7. Metod
7.4 Fallstudie
Elnätsföretagen har framfört synpunkter på att lastfaktorn är svår att påverka. För att undersöka hur lastfaktorn påverkas av förändringar i ett elnät har fyra scenarier simulerats i Matlab och Excel. I den här rapporten har två alternativa indikatorer tagits upp. De två indikatorerna är viktad lastfaktor och utnyttjningsgrad. Hur stor vikt som ges höglastdagar för lastfaktorn bestäms utifrån vilken potens (x) som väljs, högre x ger högre vikt åt större dygnslastfaktorer. I simuleringarna har följande x valts:
▪ x=1
▪ x=2
▪ x=5
▪ x=10
30
▪ x=20
Samtliga indikatorer simuleras för de olika fallen för att se hur förändringar i nätutnyttjandet påverkar respektive indikator. Scenarierna bygger på framtidsscenarier och smarta elnätslösningar. Dessa är ökad mängd prosumenter i detta fall hushåll med solceller, ökad mängd elbilar, utjämning av värmelast i hushåll och införandet av effekttariff. Scenarierna bygger alltså på förändrad produktion och konsumtion för privatkunder.
7.4.1 Solel
Utifrån Widens studie [38] och Energimyndighetens strategi [39] valdes att 7 % av de olika nätens elanvändning kommer från solel. Detta för att se hur de olika indikatorerna påverkas av en ökad mängd solel. De sex nät som undersöks är olika i förhållande till bland annat kundsammansättning och energi därför testades även 1 %, 2 % och 3 % för att få en uppfattning om hur näten klarar olika mängder solkraft.
För att ta fram solelproduktionen för ett år från ett givet område användes programvaran System Advisor Model (SAM). SAM är en programvara som simulerar prestanda och finansiering för förnyelsebar energi. Modellen togs fram av National Renewable Energy Laboratory (NREL) tillsammans med Sandia National Laboratories och U.S. Department of energy (DOE). SAM är till för projektledare, ingenjörer, policy analytiker, teknik utvecklare och forskare. [55] I detta arbete togs elproduktionen per timme fram i SAM.
Antagandet gjordes att typ av solcell och växelriktare inte hade någon betydande påverkan på resultatet och valdes därför utifrån kriteriet att de skulle uppfylla dimensioneringskraven i SAM. Programmet använder diffuse horisontal irradiance (DHI) och direct normal irradiance (DNI) för att räkna ut elproduktionen på en given plats.
Soldata hämtades för respektive elnätsområde och år (2016 och 2017) från STRÅNG.
STRÅNG är en modell som tagits fram av SMHI, Strålskyddsmyndigheten och Naturvårdsverket [56]. Sam kräver även temperatur och vindhastighet vilket hämtades från SMHI:s öppna data för åren 2016 och 2017 [57].
I SAM togs solelproduktionen fram för en villa med en solcellsanläggning på 4,5 kW, då en villa med solceller normalt har en kapacitet runt 3–6 kW. Detta gjordes för att kunna se andelen villor som behövde ha solceller i respektive nät för att nå upp till 7 % solelproduktion. En villa med direktverkande eluppvärmning förbrukar ungefär 25 000 kWh per år, där elkonsumtionen för uppvärmning utgör ungefär 15 000 kWh. I respektive elnät antas därför hushåll med en förbrukning på minst 10 000 kWh vara villor.
7.4.2 Elbilar
Från litteraturstudien av elbilar togs två scenarier fram för elförbrukningen från elbilar.
Majoriteten av befolkningen är hemma kl. 17:00 på vardagar och en stor del gör sedan ytterligare en resa kl. 18:00. Under helgen är resorna mer jämnt fördelade under dagen. I det här arbetet antas laddbehovet vara lika stort under vardagar som under helgen och
31
alltså görs ingen skillnad i simuleringen på helger och vardagar. 40 % av hushållen (minst 1000 kWh) antogs ha en elbil med en elförbrukning på 6,6 kWh per dag. Även 20 % testades för att se om det fanns någon skillnad på utfallet på indikatorerna om en mindre del byter till elbilar. Enligt två studier [45, 46] så sker majoriteten av laddningen i hemmet och enligt en av studierna skedde största aggregerade toppen kl. 18:00 och i den andra som simulerade ett hushåll var toppen från kl. 18:00 till 20:00. Detta stämmer överens med befolkningens genomsnittliga förflyttning till hemmet. Det ena scenariot är att användaren laddar bilen mellan 18:00 och 20:00 då det inte finns något incitament att fördröja laddningen till låglasttimmar. I det andra scenariot sker laddningen på natten när lasten är lägre.
