Gamla oljebrunnar som energilager – med AI som motor

3,9 miljoner. Så många uttjänta olje- och gasbrunnar uppskattas finnas i USA. I Sverige är siffrorna förstås inte i närheten, men idén är ändå högintressant för oss: att göra om gammal fossil infrastruktur till energilagring – och dessutom höja verkningsgraden genom att utnyttja den naturliga värmen i berget.

Forskare vid Penn State har modellerat ett upplägg där tryckluftslagring (CAES) placeras i uttömda brunnar och “värms på köpet” av geotermisk värme. Resultatet: 9,5% bättre verkningsgrad än befintliga varianter av tekniken. Det är inte en liten marginal i energisystemets ekonomi. Den sortens förbättring är ofta skillnaden mellan en snygg rapport och ett investeringsbeslut.

Det här passar perfekt in i vår serie ”AI inom energi och hållbarhet”. För den verkliga hävstången ligger inte bara i brunnen, utan i hur AI-driven modellering, optimering och drift kan göra sådana här lager stabila, lönsamma och säkra i praktiken.

Varför energilagring är flaskhalsen – även i Sverige

Energilagring är den praktiska lösningen på att elproduktion och elbehov sällan matchar i tid. Det gäller särskilt när andelen vind och sol ökar.

I december 2025 är det extra tydligt. Mörka dagar, högre lasttoppar och mer väderberoende produktion gör att värdet av flexibilitet skjuter i höjden. I Sverige har vi vattenkraft som stark balansresurs, men:

• Nätbegränsningar gör att “billig el” inte alltid kan flyttas dit den behövs.
• Industrins elektrifiering skapar nya effekttoppar.
• Mer lokal produktion (sol på tak, vindparker) kräver lokal balans och stödtjänster.

Lagring handlar därför inte bara om energi (kWh), utan om effekt (kW), stabilitet och förutsägbarhet. Och här kommer CAES in som ett alternativ mellan batterier (snabba men dyra per kWh) och pumpkraft (geografiskt begränsat).

CAES med geotermisk hjälp: vad är nytt i forskningen?

Kärnan är enkel: när elbehovet är lågt komprimeras luft och lagras under jord. När elbehovet är högt släpps luften ut, driver en turbin och blir el igen.

Det som ofta bromsar CAES är två saker:

1. Startkostnader: att borra och bygga underjordisk lagring är kapitaltungt.
2. Termodynamiska förluster: kompression och expansion ger temperaturförändringar som påverkar hur mycket energi man faktiskt får tillbaka.

Penn State-teamet tittade på en variant där man återanvänder uttjänta olje- och gasbrunnar och samtidigt nyttjar geotermisk värme i varma bergformationer. Varför spelar värmen roll? För att varmare gas kan ge högre tryck och därmed bättre energitäthet i systemet – och i praktiken bättre återvinningsgrad.

En mening att komma ihåg: ”Verkningsgrad i energilagring är ofta en ekonomifråga maskerad som fysik.”

9,5% bättre verkningsgrad – varför det betyder pengar

En verkningsgradsökning på 9,5% betyder att en större andel av den lagrade energin kan återvinnas som el. Om du köper in el billigt för att lagra den och säljer dyrare senare, påverkar varje procentpunkt direkt marginalen.

I energilager räknas allt: elpris-spread, driftkostnad, underhåll, kapitalkostnad, och inte minst tillgänglighet. En förbättring som kommer “gratis” via geotermi och befintliga brunnar är därför extra intressant.

Återbruk av brunnar: klimatnytta och risker på samma gång

Återbruk av brunnar är attraktivt eftersom det kombinerar energinytta med saneringsnytta. Forskarna lyfter ett viktigt problem: övergivna eller “föräldralösa” brunnar kan läcka metan och påverka grundvatten om de är dåligt pluggade.

Att återanvända en brunn för ett energilager kan innebära att man:

• tätar och säkrar brunnen, vilket minskar läckagerisk
• nyttjar befintlig infrastruktur i regioner som redan har energikompetens
• skapar en ny roll för tidigare fossilområden i energiomställningen

Samtidigt: det här är inte en “bara bygg”-lösning. Underjordiska system kräver geomekanisk förståelse, materialval och noggrann övervakning.

De stora frågorna som avgör om det fungerar

För att CAES i gamla brunnar ska bli verklighet behöver man få ordning på:

• Brunnsintegritet: cement, foderrör, packers och åldring.
• Läckagevägar: sprickor, korrosion, gamla sidospår.
• Geologi: värmegradient, permeabilitet, porositet och trycktålighet.
• Tillstånd och ansvar: vem äger risken över 20–40 år?

Här är jag ganska bestämd: utan högupplöst data och kontinuerlig övervakning blir det svårt att få finansiering. Och där blir AI väldigt konkret.

