AI kan göra havsströmsenergi lönsam på riktigt

Effekttäthet över 2 500 W per kvadratmeter i havsströmmar är inte en liten detalj. Det är en nivå som i den nya globala kartläggningen ligger runt 2,5 gånger högre än vad som ofta kallas en ”utmärkt” vindresurs – och det på platser där vattendjupet kan vara runt 300 meter, vilket gör tekniken betydligt mer realistisk att bygga och underhålla.

Det här är kärnan i en studie publicerad 2025 som, med över 30 år av mätdata från satellitspårade drifters (NOAA:s Global Drifter Program), pekar ut var i världen havsströmsenergi faktiskt har bäst förutsättningar. Men den stora grejen för oss som jobbar med AI inom energi och hållbarhet är något annat:

När resurserna väl är kartlagda blir AI verktyget som avgör om de kan integreras i elsystemet på ett sätt som håller ekonomiskt. Prognoser, styrning, felprediktion, nätoptimering – allt det som gör att en lovande energikälla blir en pålitlig del av energimixen.

Var finns ”hotspots” för havsströmsenergi – och varför spelar det roll?

Den direkta slutsatsen från den globala analysen är tydlig: vissa kustområden sticker ut med konsekvent hög energitäthet i strömmarna.

De mest lovande regionerna enligt mätdata

Studien pekar särskilt ut:

• USA:s sydöstra kust (från Florida upp mot North Carolina)
• Östra och sydöstra Afrika (bland annat Somalia, Kenya, Tanzania, Sydafrika och Madagaskar)

Det är här man återkommande ser effekttäthet över 2 000 W/m², och i vissa områden över 2 500 W/m².

Samtidigt visar resultaten att andra regioner som ofta nämns i energisammanhang – exempelvis delar av Japan eller Sydamerika – inte når samma nivåer vid jämförbara (och praktiskt viktiga) vattendjup.

Effekttäthet + djup = ekonomi

Här är en sak många missar: en energiresurs handlar inte bara om hur stark strömmen är. Djupet påverkar totalkostnaden brutalt.

• Grundare vatten (t.ex. ~300 m) kan innebära enklare förankring, installation och service.
• Djupvatten (1 000 m eller mer) kräver avancerade förtöjningssystem, dyrare drift och mer risk.

En bra tumregel i projektutvärdering är att resurskvalitet utan byggbarhet bara är en karta, inte en affär.

Vad studien förändrar: från antaganden till 43 miljoner datapunkter

Den här kartläggningen sticker ut eftersom den baseras på uppmätta data snarare än enbart modeller. Forskarna använde över 43 miljoner datapunkter från perioden 1988-03 till 2021-09.

Det spelar roll av två skäl:

1. Bankability: Investerare och projektägare vill se att resurserna håller över tid – inte bara i en idealiserad modell.
2. Variabilitet: Havsströmmar varierar med säsong, klimatmönster och lokala förhållanden. Lång tidsserie gör att man kan skilja ”tur” från verklig potential.

Ett användbart sätt att uttrycka det: 30 års data minskar risken att du dimensionerar en park för ett ovanligt bra år.

75% av de bästa områdena ligger inte i toppnivån

En annan konkret siffra i studien är att ungefär 75% av de hög-effekttäta områdena (som tillsammans täcker cirka 490 000 km²) ligger i intervallet 500–1 000 W/m².

Det är en viktig nyansering. Marknaden tenderar att jaga de mest extrema hotspotsen, men volymen kan ligga i ”mellannivåerna”. Och här blir AI ännu mer relevant – för när marginalerna är tajtare avgör optimering och driftstrategi om projektet bär.

Där AI gör störst skillnad: från resurskarta till stabil elproduktion

Den korta versionen: havsströmsenergi är mer förutsägbar än vind och sol på vissa sätt, men svårare att drifta. Den kombinationen passar AI ovanligt bra.

AI för prognoser: produktion + efterfrågan i samma modell

Studien pekar på säsongsvariationer:

• I norra halvklotet ses högre effekttäthet under juni–augusti i flera regioner.
• I Sydafrika är topparna under deras varmare period december–februari.

Det intressanta är kopplingen till elsystemet: dessa perioder sammanfaller ofta med högre elanvändning (t.ex. kylbehov). För Sverige är säsongsprofilen annorlunda, men lärdomen är generell:

AI kan bygga gemensamma prognoser för både tillgång (strömenergi) och efterfrågan, och optimera planering av flexibilitet.

Praktiskt innebär det:

• korttidsprognoser (15 min–72 h) för drift och balans
• dygn/vecka för marknadsbud och underhållsplanering
• säsong för intäktsmodellering och PPA-strategi

AI för smarta elnät: integration utan att skapa flaskhalsar

När en ny produktionskälla kopplas in nära kustnära nät uppstår ofta samma problem som vid havsbaserad vind:

• nätkapacitet och anslutningspunkter
• spänningsstabilitet och reaktiv effekt
• begränsningar i regionala nät (”trånga sektorer”)

AI-baserad nätoptimering kan hjälpa genom:

1. Congestion forecasting (förutse flaskhalsar i nätet)
2. Optimal dispatch mellan havsenergi, batterier, industriell flexibilitet och annan förnybar produktion
3. Anomali- och felprediktion för att minska oplanerade stopp

Här har jag sett att många organisationer fastnar i ”vi behöver mer nät”. Ofta stämmer det – men ofta går det att få mer effekt ur befintlig kapacitet med bättre styrning, prognoser och marknadslogik.

