AI och havsbaserad vind: så skyddar vi fladdermöss

800 000. Det är ungefär så många fladdermöss som onshore-vindkraft beräknas döda varje år i fyra länder som faktiskt räknar (Kanada, Tyskland, Storbritannien och USA). Siffran är obekväm – och just därför värdefull. Den visar att när vi mäter får vi ett problem vi kan åtgärda.

Det som skaver extra mycket just nu, 2025-12-21, är att vi står inför samma typ av kunskapslucka till havs. I Kalifornien pågick en av de första större satsningarna på att förstå fladdermöss i havsmiljöer, kopplad till planerade flytande vindkraftparker. Forskarna började se tydliga tecken på att fler arter än väntat rör sig långt ute över havet – och så drogs finansieringen in.

För oss som jobbar med AI inom energi och hållbarhet är det här en tydlig påminnelse: energiomställning handlar inte bara om megawatt och kablar. Den handlar om data, risk och förtroende. Och när forskningsdata försvinner blir AI inte magi – den blir gissning.

Varför finansieringsstoppet spelar större roll än det låter

Det centrala är inte bara att ett enskilt projekt tappade 1,6 miljoner dollar i stöd. Det centrala är att en ung kunskapskedja bröts mitt i mätningen – innan vi ens har en stabil bild av hur fladdermöss använder havet.

Studien i Kalifornien hann bland annat fånga upp något som överraskade många: den mexikanska frihandsfladdermusen (Mexican free-tailed bat) registrerades med akustiska sensorer mer än ett dussin miles från kusten. Den typen av observationer flyttar ribban för hela riskbedömningen.

Konsekvensen för energibranschen är konkret:

• Tillståndsprocesser blir mer osäkra när underlaget är tunt.
• Projektdesign riskerar att optimeras för fel scenarier.
• Konflikter om biologisk mångfald riskerar att bli polariserade, eftersom ingen kan peka på robusta data.

Ett offshoreprojekt utan ekologiska data är inte “snabbare” – det är bara mer riskfyllt.

Dödar havsbaserad vindkraft fladdermöss? Det är just det vi inte vet

Det korta, raka svaret: vi har ännu inte tillräckligt med data för att säga hur stor risken är offshore.

På land är sambandet väldokumenterat. Fladdermöss kan kollidera med rotorblad, men också skadas av tryckförändringar nära bladen (barotrauma). Offshore antog många länge att risken var lägre, eftersom fladdermöss “inte är ute till havs”. Problemet? Antagandet var i stor utsträckning otestat.

Varför fladdermöss ens är ute över havet

När forskare väl börjar mäta dyker ofta beteenden upp som tidigare varit osynliga. Rimliga förklaringar till havsflygningar är bland annat:

• Migration och navigation längs kuststråk som ibland “läcker ut” över havet
• Insektsförekomst över vatten, särskilt vid vissa väderlägen
• Sök efter viloplatser (fartyg, bojar, plattformar) eller tillfälliga rastpunkter

Poängen är inte att vi redan vet exakt varför – utan att vi nu vet att det händer. Då måste energisystemet svara med bättre mätning, inte sämre.

Där AI faktiskt gör skillnad: från gissning till styrning

AI kan inte ersätta fältdata. Men med rätt datagrund kan AI göra något väldigt praktiskt: förutse när och var risken är hög – och styra turbinerna därefter.

1) Prediktiva riskkartor för “bat activity” offshore

När man kombinerar akustiska observationer, väderdata (vind, temperatur, lufttryck), säsong, tid på dygnet och havsdata (t.ex. ytströmmar och insektsindikatorer) kan maskininlärning skapa riskkartor i nästan realtid.

Ett bra mål är inte att bygga en perfekt modell. Ett bra mål är att bygga en modell som är:

• tillräckligt bra för att minska dödlighet
• tillräckligt transparent för att godkännas i miljöprövning
• tillräckligt robust för att fungera i drift

2) Smart curtailment: stopp när det gör nytta

Den mest beprövade åtgärden på land är curtailment: att höja turbinerna så kallade cut-in speed (minsta vindhastighet för att börja producera) under tider då fladdermöss är mest aktiva.

En studie ledd av Winifred Frick och kollegor visade att om man hindrar rotorbladen från att spinna innan vinden når 5 m/s kan dödlighet minska med 62% i snitt för många arter – ofta utan stora produktionsförluster.

