Regnenergi och AI: el från droppar på ditt tak

En sak blir tydligare för varje år: energisystem som bara funkar när solen skiner eller när vinden blåser behöver kompisar. I Sverige är vintern lång, solinstrålningen låg och effektbehovet som högst när vi helst vill ha trygg leverans. Därför är jag extra förtjust i idéer som utnyttjar det som redan händer i vår vardag — som regn.

Forskare visade 2025 att regnliknande droppar som faller genom ett smalt rör kan skapa el via laddningsseparation, och att ett särskilt flödesmönster (plug flow) gav mer än 10 % energikonvertering och tillräckligt med effekt för att driva 12 LED-lampor i 20 sekunder i en labbuppställning. Det här är inte ett färdigt kraftverk för villan i Norrland. Men det är en konkret teknisk pusselbit för decentraliserad förnybar energi — och en ovanligt bra matchning för AI i smarta elnät.

Det som gör regnenergi intressant i en serie om AI inom energi och hållbarhet är inte bara att tekniken finns. Det är att AI kan göra den användbar: förutsäga regn, styra när energi lagras, upptäcka fel, och optimera hur många rör som ska vara aktiva för att ge bäst nytta per krona.

Vad är det nya? Plug flow gör regndroppar till en generator

Kärnan är enkel: när vatten rör sig mot en yta kan elektriska laddningar separeras, lite som statisk elektricitet när du gnuggar en ballong mot en tröja. Det har man känt länge. Problemet har varit att effekten ofta blir låg eftersom laddningseffekten sker nära ytan.

Forskarna testade ett upplägg där droppar sprutas in i toppen av ett vertikalt polymerrör (cirka 32 cm högt och 2 mm i diameter). När dropparna träffar ingången uppstår inte ett jämnt flöde, utan ett “tåg” av korta vattenpelare med luftfickor emellan — alltså plug flow.

Varför plug flow ger mer el än ett jämnt flöde

Direkta svaret: plug flow ökar den effektiva laddningsseparationen genom att upprepade vatten/luft-gränser och segmentering “förnyar” kontakten mellan vatten och rörvägg.

I försöket gav plug flow enligt rapporten 5 tiopotenser (alltså 100 000 gånger) mer elektricitet än ett kontinuerligt flöde i samma typ av kanal. Det är en enorm skillnad och visar att flödesmönstret kan vara lika viktigt som materialvalet.

“10 %” – vad betyder det i praktiken?

Direkta svaret: 10 % syftar på andelen av vattnets fallenergi i rören som omvandlades till elektricitet i labbmiljön.

Det låter högt, men man ska läsa det rätt: det gäller en specifik uppställning med kontrollerade droppar, korta rör, och eluttag via elektroder i toppen och i uppsamlingskoppen. Vägen till robusta installationer (tak, stuprör, smuts, temperatur, is) är lång. Men siffran är ändå intressant eftersom den visar att tribo-/laddningsbaserade vattenlösningar inte måste vara “pyttiga”.

Var kan regnenergi faktiskt göra nytta? Tänk mikroeffekt, inte megawatt

Regnenergi i den här formen är mest logisk där du vill ha små mängder el nära lasten. Jag ser tre realistiska användningsspår i närtid, även om tekniken måste mogna:

1) Urban sensordrift och miljöövervakning

Direkta svaret: små regnenergimoduler kan på sikt driva sensorer på platser där batteribyten är dyra.

I städer växer behovet av miljöövervakning: luftkvalitet, buller, fuktskador, översvämningsrisk, partikelhalter i trafikstråk. Många sensorer sitter jobbigt till (broar, tunnlar, tak). Om regn kan bidra med energi just när fukt/översvämningsrisk är som störst, blir det extra logiskt.

Exempel på laster där milliwatt–watt-nivå är värdefull:

• Trådlösa fuktsensorer i takkonstruktioner
• Flödes- och nivåsensorer i dagvattenbrunnar
• Edge-noder som loggar och skickar datapunkter vid regnhändelser

2) Backup för byggnadsautomation

Direkta svaret: regnenergi kan bli ett komplement till solceller för att hålla kritiska byggnadsfunktioner vid liv.

Svenska fastigheter har ofta solceller, men vintern är tuff. Regnenergi kan inte ersätta sol — men den kan komplettera under perioder med nederbörd och låg solinstrålning. Tänk små buffertar som hjälper till att:

• hålla gateways uppe
• driva enkla larm
• mata sensorer i källare/garage där solceller inte hjälper

3) Utbildning, labb och prototypmiljöer

Direkta svaret: tekniken är redan idag perfekt för att demonstrera energiomvandling, materialfysik och smart styrning.

För kommuner, energibolag och universitet är det ett konkret sätt att visa hur decentraliserad förnybar energi kan fungera — och hur AI kan styra energiflöden. Den sortens “hands-on” ger ofta bättre acceptans än ännu en powerpoint.

Där AI kommer in: så gör du regnenergi användbar i ett smart energisystem

Regn är stökigt. Intensitet varierar, droppstorlek varierar, vind påverkar, och takavvattning beter sig olika mellan byggnader. AI är inte en bonus här — den är förutsättningen för att få stabil nytta.

AI kan förutsäga när regnenergin ens finns att hämta

Direkta svaret: med korttidsprognoser (nowcasting) kan du förladda eller förbereda lagring och laststyrning.

I praktiken handlar det om att kombinera:

• lokala regnmätare (eller enkla taksensorer)
• väderradardata (om tillgängligt i din driftmiljö)
• historik per byggnad (hur snabbt fylls stuprören, hur ser fördröjningen ut?)

