AI och geoenerginät: smart värme för hela kvarter

Nästan en miljon resenärer passerar New Havens Union Station varje år. Nu ska den historiska knutpunkten inte bara vara en port till staden – utan också en tydlig signal om vart energisystemet är på väg: fossilfri värme och kyla via ett nät av geoenergi.

I december 2025 tog New Haven första spadtaget för Connecticuts första nätverkade geoenergisystem (en så kallad thermal energy network). Systemet ska försörja tågstationen och ett nytt bostadsprojekt med omkring 1 000 lägenheter. För mig är det här intressant av en särskild anledning: det är precis den typ av decentraliserad infrastruktur där AI kan göra störst nytta – inte som “extra funktion”, utan som det som får ekonomin, driften och klimatnyttan att hålla ihop.

Projektet är planerat att tas i drift under andra halvåret 2028. Och även om det sker i USA är lärdomen högst relevant för Sverige, där fjärrvärme, värmepumpar, elnätskapacitet och effektproblematik redan är vardag i energisamtalet.

Vad är ett geoenerginät – och varför blir det så hett just nu?

Ett geoenerginät är i grunden värme och kyla som transporteras i rör, men i stället för att bränna gas eller olja hämtas (eller lagras) energin i marken. Det är inte samma sak som “geotermisk el” från vulkaniska områden, utan den typ av geoenergi som fungerar i i princip hela Norden: borrhål, kollektorslang och värmepumpar.

Det som gör New Haven-projektet speciellt är att det är nätverksbaserat:

• Man borrar många borrhål (upp till 200 enligt planerna).
• En vätska cirkulerar i ett rörnät och hämtar värme ur marken på vintern.
• På sommaren flyttas värme tillbaka ned i marken för att ge komfortkyla.
• Flera byggnader kopplas till samma “termiska loop”, ungefär som fjärrvärme – men med lägre temperaturer och med värmepumpar som höjer/sänker temperaturen lokalt.

Det viktiga: ingen förbränning sker i byggnaden. Utsläpp beror i stället på elmixen som driver pumpar och värmepumpar. Och kunderna blir mindre exponerade mot volatila fossila bränslepriser.

Varför det här passar svenska förutsättningar

Sverige har redan starka system för värme (fjärrvärme) och en stor värmepumpsmarknad. Men vi har också tre utmaningar som gör geoenerginät extra intressanta:

1. Effektbrist i elnätet i växande städer – mer elvärme kräver smart drift.
2. Renoveringsskuld i fastigheter – särskilt 60–70-talsbestånd.
3. Krav på snabbare utsläppsminskningar från byggnader och kommunal verksamhet.

Geoenerginät kan bli ett komplement där fjärrvärme inte finns, där fjärrvärme är dyr, eller där man vill skapa lokala, robusta system.

New Haven som testbädd: siffror och lärdomar från projektet

New Haven vill nå en tydlig målsättning: att dekarbonisera kommunala byggnader och transporter till 2030. Union Station blir en symboliskt viktig plats att börja på – stor, gammal, energikrävande och publik.

Några konkreta datapunkter från projektupplägget:

• Finansiering: knappt 9,5 miljoner dollar i federal finansiering, plus ungefär 7 miljoner dollar via skatteincitament och delstatliga stöd.
• Borrhål: upp till 200 borrhål.
• Testborrning: ett testhål nådde 1 200 feet (cirka 366 meter), jämfört med planerade 850 feet (cirka 259 meter). Djupare borrhål kan innebära färre borrhål och lägre materialåtgång.
• Tidplan: driftsättning planeras till H2 2028.

Det finns också en strategisk dimension som många missar: staden tittar redan på att expandera nätet till fler byggnader och har en ambition om en kommunalt ägd “termisk utility”.

Ett geoenerginät är inte bara en teknikfråga. Det är en affärs- och styrningsfråga: vem äger, vem tar risk, och hur blir nyttan rättvist fördelad?

Det är här AI kommer in, eftersom datadriven drift är det som gör nätverkslösningar skalbara utan att kostnaderna för drift och optimering skenar.

Där AI faktiskt gör skillnad i geoenerginät (inte som buzzword)

AI är mest värdefullt när systemet har många byggnader, varierande behov och en massa beslut som måste tas varje timme. Precis så ser ett geoenerginät ut.

1) Prognoser som minskar effekttoppar och driftkostnad

Det tydligaste användningsområdet är prognostisering:

• byggnadens värme- och kylbehov (baserat på väder, beläggning, historik)
• elpriser timme för timme
• termiskt “lager” i marken (hur mycket värme man kan ta/trycka tillbaka utan att tappa verkningsgrad)

Med bra prognoser kan styrningen undvika onödiga topplasttimmar. I svensk kontext är det särskilt relevant när fler fastigheter elektrifieras och effektavgifter och lokal nätkapacitet blir en större del av kalkylen.

