Automatiserad kundkategorisering och anpassade typkurvor

(1)

Automatiserad Kundkategorisering och Anpassade Typkurvor

Automated Categorization of Customers and Updated Load Curves

Peter Eriksson

Fakulteten för hälsa, natur- och teknikvetenskap

Högskoleingenjörsprogrammet i elektroteknik med inriktning elkraft C-nivå 22,5hp

Extern handledare: Henrik Rinnemo Handledare: Magnus Mossberg Examinator: Arild Moldsvor 2014-09

(2)

Sammanfattning

Detta examensarbete är gjort på uppdrag av Fortum Karlstad och är inriktat på att ta fram nya kategorier för indelning av de kunder som får sin elektricitet levererad genom Fortums elnät. Det ska också ta fram de villkor som ska uppfyllas för att en kund ska placeras i var och en av dessa

kategorier. Villkoren ska också möjliggöra automatisering för uppdatering av Fortums kundregister.

Sista delen av arbete ska ta fram en grov mappning av typkurvor för samtliga dessa kategorier.

Arbetet genomfördes genom att studera elförbrukningen baserat på månads- och årsbasis och genom analys av denna förbrukning urskilja mönster som leder till en indelning till en viss kategori.

Mappningen av typkurvor utfördes dels genom att utgå från tabeller som finns för idag existerande kategorier och uppdatera och anpassa dessa till de nya kategorierna. I de fall som inga lämpliga typkurvor existerade skapades nya typkurvor.

Resultatet av arbetet blev att nio stycken kundkategorier (idag finns cirka tvåhundra) skapades med villkor som möjliggör automatisk och regelbunden uppdatering av kategoriseringen av Fortums kunder. Tester har börjat för att se om dessa nya kategorier kan implementeras i de datasystem som används av Fortum. En grov mappning av typkurvor genomfördes genom att anpassa existerande typkurvor eller skapa nya.

Abstract

The object of this project, commissioned by Fortum Karlstad, is to create new categories for dividing the clients who have their electricity supplied through Fortum's power grid. The conditions to be fulfilled to be placed in each of these categories will also be set. These conditions shall also make it possible to update the category of the customers automatically and regularly. Finally a rough mapping of load curves shall be adapted or created for these new categories.

The work was done by studying the consumption of electricity on a monthly and yearly basis and, by analyzing this consumption, to distinguish patterns which would lead to an allocation to a certain category. The mapping of the load curves originated from tables that are designed for constructing load curves for the previously existing categories. These tables were then updated and adapted to make it possible to construct load curves for the new categories. If no suitable load curve existed a new load curve was created.

The result of this work was the creation of nine different categories (today there are about two hundred categories used by Fortum). Conditions for allocation to these categories were made and these conditions make it possible to automatically update the categories of the clients. A rough mapping of load curves was made by adapting existing ones or, when necessary, creating new ones.

(3)

Innehåll

1 Inledning ... 1

1.1 Om företaget ... 1

1.2 Problem ... 1

1.3 Mål ... 1

1.4 Rapportens upplägg ... 2

2 Uppdatering av kundkategorier ... 3

2.1 Inledning ... 3

2.2 Metod ... 3

2.3 Urval av data och kunder ... 3

2.4 Kategorisering privatkunder ... 5

2.4.1 Privatkunder med låg förbrukning ... 5

2.4.2 Fritidsbostäder ... 5

2.4.3 Permanenta bostäder med elvärme ... 6

2.4.4 Permanenta bostäder med annan uppvärmning ... 7

2.5 Kategorisering organisationer ... 7

2.5.1 Organisationer med låg förbrukning ... 7

2.5.2 Kunder med jämn förbrukning ... 7

2.5.3 Kunder med ojämn förbrukning ... 8

2.5.4 Kunder som saknar data ... 10

3 Anpassning av typkurvor ... 11

3.1 Teori ... 11

3.1.1 ELAK ... 11

3.1.2 Velanders formel och typkurvor ... 11

3.2 Metod ... 12

3.3 Beräkning av temperaturfaktorer och standardavvikelser ... 12

3.4 Graddagtal ... 13

3.5 Normering av årsmedelförbrukning ... 14

3.6 Beräkning av medel- och maxeffekt per timme ... 15

3.7 Beräkning efter verklig temperaturdata ... 16

3.8 Resultat - Typkurvor ... 16

3.8.1 Kategorier med passande existerande typkurvor ... 17

3.8.2 Kategorier utan lämpliga existerande typkurvor ... 21

4 Framtida arbete ... 29

(4)

5 Slutsats ... 29 Referenser ... 31

Bilaga 1: Existerande tabeller för konstruktion av typkurvor

Bilaga 2: Utdrag från en utvecklad tabell för konstruktion av typkurvor

(5)

1 Inledning 1.1 Om företaget

Företaget Fortum grundades 1998 genom en sammanslagning av elkraft- och värmeföretaget IVO som ägdes av finska staten och Neste Oy, som var det finska nationella oljebolaget. Företagets huvudkontor ligger i Esbo, Finland med ett lokalt huvudkontor i Stockholm och

representationskontor i bland annat Ryssland och Norge. Fortum är idag ett energiföretag vars verksamhet innefattar produktion, distribution och försäljning av el och värme samt experttjänster inom dessa områden. Verksamheten riktar sig främst mot Norden, Ryssland och Östersjöområdet.

1.2 Problem

Ett arbete gjort vid Växjö Universitet 2007 [1] undersökte vikten vid en bra kundkategorisering för att underlätta och effektivisera verksamheten inom ett företag. Fortum har idag ca niohundra tusen kunder i Sverige. Dessa kunder är indelade i olika kategorier som ska göra det möjligt att förutse hur deras konsumtion av energi ser ut och utifrån det planera för hur elnätet ska byggas och/eller utvecklas. Idag finns cirka tvåhundra olika kundkategorier där största delen av dessa innefattar företag. De idag existerande kategorierna för företag är baserade på SNI-koder som betyder Svensk Näringsgrensindelning [2] och som beskriver ett företags aktiviteter. Då det inte finns någon anmälningsplikt för vilken typ av bostad eller verksamhet som elen levereras till är det svårt för Fortum att veta vilken kategori en kund ska tillhöra eller veta när en kunds kategori behöver

uppdateras. All indelning sker manuellt grundat på generella kunduppgifter vilket gör att statusen på kunderna sällan uppdateras. Dessutom används idag en metod som är relativt generell för att

beräkna och förutse kunders elanvändning. Denna metod sker genom beräkning av Velanders formel [3] som visas senare i detta arbete.

1.3 Mål

Genom att analysera data som till exempel kunders års- och månadsförbrukning av el ska det bli möjligt att skapa nya kundkategorier. Målet är att antalet kategorier ska minskas dramatiskt för att ge en mindre komplicerad databas som ska göra det lättare att göra prognoser för att uppskatta kunders framtida energiförbrukning.

