AI som gör havsströmsenergi lönsam i praktiken

En siffra sticker ut: över 2 500 watt per kvadratmeter i effekttäthet i vissa havsströmmar. Det är så mycket att det enligt forskningen motsvarar cirka 2,5 gånger energitätheten i vad som brukar kallas ”utmärkta” vindresurser. När elbehovet fortsätter uppåt och Europas elnät pressas av mer väderberoende produktion är det svårt att ignorera en energikälla som både är förnybar och ofta mer förutsägbar.

Samtidigt är havsenergi (och då särskilt energi från havsströmmar) fortfarande tidigt i sin industrikurva jämfört med vind och sol. Det största hindret har varit samma i åratal: var ska man bygga, hur vet man att det blir lönsamt och hur kopplar man in det stabilt i elnätet?

Här blir kopplingen till vår serie ”AI inom energi och hållbarhet” tydlig. Den senaste globala kartläggningen av havsströmsenergi visar var potentialen är som störst. Men det är AI som kan göra nästa steg möjligt: bättre prognoser, smartare placering av turbiner, effektivare drift och enklare nätintegration.

Var finns den största potentialen för havsströmsenergi?

De mest attraktiva områdena kombinerar hög effekttäthet och hanterbart vattendjup. En global studie baserad på över 30 års mätdata från NOAA:s Global Drifter Program (satellitspårade drifterbojar) pekar särskilt ut två regioner: utanför Floridas östkust och utanför Sydafrika.

Det som gör fyndet intressant är inte bara toppnivåerna över 2 500 W/m², utan också att dessa områden ofta har relativt grunt vatten runt 300 meters djup. Det spelar roll eftersom installation, förankring, kabeldragning och underhåll blir dramatiskt mer komplext (och dyrt) när djupen närmar sig 1 000 meter och uppåt.

En snabb karta i ord

Studien visar ett mönster som är användbart även för energibolag och teknikleverantörer i Europa:

• Mycket hög effekttäthet (>2 000 W/m²): sydöstra USA (Florida till North Carolina) samt delar av östra och sydöstra Afrika (Somalia, Kenya, Tanzania, Sydafrika, Madagaskar).
• Måttlig till hög effekttäthet (500–1 000 W/m²): utgör cirka 75 % av de identifierade ”hög-områdena” och täcker runt 490 000 km².
• Lägre effekttäthet vid liknande djup: delar av östra Stilla havet (Japan, Vietnam, Filippinerna), norra Sydamerika (Brasilien, Franska Guyana) och Australiens östkust.

Det här är viktigt: mellannivåerna (500–1 000 W/m²) är där volymen finns. För kommersiell utrullning kan det ofta vara bättre med ”tillräckligt bra” resurser som är enklare att bygga och drifta nära efterfrågan eller nätanslutning.

Varför räcker inte en resurskarta? Här börjar AI-jobbet

En resurskarta säger var energi finns – inte om den kan bli stabil, säker och lönsam el. För havsströmmar är den praktiska verkligheten full av variation: strömmens profil med djup, säsongsförändringar, turbulens, extremhändelser, marin påväxt, fartygstrafik, naturvärden och begränsningar för kabeldragning.

Det är precis den typen av problem där AI brukar göra skillnad: när det finns mycket data, många variabler och dyra beslut.

1) Prognoser av produktion: från ”årsmedel” till drift på timnivå

Nyckeln till bankbarhet (finansierbarhet) är förutsägbar produktion. Havsströmsenergi kan i många lägen bli mer stabil än vind, men den behöver fortfarande modelleras på rätt sätt.

AI kan kombineras med fysikbaserade modeller för att:

• skapa korttidsprognoser (timmar–dagar) för drift och lastplanering
• skapa säsongsprognoser för intäktsplanering och underhållsfönster
• korrigera mätbias och gles data genom datafusion (drifterdata, satellitdata, ADCP-mätningar, lokala sensorer)

Ett konkret mål som jag ofta rekommenderar i projekt är att gå från ”vi tror att platsen är bra” till en probabilistisk produktionsprofil: P50/P90 för energileverans per månad. Det är språket investerare och nätplanerare förstår.

2) Optimering av turbinplacering: centimeterbeslut som påverkar miljoner

Placeringen är inte en punkt på en karta – det är ett optimeringsproblem i 3D. Strömmar är starkast nära ytan, men designkrav och miljöhänsyn kan styra djupet. Dessutom kan flera turbiner påverka varandra, ungefär som vindkraftverk i en park.

AI-baserad optimering (t.ex. bayesiansk optimering eller evolutionära algoritmer) kan hjälpa till att:

• hitta bästa kombinationen av djup, avstånd och orientering
• minimera strukturlaster och förbättra livslängd
• balansera elproduktion mot kabelkostnad och nätanslutning

Den praktiska vinsten: färre fältkampanjer, snabbare designiterationer och tydligare beslutsunderlag inför tillståndsprocess.

3) Prediktivt underhåll: havet är brutalt mot utrustning

Salt, biofouling och mekaniska laster äter marginaler. Om ett havsbaserat system står still för ofta försvinner affärscaset snabbt.

Med sensorer (vibration, temperatur, effektkurvor, strömprofil) och AI för anomalidetektion kan operatörer:

• upptäcka slitage tidigt
• planera service när strömmar och väder är gynnsamma
• minska oplanerade stopp och dyr offshore-logistik

Det här är samma logik som i modern vindkraft – men med ännu högre kostnad per servicebesök.