AI för underhåll: när havet är arbetsmiljön

Havsbaserad energi har en hård verklighet: korrosion, påväxt, stormar och svår service.

Därför är en av de mest lönsamma AI-tillämpningarna predictive maintenance:

• sensordata från turbin, generator, lager och förtöjningar
• strömningsdata och belastningshistorik
• väder/havstillstånd för att planera säkra servicefönster

Målet är enkelt: minska antal utryckningar och maximera produktion när resursen är som bäst.

Varför mätosäkerhet är en energifråga (inte en forskningsdetalj)

Studien lyfter att precisionen i effekttäthetsberäkningar varierar mellan regioner.

• I delar av Nordamerika och Japan var resultaten mer robusta.
• I regioner med färre mätningar eller mer varierande förhållanden (t.ex. delar av Sydafrika och norra Brasilien/French Guiana) blir osäkerheten större.

Det här påverkar allt från finansiering till dimensionering. Och det är här AI kan bidra även i resursfasen.

AI för datakomplettering och bättre resursestimat

AI kan inte ersätta fysiska mätningar – men den kan göra dem mycket mer värdefulla.

Exempel på användbara angreppssätt:

• Datafusion: kombinera drifterdata med satellitobservationsdata och lokala instrument (t.ex. ADCP-profiler) för mer komplett bild.
• Spatiotemporal modellering: lära samband mellan närliggande områden och tidsmönster för att minska ”blinda fläckar”.
• Uncertainty quantification: leverera prognoser med osäkerhetsintervall, vilket gör risk prissättningsbar.

En mening som brukar landa bra i ledningsgrupper:

Det är lättare att investera i en prognos med känd osäkerhet än i en siffra som låtsas vara säker.

Vad betyder detta för Sverige och Norden?

Studien handlar inte om att Sverige plötsligt har Florida-strömmar runt hörnet. Poängen är större än så.

Sverige har redan en elmix med stor andel fossilfri produktion, men vi brottas samtidigt med:

• elektrifiering av industri och transport
• kapacitetsbrist i vissa regioner
• behov av mer planerbar och flexibel fossilfri el

Havsenergi (vågor, tidvatten, strömmar) kan på sikt bli en del av lösningen även i norra Europa – men bara om vi gör hemläxan:

1. Kartläggning och pilotprojekt med tydliga mätprogram
2. AI för prognos och drift från dag ett (inte som påklistrad ”digitalisering” efteråt)
3. Nätintegration där man tänker helhet: flexibilitet, lagring, marknad och lokala behov

Det finns också en exportlogik här. Svenska bolag som bygger AI för energiprognoser, nätoptimering och tillståndsbaserat underhåll kan ta en position i en global marknad där hotspotsen råkar ligga någon annanstans.

Praktisk checklista: så bedömer du om havsenergi är värt att utreda

Om du sitter på kommun-, nät- eller industrisidan och vill göra en första screening, fungerar den här listan bra:

1. Resurskvalitet: vilken effekttäthet är realistisk över tid (inte maxvärde)?
2. Vattendjup och bottenförhållanden: vad innebär det för installation och service?
3. Säsongsprofil: matchar produktionen lokal efterfrågan eller krävs flexibilitet?
4. Nätanslutning: var är närmaste starka punkt, och vad kostar anslutningen?
5. Miljö och tillstånd: vilka skyddade områden, fiskeriintressen och sjöfartsleder påverkas?
6. Datagrund: finns mätningar som håller, och kan AI förbättra precisionen?

Om du bara tar med dig en sak: börja med data- och driftstrategin samtidigt som teknikvalet. Det sparar år.

Nästa steg: havets energi behöver intelligenta system

Det mest spännande med den nya globala kartläggningen är att den flyttar diskussionen från ”var skulle det kunna funka?” till ”var finns det faktiskt mätbar potential?”. När man väl har den kartan börjar det riktiga jobbet: att få produktionen att fungera i verkliga elnät, med verkliga kostnader och verkliga risker.

AI är inte en dekoration i den här typen av projekt. AI är ofta skillnaden mellan en resurs som ser bra ut på papper och en anläggning som levererar stabilt, kan servas smart och går att finansiera.

I vår serie AI inom energi och hållbarhet återkommer vi till samma slutsats gång på gång: förnybar energi skalar först när den blir styrbar. Havsströmmar kan bli en del av nästa våg – men bara om vi bygger den med intelligens från start.

Vilken del av kedjan tror du blir flaskhalsen först: mätdata, nätanslutning eller driftsäkerhet i tuff havsmiljö?