Det ska också tas fram villkor som när uppfyllda skall visa vilken av de nya kategorierna en kund ska tillhöra. Dessa villkor ska vara baserade på kundernas månadsförbrukning för varje månad under en tolvmånaders period. Detta ska leda till att Fortums kundregister ska kunna regelbundet uppdateras på ett enkelt sätt genom en sorteringsalgoritm. Detta innebär att villkoren inte får vara för

komplicerade då detta kan leda till en orimlig tidsåtgång för sorteringen.

Ett grundläggande arbete med att övergå till en mer effektiv metod att beräkna kunders elförbrukning ska också göras. Denna metod kallas för typkurvor och togs fram i rapporten

(6)

Belastningsberäkning med typkurvor som gjordes av Svenska Elverksföreningen 1991 [3]. I detta arbete ska det utföras en kontroll för att se om beräkningarna som gjorts tidigare fortfarande är aktuella eller om några justeringar bör göras till denna metod.

1.4 Rapportens upplägg

I rapportens andra kapitel visas vilka kategorier som skapats samt vilka villkor som ska uppfyllas för att en kund ska tilldelas till varje enskild kategori. I kapitel 3 följer sedan kontrollen om metoden typkurvor. Här beskrivs vilka resultat som fås genom beräkningar med gamla värden som använts för att skapa typkurvor och därefter vilka justeringar som gjorts och hur detta påverkar resultatet.

(7)

2 Uppdatering av kundkategorier 2.1 Inledning

Metoden att dela in kunder in olika kategorier är önskvärt för de flesta företag då det ger en ökad överskådlighet och möjlighet att kunna rikta verksamheten mot ett urval av företagets kunder. Inom handeln med värdepapper är indelningen av kunder i olika kategorier inte bara önskvärd utan även lagstadgad. I detta fall ska kunder delas in i tre olika kategorier beroende av kundens skyddsbehov [4]. Hos företag inom handeln kan kunder delas in i grupper beroende på hur mycket de handlar för hos företaget. Kunderna kan där lockas med olika förmåner som aktiveras om mer pengar spenderas och kunden flyttas till en annan kundkategori [5].

2.2 Metod

För att kunna bestämma nya kundkategorier och de villkor som ska uppfyllas för att en kund ska delas in i en viss kategori analyseras kundernas energiförbrukning månadsvis under de senaste tolv månaderna. Både den totala konsumtionen under varje månad och hur stor andel av årets

förbrukning som ligger i respektive månad används för att sätta villkoren.

För att specificera villkoren som ska gälla för varje kategori sätts godtyckliga värden för de olika villkoren och därefter görs en indelning. De olika kategorierna analyseras sedan för att kontrollera om det går att se om kunder som tydligt borde ha delats in i en viss kategori har delats in i en felaktig kategori. Nivåerna för villkoren justeras därefter och en ny indelning görs. Denna process upprepas tills lämpliga villkor har bestämts.

2.3 Urval av data och kunder

Arbetet började med en lista över all Fortums kunder i Sverige samlade i en textfil. I denna textfil finns sextio stycken fält med data över bland annat geografiskt område, kundens

identifikationsnummer samt årsförbrukning. Alla dessa sextio fält är inte relevanta för detta arbete och de sextio ursprungliga fälten reduceras till tolv stycken som visas och förklaras i tabell 1. Detta görs främst för att data som inte är relevant för detta arbete inte ska påverka eller störa arbetet. De borttagna fälten ligger dock kvar i Fortums databas och kommer vid en eventuell implementering av resultaten i detta arbete att finnas med i deras system. För att kunna arbeta med listan importeras textfilen först till Microsoft Access för att på ett effektivt sätt kunna välja ut vilka kunder och fält som ska användas i detta arbete. När urvalet gjorts kopieras detta till Microsoft Excel för att kunna utföra beräkningar och kontroller.

(8)

Tabell 1: Valda datakategorier med förklaring.

Rubrik Förklaring

CONCESSION_AREA_DESC Geografiskt område

SERVISNO Identifikationsnummer för en kunds inkommande elkabel.

EAN_CODE Kundnummer

SNI_CODE Kod för att hänföra ett företags verksamhet till en eller flera näringsgrenar.

CUSTOMER_TYPE Typ av abonnemang (privatkund eller organisation).

BYGGNADSTYP_DESC En beskrivning av fastigheten som abonnemanget försörjer.

BERGVÄRME Om bergvärme finns installerat i fastigheten eller inte.

TARIFF Abonnemangets tariff.

FUSE_CLASS_CODE Fastighetens säkring

DELVIERYSITE_STATUS Abonnemangets status (aktivt eller avbrutet)

YEARLY_CONSUMPTION Energiförbrukningen under de senaste tolv månaderna.

FEEDING_SUB_STATION Nätstationen som försörjer fastigheten.

Till denna tabell läggs sedan avlästa värden för energiförbrukningen per månad under de senaste tjugofyra månaderna (2011-09 till 2013-08) för samtliga utvalda kunder. För beräkningar i detta arbete delas dessa upp i två tolv månaders perioder, 2011-09 till 2012-08 samt 2012-09 till 2013-08.

Efter en tid bestämdes att alla beräkningar som behövs för att uppdatera databasen ska göras med hjälp av data från de senaste tolv månaderna från den tidpunkt då uppdateringen sker.

För att få ett hanterbart antal kunder som på ett bra sätt fungerar som en representation för samtliga Fortums kunder väljs först tre geografiska områden ut. De tre områdena är

Hammarö/Forshaga, Norra Dalarna samt Stockholm.

Hammarö/Forshaga fungerar som en grupp kunder som är relativt jämnt fördelade sett till organisations-/privatkunder, hus/lägenheter samt klimatförhållanden, framför allt temperatur.

Norra Dalarna är ett av de områden som ligger längst norrut i Fortums distributionsnät och väljs för att se om det blir några skillnader jämfört med övriga områden som kan antas vara kopplade till temperaturskillnader.

Stockholm är dels det, till antal kunder, största området och har också en stor andel av kunder som bor i lägenheter. För Stockholm är antalet kunder så stort att mängden data blir så stor att

beräkningar inte kunde genomföras på de datorer som använts för detta arbete. Ett slumpmässigt urval av dessa kunder gjordes därför för att få en lämplig mängd data från detta område.

I tabell 2 visas de kategorier som tagits fram i detta arbete och i de följande avsnitten ges en förklaring hur de tagits fram och vilka villkor som gäller för att en kund ska placeras i respektive kategori.

(9)

Tabell 2: Framtagna kundkategorier.

