AI kan göra gamla oljebrunnar till energilager

Det finns en siffra som sticker ut: den amerikanska miljömyndigheten uppskattar att det finns cirka 3,9 miljoner uttjänta olje- och gasbrunnar i USA. Många av dem är i dag en kostnad och en risk – i värsta fall läcker de metan. Men det finns en mer intressant läsning: de är redan borrade hål rakt ner i varm berggrund. Infrastruktur som bara väntar på ett nytt uppdrag.

Forskare vid Penn State visade i en studie (publicerad 2025-03-22) att man kan höja verkningsgraden i tryckluftslagring (CAES, Compressed-Air Energy Storage) genom att utnyttja den naturliga geotermiska värmen i uttjänta brunnar. I deras modell förbättras effektiviteten med 9,5 % jämfört med en mer traditionell CAES-lösning.

Det här passar perfekt in i vår serie AI inom energi och hållbarhet, eftersom idén blir som starkast när man kombinerar geologi, elnät och ekonomi – och det är exakt där AI för energisystem gör störst nytta. Jag är övertygad om att de mest lönsamma energilagren de kommande åren inte bara byggs nytt, utan optimeras fram ur det vi redan har.

Geotermiskt assisterad CAES: enkel idé, tufft problem

Kärnpunkten: CAES lagrar el som tryckluft i ett underjordiskt utrymme och tar tillbaka energin när elbehovet är högt.

Principen är i grunden rak: när efterfrågan på el är låg (till exempel en blåsig natt), driver elen kompressorer som pressar ner luft i en underjordisk reservoar. När efterfrågan stiger släpper man ut luften genom en turbin och producerar el.

Varför CAES inte redan är överallt

Den största bromsklossen är ekonomi och verkningsgrad. Anläggningar kräver stora investeringar, och varje procentenhet i rundgångsverkningsgrad (hur mycket av lagrad energi som går att få tillbaka) påverkar affären.

Det är här geotermin kommer in. Tryckluft påverkas av temperatur: varmare gas ger högre tryck och kan i praktiken innebära att systemet kan lagra mer användbar energi eller få ut mer vid urladdning.

Vad studien faktiskt säger (och varför 9,5 % är stort)

Studien använder numerisk modellering och simulation för att visa att om CAES placeras i uttjänta olje- och gasbrunnar kan man dra nytta av värmen i de omgivande bergformationerna. Resultatet: 9,5 % högre effektivitet än jämförbar teknik utan den geotermiska “hjälpvärmen”.

9,5 % låter kanske modest. Men för energilager är det skillnaden mellan:

• ett projekt som kräver stöd eller höga prisvariationer för att bära sig
• och ett projekt som klarar sig på marknadsintäkter (arbitrage, stödtjänster, kapacitet)

Återbruk av fossilinfrastruktur: klimatnytta som går att räkna hem

Kärnpunkten: Återanvändning av brunnar kan minska både kapitalbehov och miljörisker samtidigt.

Att borra nya brunnar är dyrt, tidskrävande och tillståndstungt. Att använda befintliga brunnar kan korta ledtider och sänka initiala kostnader – men den riktigt intressanta effekten är dubbel:

1. Minskad klimat- och miljörisk: föräldralösa eller dåligt pluggade brunnar kan läcka metan och påverka grundvatten.
2. Ny roll för gamla energiregioner: samma kompetens (borrning, cementering, integritetstester, drift) behövs även när målet är energilagring istället för fossil produktion.

Det här är en praktisk väg till en “rättvis omställning” som inte bara är ett policyord. Den ger lokala jobb och samtidigt bättre kontroll över gamla utsläppskällor.

Svensk kontext: vi har få oljebrunnar – men samma logik gäller

Sverige har inte miljontals olje- och gasbrunnar. Men logiken är relevant ändå, eftersom vi också har energiinfrastruktur som kan få en andra karriär:

• bergrum och underjordiska anläggningar
• nedlagda industri- och gruvmiljöer
• fjärrvärmenät och kraftvärme med nya driftstrategier
• gamla transformatorstationer och nätpunkter där batterier/lagring kan anslutas

Det intressanta är alltså inte bara brunnen, utan principen: återbruka det som redan är byggt och låt AI optimera driften.

Där AI gör jobbet: från geologi till lönsamhet

Kärnpunkten: AI behövs för att välja rätt brunn, dimensionera systemet och styra det mot rätt intäkter i realtid.

Att stoppa ner en CAES-lösning i en gammal brunn är inte som att installera ett batteriskåp. Undergrunden varierar, brunnars integritet varierar och elmarknadens signaler varierar konstant. Det blir snabbt en optimeringsfråga med många osäkerheter.

Här är tre ställen där AI typiskt ger konkret effekt:

1) Urval och riskklassning av brunnar

Svar först: AI kan rangordna kandidater och minska risken för felinvesteringar.