Från havsström till smarta elnät: så integreras produktionen

Havsströmsenergi blir värdefull på riktigt när den går att planera i elsystemet. Studien lyfter också säsongsvariationer: högre effekttätheter syns ofta under varmare månader (t.ex. juni–augusti på norra halvklotet och december–februari i Sydafrika). Det sammanfaller med perioder då elanvändningen ofta stiger på grund av kylbehov.

För svenska och nordiska läsare är poängen större än geografin: värdet av produktion som samvarierar med efterfrågan. I ett system där vi bygger mycket vind kan en kompletterande resurs som har annan säsongs- och dygnsprofil ge tydliga systemnyttor.

AI i nätintegrationen: tre användningsfall

1. Produktion → flexibilitet: AI-styrd planering av batterier eller vätgasproduktion när strömmen är som starkast.
2. Nätstabilitet: prediktion av ramp-rate och korttidsvariationer för att minska behovet av dyr reserv.
3. Prisoptimering: modellering av spotpriser och lokal nätkapacitet för att styra när energin säljs eller lagras.

Ett bra tumgrepp: Havsenergi utan AI riskerar att bli ”ännu en intermittent källa”. Havsenergi med AI kan bli planerbar på ett sätt som elnätet faktiskt kan ta betalt för.

De underskattade hindren: data, djup och tillstånd

Största risken i tidiga havsenergiprojekt är att man överskattar säkerheten i sina antaganden. Studien visar att vissa regioner (exempelvis delar av Sydafrika och norra Brasilien/Franska Guyana) var svårare att bedöma på grund av begränsad datatäthet och variabla förhållanden.

Datatäthet är inte en detalj – det avgör investeringsbeslut

AI-modeller blir bara så bra som datagrunden tillåter. För havsströmmar handlar det om:

• hur många mätpunkter som finns per område och säsong
• vilken typ av mätning (drifter, stationära profiler, akustiska instrument)
• variabilitet i flödet (turbulens, virvlar, topografi)

Ett praktiskt upplägg som fungerar är att kombinera global data (för screening) med lokal mätkampanj (för projektering) och sedan använda AI för att bygga en digital tvilling av platsen.

Djup och förankring: tekniken måste matcha platsen

När vattendjupen går mot 1 000 meter ökar kraven på förankringssystem, installation och underhåll. AI hjälper här också, men mer indirekt: genom bättre designoptimering, riskanalys och planering av offshore-operationer.

Tillstånd och miljö: AI kan förkorta tiden, inte hoppa över den

I Europa är tillstånd ofta en flaskhals. AI kan bidra genom att:

• analysera ekologiska data och föreslå placeringar med lägre risk
• modellera buller, habitatpåverkan och kumulativa effekter
• skapa spårbara beslutsunderlag för samråd

Men den som tror att AI ersätter dialog med myndigheter och intressenter har missförstått läget. AI är ett verktyg för bättre underlag, punkt.

”People also ask”: vanliga frågor jag får om havsströmsenergi

Är havsströmmar bättre än vågkraft?

Inte bättre, men ofta enklare att prognostisera. Vågkraft påverkas starkt av stormar och säsong, medan stora strömsystem kan vara mer stabila. Affärsmässigt kan prognosbarheten väga tungt.

Varför ser vi inte havsströmsparker redan?

För att kombinationen av teknikmognad, offshore-kostnad och tillstånd tar tid. Vindkraften behövde decennier av standardisering och leverantörskedjor. Havsströmsenergi är på väg dit, men kräver fler pilotprojekt och bättre data.

Vad betyder 2 500 W/m² i praktiken?

Det betyder att energiflödet i strömmen är extremt högt per ytenhet. Men hur mycket el som kommer ut beror på turbinens svepyta, verkningsgrad, driftbegränsningar och hur ofta strömmen ligger på dessa nivåer.

Så kan ni gå från karta till projekt (och leads)

Det snabbaste sättet att skapa värde är att börja med ett avgränsat AI-case med tydlig nytta. Här är ett upplägg i tre steg som jag sett fungera hos energibolag, teknikleverantörer och investerare:

1. Plats-screening med AI-stöd: kombinera öppna havsdata med interna krav (nät, djup, logistik) och ta fram en shortlist.
2. Digital tvilling + P50/P90: bygg en modell som ger produktion, osäkerheter, ramp-rate och säsongsprofil.
3. Nät- och intäktsmodell: koppla produktionen till flexibilitet (batteri/vätgas) och beräkna intäkter vid olika pris- och kapacitetsscenarier.

Vill du att det ska bli lead-genererande internt? Kräv att resultatet landar i en beslutsbar artefakt: en investerings-PM, en nätanslutningsplan eller en upphandlingsspec för mätkampanj.

Det här är varför ämnet passar perfekt i vår serie AI inom energi och hållbarhet: vi pratar inte om AI som idé, utan om AI som metod för att få mer förnybar energi att fungera i ett verkligt elsystem.

När vi nu vet att vissa havsregioner kan leverera energitätheter som slår ”utmärkt” vind, blir frågan mer praktisk än filosofisk: Vilka aktörer bygger först den data- och AI-kedja som gör havsströmsenergi bankbar – och vem står redo att köpa elen när den väl finns?