Offshore är nästa steg att göra curtailment mer precis med AI:

• Stoppa färre timmar totalt
• Stoppa mer träffsäkert (rätt nätter, rätt väder, rätt säsong)
• Dokumentera effekten med tydliga KPI:er (dödlighet per GWh, stopp timmar, energiförlust)

AI-baserad curtailment är inte “snällhet”. Det är riskminimering med driftlogik.

3) Sensorfusion: akustik + radar + värmekamera

Offshore-miljön är stökig: vind, vågor, salt, buller. En enda sensor kan ge mycket falska signaler. AI är särskilt användbart för att slå ihop flera datakällor:

• Akustiska sensorer (fladdermusläten)
• Maritim radar (rörelser, flockar, höjd)
• Värmekamera/IR på utvalda plattformar
• Driftdata från turbiner (varvtal, pitch, produktion)

Med sensorfusion kan man klassificera händelser bättre och samtidigt skapa en spårbar kedja: det här observerade vi → det här beslutade vi → det här blev resultatet.

Så bygger man “ansvarsfull AI” för naturpåverkan i energiprojekt

Om målet är leads – alltså att fler ska ta nästa steg och prata om lösningar – då är det här den praktiska delen som ofta saknas i debatten. Jag brukar se samma tre misstag om och om igen:

1. Man pratar om AI innan man säkrat datakvalitet
2. Man blandar ihop prototyp med driftssystem
3. Man saknar governance: vem äger modellen, vem godkänner den, vem tar ansvar när den har fel?

En enkel kravlista som brukar fungera

Data och mätning

• Minst en full säsong av insamling före “skarpa” styrbeslut
• Standardiserade format och tidsstämplar (för revision och jämförbarhet)
• Rutiner för driftstopp och underhåll av sensorer offshore

Modell och transparens

• Prioritera modeller som kan förklaras för prövningsmyndigheter
• Sätt tydliga tröskelvärden: när triggas curtailment?
• Logga beslut och osäkerhet (inte bara output)

Uppföljning och effekt

• Följ upp både biodiversitet och energiprestanda
• Definiera “framgång” i siffror innan ni börjar (t.ex. % minskad risk, max % energiförlust)

Säkerhet och governance

• Failsafe-lägen: vad händer om sensorerna dör i 14 dagar?
• Tydlig ansvarskedja mellan operatör, leverantör och miljöfunktion

Vad betyder detta för Sverige och Norden?

Sverige och våra grannländer tittar också på havsbaserad vindkraft som en viktig pusselbit för elektrifiering av industri, transporter och energisystemets flexibilitet. Samtidigt är den politiska temperaturen ofta hög, och naturpåverkan blir snabbt en förtroendefråga.

Här finns en tydlig lärdom från Kalifornien: bygg mätning och adaptiv styrning in i projektet från start. Det blir billigare än att försöka “lappa” senare.

Tre praktiska sätt att göra det från dag 1:

• Budgetera ekologisk data som en del av CAPEX/OPEX, inte som ett sidoprojekt.
• Sätt krav i upphandlingar på öppna gränssnitt för sensordata och driftdata.
• Förankra en strategi för AI-styrd miljöanpassning i tillståndsunderlag och samråd.

Vanliga följdfrågor (och raka svar)

Behöver man AI för att skydda fladdermöss?

Nej. Men AI gör det möjligt att skydda bättre med mindre produktionspåverkan, särskilt offshore där logistik och driftkostnader är höga.

Räcker det med att höja cut-in speed?

Det är en stark start på land, men offshore behöver man ofta kombinera med plats- och säsongsspecifika modeller. Annars stoppar man antingen för mycket (dyrt) eller för lite (ineffektivt).

Varför ska energibolag bry sig om detta om det “bara” gäller djurliv?

För att biodiversitet blir en hård projektparameter: tillstånd, acceptans, förseningar, försäkring, finansiering och varumärke. Det är affärsrisk.

Nästa steg: gör risk till styrbarhet

Finansieringsstoppet i Kalifornien visar hur skört kunskapsbygget kan vara. Jag tycker vi ska dra en tydlig slutsats: utan mätning får vi mer konflikt och sämre beslut.

AI är ett av få verktyg som kan koppla ihop ekologiska observationer med drift i realtid. Men bara om vi behandlar AI som ett ingenjörssystem, inte som en PR-punkt: datakrav, validering, styrlogik och uppföljning.

Om vi vill att havsbaserad vindkraft ska skala snabbt och stå stabilt i opinionen behöver vi visa att vi kan bygga energiinfrastruktur som tar naturpåverkan på allvar – med siffror, inte slogans. Vilken del av den kedjan saknas i era projekt just nu: mätning, modell, eller styrning?