Geotermiska energinät + AI: så skalas värme smart

När ett energibolag gräver upp en gata brukar reaktionen vara: ”Inte igen.” Men i Framingham utanför Boston har det pågått ett annat sorts grävjobb – ett som pekar på en väldigt praktisk väg mot billigare och mer robust uppvärmning. USA:s första elnäts- och gasnätsbolagsägda geotermiska nät för uppvärmning och kylning har fått 8,6 miljoner dollar i statligt stöd för att fördubbla sin storlek.

Det låter lokalt och nischat. Jag tycker tvärtom: det här är en tydlig signal om vart energisystemen är på väg. Inte bara mot mer förnybart, utan mot mer “system” – där data, styrning och AI faktiskt avgör om tekniken blir dyr pilot eller skalbar infrastruktur.

I den här delen av vår serie ”AI inom energi och hållbarhet” använder jag Framingham-projektet som fallstudie: varför geotermiska nät är intressanta, varför de blir billigare när de växer, och exakt var AI gör skillnad när man går från 140 till 280 kunder (och vidare).

Vad ett geotermiskt nät faktiskt är (och varför det är effektivt)

Ett nätanslutet geotermiskt system (ibland kallat networked geothermal) flyttar fokus från enskilda värmepumpar till en delad infrastruktur. I Framingham handlar det om låga temperaturer: man borrar ett stort antal borrhål några hundra fot ner i marken där temperaturen är stabil runt 55°F (cirka 13°C). Vatten cirkulerar i rör mellan borrhålen och byggnaderna.

Poängen är enkel: marken fungerar som en stabil värmekälla på vintern och en stabil “kylkälla” på sommaren. Varje byggnad använder sedan elektriska värmepumpar för att höja eller sänka temperaturen till rätt nivå.

Effektiviteten kommer från två saker

1. Stabil temperatur i marken minskar värmepumpens arbete jämfört med att ta värme ur kall uteluft en vinterdag.
2. Delad termisk infrastruktur gör att värme- och kylbehov kan balansera varandra när fler byggnader kopplas på.

En formulering jag gillar är: ”Geotermiska nät gör värme till en infrastrukturtjänst, inte ett individuellt problem.” Det är där skalbarheten finns.

Varför Framingham är intressant: kostnad, politik och skalning

Framingham-nätet byggdes i en första fas och togs i drift 2024. Det försörjer ungefär 140 hushåll och kommersiella kunder med värme och kyla. Med det nya stödet kan nätet byggas ut till cirka 140 kunder till, och samtidigt finansiera mätning och uppföljning av prestanda.

Det finns tre detaljer som gör projektet extra relevant för energichefer, kommuner och fastighetsägare – även här i Sverige.

1) Utbyggnaden blir billigare än första etappen

Planen är att ungefär fördubbla kapaciteten till ungefär halva kostnaden jämfört med första bygget. Det är ett klassiskt tecken på att du går från “pilot” till “produkt”. När pumpstationer, styrsystem och delar av rörnätet redan finns på plats slipper du duplicera den dyraste kringutrustningen.

2) Prestandan kan förbättras när nätet växer

När fler byggnader med olika användningsmönster ansluts ökar chansen att någon behöver kyla samtidigt som någon annan behöver värme. Det gör att systemet kan utnyttja marken smartare och kräva färre nya borrhål per ny kund över tid.

3) Geotermi har politiskt “andrum”

Även när andra stöd till vind, sol och elbilar stramas åt i USA verkar geotermisk värme och kyla ha fortsatt stöd. Det är inte det viktigaste argumentet tekniskt – men det är viktigt för investeringsrisken.

Där AI faktiskt hjälper: från rör och borrhål till smart drift

Geotermiska nät är inte “bygg och glöm”. De är cyberfysiska system: många noder (byggnader), varierande last, och långsamma termiska processer i marken. Det gör dem perfekta för AI – inte som hype, utan som verktyg för att hålla nere kostnad per levererad kWh värme.

Här är de mest konkreta AI-användningarna jag ser för nät som Framingham.

Prognoser: bättre styrning börjar med bättre förutsägelser

Den viktigaste datapunkten i ett termiskt nät är inte dagens temperatur – det är morgondagens last.

Med maskininlärning kan man bygga lastprognoser per byggnad och kvarter baserat på:

• väderprognoser (temperatur, vind, solinstrålning)
• historik per kundtyp (bostad, butik, kontor)
• kalenderdata (helger, lov, öppettider)
• driftdata från värmepumpar och cirkulationspumpar

Det här möjliggör modellprediktiv reglering (MPC): systemet optimerar driften framåt i tiden istället för att bara reagera när något redan blivit fel.