Kundkategori Förklaring

1 Privata fritidsbostäder - Peak under vinter

2 Privata fritidsbostäder - Peak under sommar

3 Privata fritidsbostäder - Peak under höst/vår

4 Privata permanenta bostäder med elvärme

5 Privata permanenta bostäder utan elvärme

6 Organisation med jämn årsförbrukning

7 Organisation med större delen av årsförbrukningen under vintern 8 Organisation med större delen av årsförbrukningen under sommar 9 Organisation med större delen av årsförbrukningen under höst/vår

2.4 Kategorisering privatkunder

Den första uppdelningen kan göras genom att titta på vilken typ av abonnemang som en kund har.

Kunderna kan efter detta delas in i antingen privatkund eller organisation/företag. I det första steget studeras privatkunder för att se om dessa kan delas upp i ytterligare kategorier och vilka dessa kategorier kan vara.

2.4.1 Privatkunder med låg förbrukning

Kunder som, enligt insamlad data, har en mycket låg förbrukning kan vara svåra att analysera då deras uppmätta förbrukning i vissa fall kan vara felaktig. Det kan vara kunder som inte längre är aktiva men som ändå fått en förbrukning uppmätt. Även om kunderna fortfarande är aktiva kan förbrukning vara på ett sådant sätt att det blir svårt att placera dem i rätt kategorier. Kunder som har en förbrukning under ettusen kWh per år placeras därför automatiskt i kategori 5 oavsett hur deras förbrukning är fördelad över året.

2.4.2 Fritidsbostäder

Den första undergruppen som kan sorteras ut är fritidsbostäder. I detta arbete innebär begreppet fritidsbostäder privata abonnemang som endast har en energiförbrukning under en viss tid av året.

Då dessa inte är i fullt bruk under hela året utan endast en kort tid bör dessa bostäder ha en stor andel av denna förbrukning under en kort tidsperiod samt att övrig tid har en väldigt låg, eller till och med ingen förbrukning av energi.

För att kunna se om en bostad ska kunna klassas som en fritidsbostad bör en stor del av bostadens energikonsumtion ligga under en begränsad tidsperiod samtidigt som en stor del av året har väldigt liten konsumtion. Villkoret som ställs är att minst 65 % av bostadens energiförbrukning ska inträffa

(10)

under en tremånadersperiod samt att minst fem månader av året har en förbrukning under 2 % av årets totala förbrukning. Om minst åtta månader av året har en förbrukning under 2 % antas bostaden vara en fritidsbostad oavsett hur förbrukningen ser ut i övrigt.

Fritidbostäderna kan därefter delas i olika kategorier beroende på när den största delen av deras förbrukning sker. Året delas in i tre stycken fyramånaders perioder, vinter (november till februari), sommar (maj till augusti) samt höst/vår (september till oktober samt mars till april). Kunderna placeras i den kategori där deras största procentuella förbrukning under året låg. Det kan inträffa att en kund uppfyller villkoren för en fritidsbostad men två olika perioder har samma procentuella förbrukning. I detta fall jämförs perioderna vinter och vår/höst och kunder placeras i den kategori av dessa två som är störst. Är dessa två lika stora placeras kunden i vinterkategorin. Anledningen till detta är att det är det är viktigare att beräkna konsumtionen under vintern då belastningen på elnätet kommer att vara högre under denna period. Därefter kommer höst/vår och sommaren kommer inte att vara lika viktig då belastningen kommer vara så låg att det inte kommer påverka nätet.

2.4.3 Permanenta bostäder med elvärme

Eftersom det finns siffror på hur mycket energi varje kund förbrukat i varje månad under den senaste tjugofyra månaderna kan den procentuella förbrukningen beräknas. Om energiförbrukningen skulle vara helt jämnt fördelad över året skulle det bli en förbrukning på 8,33 % per månad. Det är dock inte realistiskt att anta att detta är fallet då förhållanden under de kallare och mörkare perioderna under året leder till att energiförbrukningen stiger under dessa månader som ett resultat av att det

spenderas mer tid inomhus, fler lampor är tända och lyser under en längre tid, och fler elektroniska apparater används. För vissa kunder tillkommer också uppvärmning som sker med elektricitet.

I detta avsnitt definieras vintermånaderna som november till mars. Anledningen till att tidsperioden sätts annorlunda här än i tidigare avsnitt är att i detta fall är det hur mycket temperaturen påverkar energikonsumtionen snarare än längden av perioden. Vid beräkningar ses att den procentuella genomsnittliga energiförbrukningen var enligt tabell 3.

Tabell 3: Procentuell energiförbrukning under perioden november 2012 till mars 2013 för tre utvalda områden.

Bostadstyp Område

Förbrukning Nov 2011-Mars 2012

Förbrukning Nov 2012-Mars 2013

Snitt Nov-Mars

Hammarö/Forshaga 48,46% 50,12% 49,29%

Stockholm 48,16% 48,47% 48,31%

Norra Dalarna 51,56% 53,43% 52,50%

Vidare studier av siffrorna visar att en relativt stor andel kunder ligger över dessa siffror, vissa med stor marginal.

(11)

En större andel förbrukning under vintermånaderna kan vara ett tecken på att bostaden är

eluppvärmd. En förbrukning under vintermånaderna över 60 % av den totala förbrukning sätts som en nivå som tydligt indikerar att en bostad värms upp med el. För att en bostad ska kunna anses som eluppvärmd krävs också att den totala årsförbrukningen kommer upp i en viss nivå utöver kravet att den största andelen av förbrukning ligger under vintern. Denna nivå sätts till 8000 kWh per år.

Om förbrukning blir högre än femtontusen kWh per år visar detta på en eluppvärmd bostad oavsett hur förbrukningen är fördelad över året.

2.4.4 Permanenta bostäder med annan uppvärmning

Bostäder som inte uppfyller de villkor som satts upp i de två tidigare avsnitten antas vara

permanenta bostäder som värms upp på annat sätt än med el. Kunder med en årsförbrukning under ettusen kWh placeras automatiskt i denna kategori enligt avsnitt 2.2.1.

2.5 Kategorisering organisationer

I avsnitt 2.2 studerades mönster för elförbrukningen för privatkunder. I detta avsnitt studeras istället de kunder som är organisationer.

Hos privatkunder är mönstret för elanvändningen relativt lika från en kund till en annan även om nivåerna kan skilja. För organisationer kan mönstret variera mycket mer. Därför blir kategorierna annorlunda jämförda med privatkunder då det är svårare att säga om en fastighet är eluppvärmd eller inte eller om mönstret och nivåerna är en effekt av verksamheten. Här kontrolleras istället om en kund har en jämn förbrukning över året eller inte och om den inte har det, i vilken period som toppen av förbrukningen ligger.

2.5.1 Organisationer med låg förbrukning

Likt privatkunderna kan även organisationer ha kunder med en väldigt låg uppmätt förbrukning.

Dessa placeras automatiskt i kategori 6.