Där AI faktiskt gör skillnad: från modell till drift

AI är inte en dekoration i energiprojekt – den är ett sätt att pressa osäkerhet och kostnad. Geotermiskt assisterad CAES bygger redan på numerisk modellering. Nästa steg är att göra modellerna operativa: styrning, prediktion och riskkontroll i realtid.

1) AI för att välja rätt brunnar (site screening)

Det första värdet är urvalet. Alla brunnar är inte bra kandidater. Med ML-modeller kan man rangordna “bäst lämpad”-objekt baserat på:

• geologiska parametrar (temperatur, gradient, bergart)
• historisk brunnsdata (tryck, produktion, injektionshistorik)
• kända riskmarkörer (korrosion, ålder, reparationsloggar)
• närhet till nät, förnybar produktion och flexmarknader

Målet är tydligt: sänk projektutvecklingstiden och minska risken för felinvesteringar.

2) Digital tvilling för CAES: styrning och optimering

En digital tvilling är en löpande simulerad kopia av systemet som matas med sensordata. För CAES kan den användas för att optimera:

• när man ska komprimera vs expandera (styrt av elpris och nätbehov)
• tryck- och temperaturprofiler för att minska förluster
• underhållsplan baserat på faktisk belastning, inte kalender

I praktiken blir det en kombination av fysikmodeller och ML. Jag har sett att den kombon ofta slår “ren ML” i industriella system, eftersom fysiken håller modellen ärlig när data är gles.

3) Prediktivt underhåll och läckagedetektering

Övervakning är inte valfritt när du arbetar med gamla brunnar. AI kan hjälpa till att hitta avvikelser tidigt:

• förändrade tryckfall som tyder på läckage
• temperaturavvikelser som signalerar flödesproblem
• vibrations- och ljudmönster från turbiner/ventiler

Det fina är att samma pipeline kan stödja både säkerhet och ekonomi: färre stopp, lägre riskpremie, bättre tillgänglighet.

4) Optimering mot smarta elnät och stödtjänster

Energilager tjänar ofta mer pengar på flexibilitet än på ren arbitrage. Med AI kan man optimera mot:

• frekvenshållning och andra stödtjänster
• lokal kapacitetsbrist (”nätträngsel”) via riktad flexibilitet
• prognoser för vind/sol och last (timme till vecka)

Det här knyter direkt till den svenska kontexten: även om vi inte har miljontals gamla brunnar kan vi ha många lokala flaskhalsar där flexibilitet är hårdvaluta.

Hur skulle detta kunna översättas till svensk verklighet?

Sverige har andra geologiska och infrastrukturella förutsättningar än Pennsylvania. Men logiken – återbruk, geotermi, lagring och AI-optimering – är fullt överförbar.

Tre svenska spår jag tycker är mest realistiska:

1. Industriell tryckluft i kombination med värmeåtervinning (tänk större industriområden där spillvärme och flexbehov finns).
2. Berganläggningar och underjordiska bergrum som lagringsvolym, där AI styr driften mot elpris och stödtjänster.
3. Geotermiska piloter där man kombinerar värmeuttag med elnätsnytta (särskilt i regioner med effektbrist).

Poängen: det är inte exakt samma brunns-case som avgör, utan systemtänkandet. Återbruk + termisk intelligens + AI-styrning.

Praktiska nästa steg för energibolag och industrin

Om du vill utvärdera CAES/underjordisk lagring med AI-stöd, börja smalt och mätbart. Här är ett upplägg som brukar fungera:

1. Datakartläggning (2–4 veckor): vilka geodata, sensordata och driftdata finns redan?
2. Förstudie med modell (6–10 veckor): förenklad digital tvilling + känslighetsanalys (temperatur, tryck, verkningsgrad, CAPEX/OPEX).
3. Affärsfall (4–6 veckor): intäktsmix (arbitrage + stödtjänster), riskpremier, tillgänglighetskrav.
4. Pilot med instrumentering: sensorer först, hårdvara sen. Du vill se hur systemet beter sig i verkligheten.

En tydlig tumregel: om du inte kan instrumentera och mäta systemet, kan du inte heller styra det med AI på ett ansvarsfullt sätt.

Vad jag hoppas att branschen tar med sig

Att återanvända fossil infrastruktur som energilager är inte nostalgiskt. Det är rationellt. Du använder det du redan har betalat för, minskar miljörisker och bygger flexibilitet i ett elsystem som behöver den varje dag.

Studien från Penn State pekar på något större än 9,5% verkningsgrad: den visar hur ingenjörskonst och smart modellering kan göra energilagring mer ekonomiskt realistiskt. Nästa steg är att göra detta driftsäkert i stor skala – och där blir AI ett av de mest praktiska verktygen vi har.

Om du sitter med en portfölj av energitillgångar, nätutmaningar eller ett industrikluster som skriker efter effekt: vilken del av din infrastruktur skulle kunna få ett “andra liv” om du kombinerar den med AI och lagring?