En bra prognos minskar både energikostnad och kundklagomål – samtidigt.

Optimering: sänk toppeffekt och elräkning

Även om geotermi är effektivt är det fortfarande el som driver värmepumparna. AI-baserad optimering kan:

• jämna ut topplaster (peak shaving)
• styra framledningstemperatur och flöden för lägsta möjliga pumpenergi
• prioritera drift när elpriserna är lägre (där timpris finns)

För en aktör med många anslutna byggnader blir toppeffekt ofta en större kostnadsdrivare än total energi. Att kapa några procent i toppeffekt kan vara skillnaden mellan “ekonomiskt” och “för dyrt”.

Digital tvilling: upptäck problem innan marken blir “mättad”

Marken runt borrhålen är som ett termiskt batteri med tröghet. Om du drar ut för mycket värme vintrar i rad kan temperaturen i borrhålsfältet sjunka. Om du trycker in för mycket värme somrar i rad kan den stiga. Båda påverkar verkningsgrad.

En digital tvilling – en simuleringsmodell som kalibreras med sensordata – hjälper dig att:

• följa temperaturutveckling per borrhålszon
• planera var nästa expansion ska kopplas in
• testa “what-if”-scenarier (t.ex. fler kontor vs fler bostäder)

AI behövs inte för själva fysiken, men är bra för att kalibrera modellen, hantera brusig data och förbättra parameterestimat över tid.

Prediktivt underhåll: undvik dyra driftstopp

När ett nät växer blir underhåll en affärskritisk fråga. Med prediktiva modeller kan man flagga tidiga tecken på:

• pumpkavitation och ineffektiv drift
• avvikande tryckfall (möjliga läckage eller igensättningar)
• värmepumpar som tappar prestanda (t.ex. kompressorproblem)

Det är klassisk industriell AI: enkla modeller som kör kontinuerligt och larmar innan det blir akut.

Vad Sverige kan ta med sig: fjärrvärmelogik, men elektrifierad

Svenskar har en intuitiv förståelse för nät: fjärrvärme. Skillnaden här är att geotermiska nät ofta är lågt tempererade och bygger på värmepumpar i ändpunkten. Det gör dem särskilt intressanta i områden där:

• fjärrvärme saknas eller är dyr att bygga ut
• elnätskapaciteten är ansträngd och toppeffekt måste hållas nere
• fastighetsägare vill bort från fossil/gas men behöver stabil värme

Jag tror också att det finns ett fönster just nu (vintern 2025) där många fastighetsägare känner samma sak: energifrågan är inte bara klimat – det är riskhantering. Geotermiska nät passar bra in i den logiken, men bara om projekten designas med drift och data i åtanke från dag 1.

Praktisk checklista: så förbereder du ett geotermiskt nät för AI

Om du jobbar på kommun, energibolag eller fastighetsbolag och vill att ett geotermiskt projekt ska bli skalbart, hade jag börjat här:

1. Datastandard direkt: bestäm vilka mätpunkter som krävs (flöde, temperaturer, tryck, elförbrukning, COP) och hur de lagras.
2. Mätning är inte en eftertanke: budgetera sensorer, kommunikation och dataplattform som en del av infrastrukturen.
3. Definiera KPI:er som går att optimera: toppeffekt, kWh/m², pumpenergi, komfortavvikelser, borrhålsfältets temperaturtrend.
4. Bygg för stegvis utbyggnad: modulär styrning och “plug-in”-logik för nya kunder.
5. Välj en styrstrategi: regelbaserad i början, men med tydlig väg mot MPC/optimering när nätet växer.

Det här låter kanske mer IT än energi. Men det är exakt därför många energiprojekt blir dyra: man bygger rör först och upptäcker styrbehoven sen.

Framingham visar något större: en ny typ av “utility” växer fram

Det mest intressanta citatet i historien är idén om att vi ser “födelsen av ett nytt energibolag”. Jag håller med. När värme och kyla levereras som en nätprodukt blir energibolagets jobb inte bara produktion och distribution – utan optimering.

För vår serie om AI inom energi och hållbarhet är lärdomen tydlig: AI gör inte geotermi “magiskt”. AI gör geotermi driftsäkert, mätbart och skalbart. Och när en utbyggnad kan ske till halva kostnaden, då börjar det likna infrastruktur på riktigt.

Nästa steg för många aktörer är att ställa en obekväm men nyttig fråga: Om vi byggde ett nytt värmenät i dag – skulle vi designa det som ett byggprojekt, eller som en datadriven tjänst med fysiska komponenter?