2.5.2 Kunder med jämn förbrukning

För att kontrollera om en kund har en jämn elförbrukning delas det senaste året in i tre stycken fyramånaders perioder, vinter (november till februari), sommar (maj till augusti) samt höst/vår (september till oktober samt mars till april). Villkoret för jämn förbrukning sätts till att samtliga perioder måste ligga under fyrtio procent samt att samtliga perioder utom sommaren måste ligga

(12)

över tolv procent. Sommarperioden måste ligga över fem procent. Denna period får ha en lägre förbrukning för att många företag har en naturligt lägre förbrukning under denna tid på grund av semestrar och minskat energibehov relaterat till temperatur.

2.5.3 Kunder med ojämn förbrukning

De kunder som inte har jämn förbrukning enligt villkoren i avsnitt 2.3.2 anses ha ojämn förbrukning. I dessa fall är det intressant att veta när dessa kunder har toppar i sin förbrukning. För att se detta kontrolleras vilken av tidsperioderna som har störst procentuell förbrukning. Om två perioder har samma procentuella förbrukning (och den tredje inte är större än dessa två) jämförs endast vinter med höst/vår och kunder placeras i den kategori av dessa två som är störst. Är dessa två de som är lika placeras kunden i vinterkategorin.

I tabell 4 visas en sammanfattning över de framtagna kategorierna och villkoren som krävs för att en kund ska placeras i respektive kategori.

(13)

Tabell 4: Framtagna kundkategorier med villkor.

Kategori Villkor

1 – Privata fritidsbostäder med

peak under vinter.

 Privatkund

 Minst 5 månader med förbrukning under 2 % och minst 65 % av årsförbrukningen under en tremånadersperiod eller minst 8 månader med förbrukning under 2 % av årstotalen.

 Större eller lika stor procentuell förbrukning som under perioden maj till augusti och större eller lika stor förbrukning som under perioden september, oktober + mars, april.

peak under sommar.

 Privatkund

 Störst procentuell förbrukning under perioden maj till augusti.

peak under höst/vår.

 Privatkund

 Större eller lika stor procentuell förbrukning som under perioden maj till augusti och större förbrukning än under perioden november till februari.

4 - Privata permanenta bostäder med

elvärme.

 Privatkund

 Total årsförbrukning över 15000 kWh eller årsförbrukning över 8000 kWh om minst 60 % av förbrukning ligger under perioden november till mars.

5 – Privata permanenta bostäder med

alternativ uppvärmning.

 Privatkund

 Kraven för kategori 1-4 icke uppfyllda

 Kunder med årsförbrukning under 1000 kWh placeras automatiskt i denna kategori.

6 – Organisation med jämn årsförbrukning

 Organisationskund

 Samtliga fyramånadersperioder (november till februari, maj till augusti samt september till oktober och mars till april, har mindre lägre förbrukning än 40 % av årstotalen).

 Vinter och Höst/Vår högre förbrukning än 12 % av årstotalen, sommaren högre än 5 % av årstotalen

7 – Organisation med större delen av

årsförbrukningen under vintern

 Ej jämn förbrukning

 Större eller lika stor procentuell förbrukning som under perioden maj till augusti och större eller lika stor förbrukning som under perioden september, oktober + mars, april.

8 - Organisation med större delen av

årsförbrukningen under sommaren

 Störst procentuell förbrukning under perioden maj till augusti.

9 - Organisation med större delen av

årsförbrukningen under höst/vår

 Större eller lika stor procentuell förbrukning som under perioden maj till augusti och större förbrukning än under perioden november till februari.

(14)

2.5.4 Kunder som saknar data

De villkor som satts upp i ovanstående avsnitt kräver att det finns data över elförbrukningen över de senaste tolv månaderna. För kunder som varit inkopplade på Fortums elnät under mindre än tolv månader vid uppdatering av databasen kommer det inte att existera data för samtliga de tolv månader som behövs för placering i en viss kategori. I dessa fall placeras dessa kunder i kategori 5 eller 6 beroende på om det är en privat- eller organisationskund. Denna placering sker också för kunder som saknar data på grund av felaktigheter.

(15)

3 Anpassning av typkurvor 3.1 Teori

3.1.1 ELAK

I juni 1980 tillsattes elanvändningskommittén (ELAK). Denna kommitté tillsattes för att undersöka och sätta upp riktlinjer för hur man skulle använda el i till att spara olja, hur man skulle komma bort från direktverkande elradiatorer samt hur man skulle göra uppvärmningssystem mer flexibla och kunna utnyttja andra energiformer än olja och el. Dessa riktlinjer gjorde att man vid framtagandet av typkurvor separerade hus som byggts innan dessa riktlinjer började gälla och hus som byggts efter [6].

3.1.2 Velanders formel och typkurvor

Idag används en metod som kallas Velanders formel för att beräkna kunders elförbrukning och därigenom planera konstruktion och underhåll av elnätet. Enligt denna metod beräknas en kunds maxeffekt per timme enligt Velanders formel som visas nedan [3].

√ (1) där

Problemen med Velanders formel är att den ger ett resultat som visar att en kund förbrukar sin maximala timeffekt konstant över dygnet och ger ingen indikation på skillnader i konsumtion vid olika tidpunkter. Detta innebär också att skillnader i energiförbrukning under dygnet och/eller året inte heller kan ses.

Den metod som istället önskas användas är med hjälp av typkurvor.

Vid arbete med nätplanering kan typkurvor användas som ett verktyg för att underlätta och öka säkerheten. Typkurvor är ett verktyg som tar hänsyn till temperaturer och tidpunkter för att ta fram en prognos för hur elanvändningen ser ut för en grupp av elförbrukare. Metoden för att beräkna dessa typkurvor togs fram i början på nittiotalet [3] och här utförs en kontroll för att se om beräkningarna som gjordes enligt denna metod fortfarande är aktuella eller om de borde justeras.

(16)

När typkurvorna infördes i början av nittiotalet var det genomsnittskurvan som var den som alla kunder jämfördes med. Nu kan man istället göra individuella typkurvor så att varje kund jämförs med sig själv. I detta arbete har individuella kurvor konstruerats. De beräknade värdena jämförs sedan med de uppmätta för att se hur väl beräkningsmetoden stämmer eller om den bör justeras.

3.2 Metod

För att uppdatera metoden för beräkning av typkurvor utvecklas existerande tabeller för beräkning av typkurvor för att ge större precision med hänsyn till dygnstemperaturer (denna utveckling beskrivs i avsnitt 3.3). När detta har gjorts skapas typkurvor för de utvalda kunderna och dessa jämförs

därefter med kundernas verkliga energiförbrukning. När detta gjorts justeras värdena för beräkning av typkurvor så att en lämplig nivå fås.

Samtliga beräkningar i detta avsnitt görs på fyra olika kategorier av bostäder i varje område för totalt åtta stycken grupper. Två av dessa kategorier används för att uppskatta förbrukningen i de bostäder som är eluppvärmda, hus med elvärme som byggts innan ELAK (kategori 110) och hus med elvärme som byggts efter (kategori 111), och två av kategorierna används för att beräkna förbrukningen i lägenheter (kategori 250) samt i bostäder där förbrukningen endast är ren hushållsel (kategori 100).