Med maskininlärning kan man kombinera data som:

• brunnsloggar och historik
• bergartstyp och temperaturgradient
• kända integritetsproblem (korrosion, cementstatus)
• närhet till nätanslutning och last/produktion

Resultatet blir en prioriterad lista: vilka brunnar är tekniskt och ekonomiskt rimliga, och vilka bör pluggas och lämnas.

2) Digitala tvillingar för prestanda och planering

Svar först: En digital tvilling gör att driftbeslut kan testas innan de kostar pengar.

En CAES-lösning har termodynamik, geomekanik, värmeöverföring och turbinstyrning som samspelar. Med en digital tvilling kan man simulera scenarier:

• hur snabbt temperaturen byggs upp
• hur trycknivåer förändras över cykler
• hur prestanda påverkas av säsong (vintertoppar, sommarunderskott)
• hur intäkter förändras om man styr mot stödtjänster istället för enbart prisarbitrage

Praktiskt: det gör projekt mer bankbara, för du kan visa antaganden, känslighetsanalyser och driftstrategi.

3) Prediktiv driftoptimering i ett volatilt elsystem

Svar först: AI kan bestämma när du ska ladda/ur, hur mycket och vilken marknad du ska sälja på.

Energilager är inte bara “ladda billigt, sälj dyrt”. I Norden 2025 är intäktsmix ofta en kombination av:

• elprisoptimering timme för timme
• frekvens- och balansmarknader (stödtjänster)
• nätbegränsningar (lokala flaskhalsar)
• prognoser för vind och sol

AI-modeller för prognoser och optimering (till exempel probabilistiska prisprognoser + optimering under osäkerhet) kan styra CAES mot högre nyttjandegrad och bättre marginal per cykel.

Så här kan ett pilotprojekt se ut (utan att låtsas att det är enkelt)

Kärnpunkten: Börja småskaligt, mät hårt och bygg affären på verkliga driftdata.

Om jag satt med ansvar för ett pilotcase hade jag lagt upp det i fem steg:

1. Inventering och datastädning: samla brunnsdata, geologi, temperaturdata, integritetsrapporter och nätdata.
2. AI-baserad screening: bygg en enkel rankingmodell (även en robust poängmodell kan räcka i början).
3. Fysik + AI i kombination: använd fysikbaserad modell (termik/tryck) och kalibrera med data för att få en trovärdig digital tvilling.
4. Marknadsstrategi: definiera intäktsstack (prisarbitrage, stödtjänster, kapacitet) och vilka KPI:er som styr driften.
5. MVP i drift: kör en första version med begränsad kapacitet, logga allt, förbättra styrningen iterativt.

KPI:er som avgör om det är värt att skala

Det är lätt att fastna i teknikromantik. Här är KPI:erna jag skulle kräva för beslut om uppskalning:

• Rundgångsverkningsgrad över tid (inte bara labb/initialt)
• Tillgänglighet (drifttimmar utan stopp)
• Kostnad per lagrad och återvunnen kWh (helhet, inklusive underhåll)
• Intäkt per cykel och intäkt per installerad kW
• Läckage- och integritetsindikatorer (säkerhet och miljö)

Vanliga frågor (och raka svar)

Är CAES ett alternativ till batterier? Ja, men inte som en drop-in-ersättare. Batterier är snabba och modulära. CAES kan bli intressant där du behöver större energimängder och där underjordiska förutsättningar + infrastruktur ger ekonomi.

Varför inte bara bygga mer nät istället för energilager? Du behöver båda. Nät tar tid, tillstånd och investeringar. Lagring kan avlasta lokala flaskhalsar och jämna ut variationer snabbare – särskilt när vind och sol fortsätter växa.

Är återbruk alltid hållbart? Nej. Om en brunn är i dåligt skick kan den vara en ren risk. Poängen är att datadrivet urval och integritetstester måste vara en del av affären, inte en eftertanke.

Nästa steg: gör gamla brunnar till en del av framtidens energisystem

Geotermiskt assisterad CAES i uttjänta olje- och gasbrunnar är inte en “silver bullet”. Men det är en ovanligt praktisk idé: använd värmen som redan finns i berget, använd hålen som redan är borrade och bygg energilagring som stödjer mer vind och sol.

Och här blir kopplingen till AI inom energi och hållbarhet konkret. AI är inte ett lager ovanpå – den är verktyget som gör att man kan välja rätt plats, förutsäga prestanda, styra driften och säkra lönsamheten. Utan bra modeller riskerar det att bli ett dyrt experiment. Med bra modeller kan det bli en portfölj.

Om du jobbar med energilagring, nätplanering, industriell elektrifiering eller hållbarhetsstrategi: vilka delar av er infrastruktur skulle kunna få en andra roll om ni lät data och AI styra urvalet – istället för magkänsla?