Praktisk effekt: Lägre elräkning, jämnare last, mindre behov av överdimensionering.

2) Optimering av temperaturer och flöden i nätet

Geoenerginät bygger ofta på relativt låga temperaturer i själva loopen. Det är bra för verkningsgrad, men ställer krav på styrning.

AI-baserad optimering (ofta kombinationer av maskininlärning och klassisk reglerteknik) kan:

• välja optimal looptemperatur beroende på dagens behov
• fördela flöden så att “billiga” borrhål utnyttjas mer
• samordna flera värmepumpar så att de inte motarbetar varandra

Snabb tumregel: Ju fler anslutna byggnader, desto större värde av intelligent styrning.

3) Prediktivt underhåll: färre driftstopp, bättre livslängd

När ett system ska värma en station och 1 000 lägenheter är driftstörningar inte acceptabla.

AI kan upptäcka avvikelser tidigt:

• försämrad COP i en värmepump
• läckage eller luft i systemet (indikeras av tryck- och flödesmönster)
• långsam degradering i värmeväxlarprestanda

Resultat: underhåll planeras innan fel uppstår, vilket sparar pengar och minskar klagomål.

4) Smart grid-integration: från “värmesystem” till flexibilitetsresurs

Här blir det extra intressant för serien AI inom energi och hållbarhet.

Ett geoenerginät med värmepumpar kan fungera som en flexibilitetsresurs:

• höja värmeproduktion när elen är billig och ren
• minska last när elnätet är ansträngt
• utnyttja marken som kort- till medellångt energilager

I praktiken kräver det en styrning som kan väga samman komfortkrav, elpris, nätbegränsningar och termiskt tillstånd i marken. Det är ett klassiskt optimeringsproblem där AI kan ge bättre beslut med mindre manuellt arbete.

Så undviker man de vanligaste fällorna i nätverksgeoenergi

De flesta organisationer som misslyckas gör det inte för att tekniken är “omogen”. De missar helheten: geologi, finansiering, drift och användarbeteende.

Vanliga fällor (och hur man hanterar dem)

1. Överoptimistisk dimensionering

   • Lösning: bygg en digital modell (en “digital tvilling”) av nätet och validera mot testborrhål.

2. Fel incitament mellan ägare och användare

   • Lösning: tydliga avtalsmodeller för effekt, energi och komfort. Transparens i mätdata.

3. Underskattad datakvalitet

   • Lösning: börja med en mätplan. “Ingen styrning utan sensorer” är en bra princip.

4. Ingen plan för expansion

   • Lösning: designa med framtida anslutningar i åtanke (ventiler, kapacitet, markrättigheter).

En svensk checklista för kommuner och fastighetsägare

Om du sitter med energifrågor i en kommun, ett energibolag eller ett fastighetsbolag är detta en rimlig start:

1. Välj ett kvarter med både värme- och kylbehov (blandad användning).
2. Gör testborrning och termisk responsanalys.
3. Säkra affärsmodell: vem äger borrhålsfältet och rören?
4. Planera styrning från dag 1: mätning, dataplattform, larm, optimering.
5. Förhandla anslutningar tidigt: det är anslutningsgraden som gör nätet lönsamt.

Från mark till nät: varför det här är en bra “bro” till AI och hållbarhet

Det finns en vanlig missuppfattning att AI i energisektorn mest handlar om elproduktion och batterier. Men värme är ofta den stora posten i byggnaders klimatpåverkan – och i Norden är värme dessutom en komfortkritisk fråga.

Geoenerginät är därför en tacksam arena för AI:

• Många datapunkter (temperaturer, flöden, elpriser, väder)
• Tydliga mål (komfort, kostnad, utsläpp, effekt)
• Stora systemvinster när man går från “en byggnad” till “ett kvarter”

New Haven-projektet visar också något jag tror blir en trend 2026–2030: kommuner som tar en aktiv roll i lokal energiinfrastruktur, inte bara som beställare utan som systemägare eller samordnare.

Det öppnar för snabbare dekarbonisering – men bara om driften är smart. Annars riskerar man att bygga fina system som aldrig når sin teoretiska verkningsgrad.

Nästa steg: så kan ni använda detta i er egen plan

Om ni redan tittar på geoenergi, fjärrvärmeoptimering eller elektrifiering av fastigheter är min rekommendation enkel: planera AI och datainfrastruktur som en del av projektet, inte som en påbyggnad när allt är klart.

Börja smått men med rätt grund:

• definiera KPI:er (kWh, effekt, COP, komfortavvikelser, CO₂ per kWh)
• säkerställ mätning och datalagring
• bygg en första prognosmodell (väder + historik) och testa driftstrategier

Frågan som avgör om nätverksgeoenergi blir en parentes eller en ny standard är inte om vi kan borra 200 hål. Det kan vi. Den avgörande frågan är: kan vi styra tusentals beslut per dygn så att komfort, kostnad och klimat går åt samma håll?