3.3 Beräkning av temperaturfaktorer och standardavvikelser

Som underlag för beräkning av typkurvorna används tabeller som visar den normala fördelningen av energiförbrukningen i ett hem under dygnet vid vissa givna temperaturer. Dessa tabeller visas i bilaga 1. I tabellerna visas först en angiven temperatur och i den första raden under denna temperatur visas hur stor andel av den genomsnittliga timförbrukningen som förbrukas under var och av de tjugofyra timmarna på dygnet. Den andra raden visar hur stor standardavvikelsen är under aktuell timme.

Standardavvikelsen är till för att man enkelt ska kunna göra en snabb justering av typkurvan.

Dessa tabeller utvidgas till att innehålla samtliga faktorer och standardavvikelser för varje timme för temperaturer mellan -20˚C och +24˚C med steg i tiondels grader. För detta arbete har ingen skillnad gjorts mellan vardag och helg utan tabellerna för vardagar har använts för samtliga dagar.

För att räkna fram alla dessa värden antas att sambandet mellan två kända temperaturer är linjärt och okända faktorer kan beräknas med formeln för räta linjens ekvation [7]:

(2) För att kunna använda formeln måste k och m beräknas. Detta kan göras enligt följande formel då minst två punkter är kända. För att beräkna värdet för k används räta linjens ekvation i enpunktsform [7] som visas nedan.

(3)

(17)

där och är de aktuella temperaturerna och och är faktorerna för den önskade timmen vid dessa två temperaturer. Därefter kan beräknas genom att räta linjens ekvation i k-form [2]

anpassas för att räkna ut värdet för . Denna formel blir då:

(4) Samma sak görs sedan för standardavvikelserna. Detta ger till slut alla faktorer och

standardavvikelser som ligger i intervallet mellan den lägsta kända temperaturen och den högsta kända temperaturen.

I detta fall är det önskvärt att även veta värden som ligger utanför detta intervall. Dessa värden beräknas genom extrapolering. För att extrapolera den önskade värdena används lutningarna för de två linjer som ligger längst ut på varsin sida av intervallet och som beräknats tidigare samt faktorn för den önskade timme vid den högsta respektive lägsta temperaturen.

Metoden för att göra denna beräkning kallas linjär extrapolering [8] och formeln för denna beräkning är:

( ) (5) Där:

.

3.4 Graddagtal

Graddagtalet är ett tal som fås genom att ta skillnaden mellan dygnsmedeltemperaturen och en bastemperatur som är satt till +17˚C. Denna temperatur är vald då resten av en bostads uppvärmning fås genom solinstrålning, personer och elektriska apparater och vitvaror. Under vår, sommar och höst har solinstrålning en större effekt på uppvärmningen och under dessa månader sänks bastemperaturen enligt tabell 5 [9].

Tabell 5: Graddagtal efter justering för årstid.

Månad Bastemperatur

April 12˚C

Maj, juni, juli 10˚C

Augusti 11˚C

September 12˚C

Oktober 13˚C

(18)

För att få Graddagtalen för de områden som innefattas i detta arbete väljs platser i/runt dessa områden och graddagtalet hämtas från Fortums datalager. Platserna som väljs är: För

Hammarö/Forshaga väljs Karlstad, för Norra Dalarna väljs Mora och för Stockholm väljs Stockholm City. Graddagtalen för dessa platser visas i tabell 6:

Tabell 6: Graddagtalet under perioden 2012-09-01 till 2013-08-31 för tre valda områden.

Plats Graddagtal

Hammarö/Forshaga (Karlstad) 3761

Norra Dalarna (Mora) 3329

Stockholm (City) 3616

Graddagtalet för normalplatsen (Stockholm, Arlanda) under ett normalår är 3978.

3.5 Normering av årsmedelförbrukning

I detta avsnitt studeras de bostäder som är eluppvärmda enligt avsnitt 2.4. För att konstruera typkurvorna för dessa beräknas dessa bostäders årsmedelförbrukning. Denna förbrukning måste därefter normeras, vilket innebär att den räknas om till vad den skulle ha varit om bostäderna legat på normalplatsen i Sverige (Stockholm, Arlanda) under ett normalår [3]. Denna normering utförs med formeln:

( ⁄ ) (6) där

i

Efter normeringen utförts beräknas timmedeleffekten [3]för platserna enligt följande:

(7) där

( )

(19)

Resultatet av dessa beräkningar på aktuella platser presenteras i tabell 7:

Tabell 7: Uppmätta medelförbrukningar, normerade förbrukningar och beräknade timmedeleffekter för tre valda områden.

Plats

Medel- förbrukning

(kWh)

Normerad Förbrukning

Tabell 110 (kWh)

Normerad Förbrukning

Tabell 111 (kWh)

Timmedeleffekt Tabell 110

(kW)

Timmedeleffekt Tabell 111

(kW) Hammarö

Forshaga 12500 12036 11980 1,374 1,368

Norra

Dalarna 17107 15136 14920 1,728 1,703

Stockholm 15251 14287 14174 1,631 1,618

3.6 Beräkning av medel- och maxeffekt per timme

För att konstruera typkurvor behöver man uppskatta medel- och maxeffekten är för varje timme under dygnet. Medeleffekten beräknas genom formeln [3]:

(8) där

( )

Den beräknade medeleffekten används sedan för att beräkna maxeffekten vid varje enskild timme av dygnet [3]. Detta görs med formeln:

( ) (9) där

( )

Konfidensgraden innebär hur stor sannolikheten är att ett verkligt värde på energiförbrukningen inte överstiger det värde som beräknats enligt formlerna ovan. Sambandet mellan faktorn och

konfidensgraden visas i tabell 8 [1].

(20)

Tabell 8: Sannolikhetsfaktor och konfidensgrad vid beräkning av värden för typkurvor.

Faktor (α) Konfidensgrad

0 0

1 84 %

2 99 %

I detta arbete kontrolleras endast resultatet med faktor noll då denna bas är den som kommer anpassas för att konstruera typkurvor för de nya kategorierna.

3.7 Beräkning efter verklig temperaturdata

Med hjälp av temperaturdata som visar medeltemperaturen under varje dygn konstrueras en tabell som visar den beräknade energiförbrukningen i de tre valda områdena under den valda tidsperioden (2012-09 till 2013-08). För varje dygn visas medeltemperaturen under detta dygn. Data för denna temperatur hämtas in från tabellen över maxeffekt per timme som tidigare konstruerats. Därefter summeras först timvärdena för att få den beräknade dygnsförbrukningen. Dygnsförbrukningarna summeras sedan och månadsförbrukningen erhålls.

