförluster
• styrning som prioriterar lokal energiutjämning före “ny borrning”

En praktisk, snippet-värdig sanning:

Det billigaste borrhålet är det du slipper borra tack vare bättre styrning.

Det är också här smarta elnät blir relevanta. När elnätet är ansträngt kan styrningen:

• skjuta vissa temperaturlyft till timmar med lägre pris
• samköra med batterier, solceller och laststyrning
• koordinera flera fastigheter som en “termisk portfölj”

3) Prediktivt underhåll och felupptäckt (predictive maintenance)

Pumpar och ventiler är ofta det som avgör driftkostnaden. Ett litet problem (t.ex. en ventil som fastnar eller en sensor som driver) kan leda till:

• högre flöden än nödvändigt
• sämre temperaturdifferens
• ökade el- och underhållskostnader

AI kan upptäcka avvikelser tidigt genom att lära sig normalbeteenden i:

• tryckfall
• temperaturprofil
• pumpeffektivitet
• värmepumpsprestanda

Det här är ett område där jag sett snabba vinster i andra energisystem: larm som tidigare krävde en drifttekniker med “känsla” kan bli datadrivna och prioriterade. För ett kommunalt energibolag betyder det färre utryckningar och mer planerat underhåll.

Vanliga frågor som dyker upp (och raka svar)

“Är geotermiska nät samma sak som fjärrvärme?”

Nej. Fjärrvärme är ofta högtempererad och produceras centralt. Nätverksgeotermi är lågtempererad och bygger på delning och utjämning med värmepumpar nära användaren.

“Blir inte detta bara mer elförbrukning?”

Jo, men mer effektiv och styrbar elförbrukning. Värmepumpar använder el för att flytta värme, inte skapa den. Med bra styrning kan du kapa effekttoppar och köra när elnätet mår bättre.

“Varför pratar alla om mätning och uppföljning?”

För att finansiering, tillstånd och nästa expansion kräver bevis. Framingham-projektet lägger resurser på att kvantifiera prestanda. Det är så man får nästa budgetbeslut igenom.

Så kan svenska aktörer använda Framingham som mall

Den svenska möjligheten handlar inte om att kopiera exakt teknik, utan om att kopiera arbetssättet: bygg – mät – optimera – skala. Om du jobbar på energibolag, i kommun, eller på fastighetssidan är det här en enkel checklista att börja med.

1. Definiera tydliga prestandamått redan i projekteringen
   • kWh/m², effekt (kW), COP/SCOP, pumparnas specifika el, temperaturdrift i mark
2. Kravställ datainfrastruktur
   • sensorer, datalagring, API:er, larmhantering, cybersäkerhet
3. Planera för AI från dag 1
   • välj 1–2 use case (prognos + felupptäckt räcker långt)
4. Gör expansion billigare än pilot
   • återanvänd styrning, bygg modulärt, designa för fler anslutningar

Det fina är att detta också passar säsongen vi är i nu, 2025-12-21: när vintertopparna pressar både elpris och nätkapacitet blir det tydligt vilka värmelösningar som kan styras och vilka som bara kan förbrukas.

Nästa steg: från finansiering till drift som faktiskt håller

Framingham visar att geotermiska nät kan få politiskt stöd även i tuffare tider, delvis för att de kan kopplas till energisäkerhet, lokala resurser och stabil drift. Men tekniken vinner inte på visioner. Den vinner på vardag.

Min slutsats är enkel: framtidens geotermiska nät kommer att byggas som digital infrastruktur lika mycket som fysisk. AI för prognoser, optimering och prediktivt underhåll är inte “nice to have” – det är det som gör att kostnaden per anslutning faller när nätet växer.

Vill du utvärdera om ett termiskt nät (eller en portfölj av värmepumpar) är en bra idé hos er? Börja med datan: vilka mätpunkter saknas, var finns osäkerheten, och vilka beslut skulle bli bättre med prognoser?

Frågan jag tycker varje energichef borde ställa nu är: Har vi råd att skala värmelösningar utan att skala intelligensen i driften samtidigt?