7.4.3 Smart elnätslösning: Hushåll
Utifrån antagandet att flytt av värmelast kommer ge positiv påverkan på indikatorerna så är detta en möjlig lösning för elnätsföretagen, alltså att utforma tariffer som uppmanar kunden att flytta sin last under högbelastade tidpunkter. I litteraturstudien togs några exempel upp där effekttopparna reducerats. Genom att implementera smarta elnätslösningar kan maxeffekten reduceras. I ett projekt minskades effekten under vinterhalvåret genom att styra värmepumparna i hushållen. Lasten kunde styras upp till cirka 2,5 timmar om dagen och sedan fördelas relativt jämnt på resten av timmarna på dygnet.
I detta scenario testas utfallet av att applicera resultatet från projektet på de fem olika näten. 2012 fanns det 958 000 värmepumpsägare och 50 % av Sveriges småhus hade en värmepump installerad [59]. Antalet småhus uppskattades uppgå till 1 928 000 år 2013 av Energimyndigheten [60]. Utifrån antalet småhus och att 50 % har värmepump så skulle 964 000 småhus haft värmepump år 2013, vilket är nära antalet värmepumpar 2012.
Elnätsföretagen rapporterade 2016 in att de har 4 691 676 hushållskunder i sina nät.
Andelen småhus med värmepump skulle då vara 20,5 % av totala antalet hushåll. En tredjedel av hushållen antas förskjuta lasten genom att styra sina värmepumpar 2 timmar per dag under vinterhalvåret. Vinterhalvåret definieras här som den tid Svenska kraftnät har en effektreserv, 16 november till 15 mars. Hushållen reducerar effekten under de två timmar med högst last med 2 kW per timme. Energin fördelas sedan på de 10 nästkommande timmarna. En dynamisk algoritm skapades i Matlab där simuleringen utfördes. De sex studerade elnäten har olika andel hushållskunder därför testades även att under vintern reducera största och näst största toppen med 1, 2 och 5 % och flyttas till de 10 nästkommande timmarna.
För detta fall testades även att reducera de största och näst största toppen under alla dagar på året med 1, 2 och 5 % och flytta energin till de 10 nästkommande timmarna. Detta testades för att det under arbetsgång framkom att vissa nät hade stor uttagen energi utanför tidsperioden för effektreserven.
En potentiell nackdel med medellastfaktorn är att indikatorn inte fångar upp förändring av maxeffekten under de högsta dagarna på året eftersom att samma vikt ges för samtliga
32
dagar och det därför blir små utfall om det endast sker ändring av dagar med högst belastning. Att minska de högsta topparna är av stor vikt vid effektutjämning då det är dessa dagar som avgör vilken kapacitet nätet behöver och det är utifrån det företagen gör investeringar samt en stor del av avgiften till regionnäten beror på maxeffekten. I Matlab simulerades därför även hur indikatorn påverkades av att jämna ut alla vinterdagar förutom de största topparna. 1, 5, 10 och 20 toppar testades för två REL under två olika år. Detta jämfördes sedan med att jämna ut alla vinterdagar.
7.4.4 Effekttariff
I ett av scenarierna togs 5 % av effektbehovet bort, alltså ingen maxeffekt var högre än 95 % av toppeffekten. Detta för att se hur en sådan förändring påverkar indikatorerna.
Scenariot bygger på resultatet från Sollentuna AB:s introduktion av en effekttariff [32]. I simuleringen antogs ett reducerat effektbehov innebära att ingen maxeffekt var högre än 95 % av den högsta toppen under året. Eftersom de sex nät som undersöks skiljer sig med avseende på energiförbrukning så testades även att reducera ett fast antal toppar för respektive nät. De 100 och 10 högsta topparna reducerades till storleken av 100e respektive 10e största toppen och den reducerade energin flyttad till dagarna med lägst uttagen energi. De högsta topparna reducerades för att se skillnaden för utnyttjningsgraden och medellastfaktorn när det enbart är de absolut högsta topparna som reduceras.