De beräknade värdena jämförs sedan med kundens verkliga månadsförbrukning och en procentuell differens mellan det uppmätta värdet och det beräknade räknas fram för att se hur den uppmätta förbrukningen förhåller sig till den beräknade. En snittdifferens över hela kundgruppen räknas fram och presenteras i nedanstående kurvor. För att göra en effektiv dimensionering är det önskvärt att få en beräknad kurva som ligger så när den uppmätta som möjligt och framför allt att den uppmätta inte ligger för långt över den beräknade då detta kan leda till en överbelastning av nätet. Det är också önskvärt att snittdifferensen över hela kundgruppen ligger så nära noll som möjligt då detta innebär att kunder som förbrukar mer energi än beräknat kommer att kompenseras av att andra kunder kommer att förbruka mindre energi än beräknat. Värdena som fås under vintermånaderna är också viktigare än de under vår/sommar/höst då belastningen under denna period är större och risken för överbelastning ökar.

3.8 Resultat - Typkurvor

Tidigare i detta arbete har de tre olika geografiska områdena behandlats separat. Vid arbete med typkurvor är det dock önskvärt att arbeta med så litet antal olika typkurvor som möjligt och kunderna slås därefter nu samman. Varje kategori som skapats i detta arbete kommer att få en egen typkurva som tagits fram genom att anpassa de existerande kurvorna eller, i de fall det inte finns någon lämplig kurva, skapa nya. Eftersom kategorierna 4 och 5 är väldigt lika kategorier som tidigare existerat (metoden för att tilldela dem har dock ändrats) kan man anpassa de värden som användes för de gamla kategorierna för att skapa typkurvor till de kunder som placerats i de nya kategorierna.

För övriga sju nya kategorier finns dock inte några gamla värden utan nya, väldigt grova, kurvor skapas.

(21)

Programmet som Fortum kan använda för att beräkna och justera typkurvor delar in året i tre perioder, vinter (december till februari), sommar (juni till augusti) och höst/vår (september till november samt mars till maj). Nivåerna för den uppskattade belastningen på nätet kan justeras för dessa tre perioder oberoende av varandra. Alla beräkningar i programmet baseras på en kunds årsförbrukning som sedan räknas om till en timmedeleffekt (en kunds årsförbrukning dividerad med 8760 (antal timmar på ett år)). Det är denna timmedeleffekt som sedan används för att beräkna typkurvor. Programmet gör det möjligt att använda data från olika tabeller för att skapa en ny kurva så det är möjligt att, till exempel, ta värden från tabell 110 för att beräkna förbrukningsnivåer för vinterperioden och värden från tabell 111 för att räkna på övriga året.

De värden som tas fram i detta arbete för att konstruera typkurvor är ett beräknat värde på hur mycket energi en kund en förbrukar under varje enskild timme under året. Dessa beräkningar är baserade på en kunds timmedeleffekt, den genomsnittliga dygnstemperaturen för varje dygn under året och ett tabellvärde som visar hur stor del av timmedeleffekten som beräknas förbrukas vid en viss temperatur och en viss timme på dygnet. Vid tidpunkten för detta arbete fanns endast data över kunders förbrukning på månadsbasis vilket innebär att för att kunna göra en jämförelse mellan de beräknade värdena och de verkliga måste de beräknade värdena därför summeras till ett

månadsvärde. För att kunna göra bättre jämförelse skulle det vara önskvärt att kunna jämföra de beräknade värdena med uppmätta dygns- eller timvärden.

3.8.1 Kategorier med passande existerande typkurvor

För de nyskapade kategorierna 4 (permanenta bostäder med elvärme) och 5 (permanenta bostäder utan elvärme) finns det existerande tabeller som kan användas för att beräkna de värden som sedan används för att skapa typkurvorna för de kunder som placerats i dessa kategorier. För kategori 4 används tabellerna 110 och 111 (beskrivna i 3.1) och för kategori 5 tabellerna 100 och 250. Efter beräkningarna beskrivna i avsnitt 3.5 utförts konstrueras kurvor som visas i figur 1 till 6.

Kurvorna i figurerna 1, 2, 4 och 5 visar hur stor den genomsnittliga procentuella differensen är mellan den beräknade och den uppmätta energiförbrukningen för varje månad under de senaste tolv månaderna enligt den tidigare metoden för att beräkna typkurvor. I figur 1 visas att om tabell 110 används för beräkning av typkurvorna så ligger de beräknade värdena under december månad i snitt 22,57 % under de uppmätta. I figur 3 och 6 visas samma förhållande efter justeringar gjorts. Här ligger de genomsnittliga beräknade värdena nästa lika med de uppmätta (vissa ligger högre, vissa ligger lägre men dessa kompenserar varandra och differensen blir relativt jämn över hela året).

Justeringarna har gjorts så de beräknade värdena ska ligga över de uppmätta så ofta som möjligt då dessa används för att bestämma säkerheten för elnätet. Figurerna 7-20 tolkas på samma sätt som beskrivits ovan.

(22)

Kategori 4

Figur 1: Månatliga snittdifferenser vid användning av tabell 110 för kategori 4.

Enligt de beräkningar och antaganden (att kurvan bör ligga så nära 0 som möjligt och hellre under än över) gjorda är ingen av dessa kurvor bra som de är utan vissa justeringar måste göras. För att få nivåerna så nära noll som möjligt väljs tabell 111 att användas för vinter samt höst/vår och justeras genom att höja dessa värden med 21 respektive 22 %. För sommaren väljs tabell 110 och denna sänks med 9 %. Resultatet av dessa förändringar blir:

-1,88%

1,30%

9,84%

22,57% 22,89%

12,95%

9,67%

0,73%

-1,70%

-9,60%

-18,07%

-11,87%

-25,00%

-20,00%

-15,00%

-10,00%

-5,00%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

Procentuell differens

Snittdiff - Uppmätt mot Beräknat - Tabell 110

Snittdiff

6,88% 7,44%

15,43%

18,51% 20,23%

10,42%

7,42%

6,41%

12,11%

10,54%

21,57%

14,59%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

Snittdiff - Uppmätt mot Beräknat - Tabell 111

Snittdiff

(23)

Figur 3: Justerade differenser med för kategori 4.

Justeringarna har gjort att den beräknade kurvan nu ligger närmare de uppmätta värdena och i regel ligger de beräknade värdena lite högre än de uppmätta.

Kategori 5

-8,12% -7,56%

0,43%

-2,49% -0,77%

-10,58% -7,58% -8,59%

-2,89% -0,60%

-9,07%

-2,87%

-40,00%

-30,00%

-20,00%

-10,00%

0,00%

10,00%

20,00%

30,00%

40,00%

Procentuell Differens

Snittdiff - Uppmätt mot Beräknat - Korrigerad)

Snittdiff

15,75% 15,05% 17,20%

30,66%

25,73% 24,95%

18,01%

14,57%

17,97%

15,60%

19,67%

16,48%

0,00%

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

35,00%

Snittdiff - Upmätt mot Beräknat - Tabell 100

Snittdiff

(24)

I likhet med kategori 4 måste justeringar göras. För att få så jämna värden som möjligt väljs vinter samt höst/vår från tabell 100 och sommaren från tabell 250. Här justeras vintern uppåt 31 %, höst/vår uppåt 18 % och sommaren nedåt 23 %. Resultatet av dessa justeringar blir:

Figur 6: Justerade differenser för kategori 5.