Modellen behöver inte vara avancerad. En vältrimmad tidsserieprognos räcker ofta för att skapa operativt värde: “om 30–60 minuter får vi sannolikt X mängd flöde i stuprör A”.

AI kan optimera plug flow, inte bara mäta den

Direkta svaret: du kan styra flödesmönstret så att systemet oftare hamnar i plug flow-läge.

Forskningsresultatet pekar på att mönstret är nyckeln. I verkligheten kan man tänka sig att styrningen handlar om:

• geometri (rördimension, ytskikt)
• inflödesdelning (flera parallella rör)
• ventiler eller droppbildare som “hackar upp” flödet

AI passar bra här eftersom sambanden är icke-linjära: samma regnintensitet kan ge olika flöde beroende på smuts, temperatur och taklutning. Med sensorer (spänning/ström, flöde, ljud/vibration från rör, fukt) kan en modell lära sig vilka inställningar som ger mest energi per liter.

AI + smarta elnät: lagring och distribution på rätt sätt

Direkta svaret: regnenergi blir värdefull när den kopplas till lokal lagring och prioriterade laster.

Den rimliga arkitekturen är:

1. Regnenergimoduler matar en DC-buss
2. Energin går till en liten superkondensator eller batteri
3. En energihanterare prioriterar laster (sensorer först, kommunikation sen)
4. När lagringen är full kan systemet trigga extra mätningar (t.ex. översvämningsmonitorering)

Det här är klassisk “energy harvesting”-design — men AI kan ta den från statiska regler till adaptiva beslut: vilka sensorer ska skicka data nu, vilka kan vänta?

En praktisk tumregel: När energitillgången är intermittent ska datainsamlingen vara händelsestyrd. Regn är en händelse. Låt systemet bete sig därefter.

Vanliga följdfrågor: är det här relevant för Sverige?

Fungerar det när det är kallt och risk för is?

Direkta svaret: inte utan anpassning.

Polymerrör, små diametrar och droppdynamik påverkas starkt av temperatur. För svensk drift behöver man sannolikt:

• frosttåliga material
• självrensning mot smuts och biofilm
• strategi för avstängning/tömning vid frysrisk

AI kan hjälpa genom att använda temperaturprognoser och driftdata för att undvika skador: stäng, töm, eller växla till passivt läge.

Kan det ge “riktig” el till hushåll?

Direkta svaret: inte med dagens demonstrationsnivå.

Att driva 12 LED-lampor i 20 sekunder visar att fenomenet fungerar och kan skalas med fler rör. Men hushållsel kräver robusta effekter över tid, kraftomvandling, elsäkerhet och standarder. Det här ligger närmare “lokal mikrogenerering för sensorer och styrning” än en ny huvudkälla för elproduktion.

Varför inte bara satsa på solceller och vind?

Direkta svaret: du ska satsa på sol och vind — och samtidigt bygga fler kompletterande källor för resiliens.

Energiomställningen handlar inte om en teknik. Den handlar om ett system. Regnenergi kan bli en nisch som minskar batteriberoende, ökar datatillgång i smarta städer och ger fler verktyg för energieffektivisering och miljöövervakning.

Så skulle en pilot se ut 2026: enkel plan för fastighet eller kommun

Direkta svaret: börja smått, mät hårt, och låt AI göra jobbet med variationen.

Här är ett upplägg jag hade rekommenderat en fastighetsägare eller kommunal aktör:

1. Välj ett tak med tydlig dagvattenledning

   • Helst ett ställe där man ändå vill mäta vattennivå eller fukt.

2. Installera 4–12 parallella “energirör” i en skyddad modul

   • Tänk servicevänligt: snabb åtkomst, möjlighet att byta rörmaterial.

3. Sätt ett minimalt sensorpaket

   • Flöde (eller proxy), temperatur, genererad spänning/ström, samt en regnindikator.

4. Lägg på lokal lagring och två prioriterade laster

   • Laster: (a) sensornod, (b) kommunikationsmodul.

5. Träna en enkel modell för prediktion och styrning

   • Mål: maximera energiutbyte och minimera driftstopp.

6. Utvärdera på tre nyckeltal under minst en säsong

   • Wh per mm nederbörd
   • drifttillgänglighet (%), inklusive smuts/fel
   • kostnad per undviket batteribyte eller per förbättrad datapunkt

Det fina är att en sådan pilot skapar leads internt: drift, energi, hållbarhet och IT får ett gemensamt projekt med mätbar nytta.

Nästa steg: regn som datasignal, inte bara energikälla

Regnenergi från droppar i rör är en teknik som fortfarande är tidig, men den pekar mot något större: byggnader som både känner och reagerar på naturens flöden. När vi kopplar ihop små energikällor med AI blir resultatet inte bara “lite extra el”. Det blir bättre styrning, bättre beslutsunderlag och mindre slöseri.

Om du jobbar med energi, fastigheter eller smarta städer är det här en idé värd att följa under 2026: inte för att den ersätter elnätet, utan för att den kan göra våra system mer robusta där de annars är som skörast — i skarven mellan väder, infrastruktur och drift.

Vill du testa hur AI kan optimera decentraliserad förnybar energi hos er (prognoser, laststyrning, lagring och driftövervakning)? Hör av dig så kan vi skissa en pilot som faktiskt går att driftsätta — och som ger data du kan fatta beslut på. Vilken byggnad eller plats hos er skulle vara mest spännande att börja med?