De beräknade värdena ser nu ut att ligga mycket närmare de uppmätta och de ligger dessutom högre än de uppmätta vilket är önskvärt för att kontrollera att ett befintligt eller framtida elnät inte

överbelastas.

-14,68%

-5,66%

-0,21%

25,95%

18,86%

11,60%

7,09%

-10,15%

-21,07%

-25,20% -25,17% -23,33%

-30,00%

-20,00%

-10,00%

0,00%

10,00%

20,00%

30,00%

Snittdiff - Upmätt mot Beräknat - Tabell 250

Snittdiff

-2,25%

-2,95%

-0,80%

-0,34%

-5,27%

-6,05%

0,01%

-3,43%

-0,03%

-2,20% -2,17%

-0,33%

-7,00%

-6,00%

-5,00%

-4,00%

-3,00%

-2,00%

-1,00%

0,00%

1,00%

Procenteull Differens

Snittdiff - Uppmätt mot Beräknat - Korrigerad, kategori 5

Snittdiff

(25)

3.8.2 Kategorier utan lämpliga existerande typkurvor

För övriga kategorier existerar inte några tabeller som passar för att beräkna värden som används till typkurvor utan nya måste skapas. Dessa nya värden bestäms genom att utgå från timmedeleffekten och sedan kontrollera hur den behöver justeras under varje tidsperiod för att komma till ett

godtagbart resultat när den summeras till månadsvärden och jämförs med uppmätta värden.

För kategori 1 till 3 och till en mindre grad kategori 7 till 9 är de uppmätta värdena för vissa delar av året väldigt låga och i vissa fall noll. Detta kan leda till en väldigt stor procentuell skillnad mellan de beräknade och de uppmätta värdena under dessa perioder. Värdena för dessa perioder justeras inte då de beräknade värdena garanterat kommer att vara högre än de uppmätta och de uppmätta värdena kommer att vara så låga att det inte innebär någon risk för elnätet.

För att beräkna hur mycket el som förbrukas under varje månad multipliceras kundens

timmedeleffekt med antalet timmar under aktuell månad och med en faktor som sätts till en lämplig nivå för att få en acceptabel nivå på typkurvan. Formeln bestäms till:

(10) där:

Periodjusteringsfaktorn används för att justera kurvan under en viss period av året. Då denna formel beräknar förbrukningen relativt jämnt fördelat under året är det denna faktor som ändras för att justera kurvan. För att få en grov idé om hur denna faktor kommer att ligga tas den genomsnittliga procentuella förbrukningen över samtliga kunder i aktuell kategori och divideras med hur stor andel av året som finns i aktuell period (0,25 för vinter och sommar samt 0,5 för höst/vår). Den beräknade faktorn justeras därefter manuellt till ett lämpligt värde. I tabellerna 9 till 15 visas resultaten av dessa beräkningar och justeringar för de aktuella kundkategorierna.

Kategori 1

Tabell 9: Andelar och faktorer för beräkning av data för nya typkurvor till kategori 1.

Period Förbruknings-

andel Tidsandel Beräknad

periodjusteringsfaktor

Slutgiltig periodjusteringsfaktor

Vinter 0,69 0,25 2,76 3,2

Höst/Vår 0,27 0,5 0,54 2,0

Sommar 0,04 0,25 0,16 0,2

Användning av den beräknade periodjusteringsfaktorn leder till en kurva som ser ut enligt figur 7.

(26)

Figur 7: Månatliga differenser vid användning av beräknad periodjusteringsfaktor för kategori 1.

Kurvan visar att det beräknade värdet för mars ligger långt under det uppmätta värdet och även viss korrigering för de övriga perioderna är nödvändig. När dessa korrigeringarna gjorts och den

slutgiltiga periodjusteringsfaktorn bestämts fås resultatet enligt kurvan i figur 8.

Figur 8: Månatliga differenser vid användning av slutgiltig periodjusteringsfaktor för kategori 1.

Samma beräkningar och korrigeringar har gjorts för de resterand sex nya kategorierna och resultaten visas nedan.

-61,55% -57,20%

18,64% 19,88% 9,09%

-17,99%

216,82%

-15,88%

-82,16%

-49,14%

29,83%

-5,81%

-100,00%

-50,00%

0,00%

50,00%

100,00%

150,00%

200,00%

250,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-89,62% -88,44%

-67,97%

3,40%

-5,91%

-29,27%

-14,46%

-77,29%

-95,18%

-59,32%

3,87%

-24,65%

-120,00%

-100,00%

-80,00%

-60,00%

-40,00%

-20,00%

0,00%

20,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(27)

Kategori 2

Vinter 0,01 0,25 0,04 0,08

Höst/Vår 0,26 0,5 0,48 1,2

Sommar 0,73 0,25 2,92 4,0

De beräknade periodjusteringsfaktorerna ger följande kurva.

De slutgiltiga periodjusteringsfaktorerna ger följande kurva.

160,56%

-27,98%

-92,82%

70,94%

-61,43% -39,96%

-83,69%

-54,69%

158,84%

-15,03%

34,17%

-10,09%

-150,00%

-100,00%

-50,00%

0,00%

50,00%

100,00%

150,00%

200,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

4,23%

-71,19%

-97,13%

-14,53%

-80,72%

-69,98%

-93,48%

-81,88%

3,53%

-37,97%

-2,06%

-34,37%

-120,00%

-100,00%

-80,00%

-60,00%

-40,00%

-20,00%

0,00%

20,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(28)

Kategori 3

Vinter 0,08 0,25 0,32 1,0

Höst/Vår 0,78 0,5 1,56 3,6

Sommar 0,14 0,25 0,56 0,76

29,80%

-2,25%

-78,55% -71,25% -88,32%

194,42%

128,06%

3,19%

-65,12%

-31,85%

33,64%

3,00%

-150,00%

-100,00%

-50,00%

0,00%

50,00%

100,00%

150,00%

200,00%

250,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-43,75%

-57,64%

-90,70% -90,80%

-96,26%

-5,78% -1,17%

-55,28%

-84,88%

-49,78%

-1,53%

-24,10%

-120,00%

-100,00%

-80,00%

-60,00%

-40,00%

-20,00%

0,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(29)

Kategori 6

Vinter 0,34 0,25 1,36 1,12

Höst/Vår 0,33 0,5 0,66 1,12

Sommar 0,33 0,25 1,32 1,0

60,34% 63,96% 66,02%

-20,71% -18,42% -22,01%

55,96% 54,63% 49,73%

-27,44% -31,70% -25,52%

-40,00%

-20,00%

0,00%

20,00%

40,00%

60,00%

80,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-4,40%

-2,27%

-1,06%

-4,30%

-1,52%

-5,88%

-6,98%

-7,76%

-10,65%

-5,09%

-10,71%

-2,55%

-12,00%

-10,00%

-8,00%

-6,00%

-4,00%

-2,00%

0,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(30)

Kategori 7

Vinter 0,40 0,25 1,6 1,72

Höst/Vår 0,48 0,5 0,96 1,4

Sommar 0,12 0,25 0,48 0,52

-22,82%

4,70%

30,65%

6,73% 7,00%

-5,48%

43,04%

1,39%

-34,48%

5,43%

-6,36%

8,36%

-40,00%

-20,00%

0,00%

20,00%

40,00%

60,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-47,08%

-28,21%

-10,41%

-0,72% -0,47%

-12,08%

-1,92%

-30,48%

-55,07%

-2,68%

-13,56%

0,02%

-60,00%

-50,00%

-40,00%

-30,00%

-20,00%

-10,00%

0,00%

10,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(31)

Kategori 8

Vinter 0,16 0,25 0,64 0,68

Höst/Vår 0,42 0,5 0,84 1,32

Sommar 0,42 0,25 1,68 1,88

1,96%

-18,50%

-24,63%

-2,33% 1,45% 5,98%

-9,17%

9,21%

55,98%

-1,17%

9,58%

2,90%

-40,00%

-20,00%

0,00%

20,00%

40,00%

60,00%

80,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-35,12%

-48,14%

-52,03%

-8,07% -4,51% -0,26%

-42,20%

-30,50%

-0,74%

-11,69%

-2,08%

-8,04%

-60,00%

-50,00%

-40,00%

-30,00%

-20,00%

-10,00%

0,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(32)

Kategori 9

Vinter 0,22 0,25 0,88 1,08

Höst/Vår 0,63 0,5 1,26 1,5

Sommar 0,15 0,25 0,6 0,64

15,24% 17,67%

-11,92%

-5,28%

3,82%

19,70%

14,51% 12,96%

-26,80%

7,23%

-17,29%

3,03%

-30,00%

-20,00%

-10,00%

0,00%

10,00%

20,00%

30,00%

Snittdiff - Uppmätt mot Beräknat - Beräknad periodjusteringsfaktor

Snittdiff

-3,20% -1,16%

-26,01% -22,82%

-15,40%

-2,47% -3,81% -5,11%

-38,51%

0,53%

-22,46%

-3,41%

-50,00%

-40,00%

-30,00%

-20,00%

-10,00%

0,00%

10,00%

Snittdiff - Uppmätt mot Beräknat - Slutgiltig periodjusteringsfaktor

Snittdiff

(33)

4 Framtida arbete

I detta arbete skapades nio stycken kundkategorier med hjälp av den data som fanns att tillgå. Denna data var dock begränsad till kunders elförbrukning sett på månadsbasis. En djupare analys för att se om exempelvis befintlig bergvärme har någon inverkan på förbrukningsmönstret hos dessa kunder kräver mer detaljerad data där dygns- eller timvärden kan studeras. Denna data fanns dock inte tillgänglig vid utförandet av detta arbete.

Samma, mer detaljerade, data kan också vara viktig för att kunna konstruera med precisa värden att använda för att skapa typkurvor som passar in på de nya kategorier som skapats i detta arbete. Detta är framför allt behövligt för de kategorier som saknade lämplig data för att skapa typkurvor då formeln som togs fram för att kurvorna för dessa kunder är väldigt enkel. Denna formel bör

kontrolleras för att se om den passar i längden eller om den bara var lämplig för de kunder som detta arbete behandlat.

Tester måste också utföras för att se om det är möjligt, och lämpligt, att implementera de nya kategorierna och typkurvorna.

5 Slutsats

Det huvudsakliga målet med detta arbete var att skapa nya kategorier för indelning av Fortums kunder och att göra det möjligt att regelbundet kunna uppdatera och sortera kunddatabasen. Efter studier av kunderna bestämdes att först separera privata kunder från organisationer. Inom dessa två kategorier studerades därefter mönstret för kundernas energiförbrukning.

Privatkunderna delades sedan upp i permanenta bostäder och fritidshus baserat på om det uppmätts en jämn eller periodvis energiförbrukning. Dessa två kategorier delades därefter upp ytterligare. De permanenta bostäderna i kategorin eluppvärmda baserat på den totala årsförbrukningen samt om tyngdpunkten låg under de kallare delarna på året. Den andra kategorin för de permanenta bostäderna var alternativ uppvärmning som antogs om den totala årsförbrukningen var relativt låg eller om ingen större skillnad mellan kallare/varmare tidsperioder syntes. Fritidshusen delades in i kategorier beroende på vilken del av året huset var i bruk enligt energiförbrukningen.

Organisationerna delades in i liknande kategorier som privatkunderna med undantag för att ingen kategori motsvarande privatkunderna med eluppvärmning skapades för organisationerna.

Det slutgiltiga resultatet av denna analys var att nio stycken nya kategorier togs fram och villkor för att automatiskt sortera dessa genom att analysera kundernas elförbrukning på en månadsbasis togs fram. De villkor som tagits fram i detta arbete implementerades i en testmiljö på hela Fortums kundregister och de tester som gjordes indikerade att villkoren som tagits fram är acceptabla.

Den andra delen i arbete var att anpassa eller skapa data för att kunna använda typkurvor för att ge en översikt över hur belastningen på elnätet ser ut under året. Först utvecklades existerande tabeller till en mycket större omfattning och dessa tabeller användes därefter för att ta fram typkurvor för de

(34)

kunder som tilldelats en lämplig kategori. Vid analys av dessa kurvor fanns att de beräknade värdena inte stämde överens med de uppmätta till en acceptabel nivå utan förslag till justeringar gjordes.

För de kunder som tilldelats en kategori som inte hade någon lämplig tabell för skapande av typkurvor togs en ny formel fram för beräkning av typkurvor för dessa kunder och justerades till en lämplig nivå.

Resultatet av denna del blev en mycket grov rekommendation på hur befintliga typkurvor kan justeras och nya typkurvor skapas. Resultaten som tagits fram inom arbete med typkurvor är dock inte alls pålitliga då mängden data som analyserats i detta arbete är för liten för att kunna ge ett definitivt resultat. De justeringar av metoden för beräkning av typkurvor som gjorts ser ut att vara acceptabla för de utvalda kunderna under den utvalda tidsperioden. Hur justeringarna påverkar de utvalda kunderna om en annan tidsperiod valts eller hur de skulle påverka andra kunder är okänt.