Utvärdering och uppdatering av typkurvor

(1)

Utvärdering och uppdatering av typkurvor

Evaluation and update of load curves

Marcus Dahlenborg Carl Grahn

Fakulteten för hälsa, natur- och teknikvetenskap Högskoleingenjörsprogrammet i Elektroteknik C-nivå 22,5hp

Extern handledare: Rasmus Borsch Reiners, Fortum Distribution AB Handledare: Magnus Mossberg, Karlstads universitet

Examinator: Arild Moldsvor Datum

Löpnummer

(2)

Förord

Rapporten är resultatet av ett examensarbete vid avdelningen för elektronik på Karlstads universitet utfört på uppdrag av Fortum Distribution AB Karlstad.

Vi vill rikta ett stort tack till vår handledare Rasmus Borsch Reiners samt Henrik Rinnemo på Fortum Distribution och till vår handledare vid Karlstads universitet, Magnus Mossberg.

Karlstad, juni 2014

_____________________________ ________________________________

Marcus Dahlenborg Carl Grahn

(3)

Sammanfattning

Detta examensarbete har syftet att utvärdera och uppdatera typkurvor åt Fortum Distribution AB.

Typkurvemetoden är ett hjälpmedel som används för att prognosera belastning i ett elnät.

Metoden är baserad på kundernas årsenergi, utomhustemperatur samt vilken kategori som kunden tillhör. Typkurvemetoden togs fram av Svenska Elverksföreningen i början på nittiotalet och stor vikt lades på normering av årsenergier för att metoden skulle vara gångbar över hela landet [1].

Dagens förbrukningsmönster har förändrats sedan de ursprungliga typkurvorna togs fram vilket leder till ett behov att uppdatera typkurvorna.

Arbetet inleddes med att uppdatera de befintliga typkurvorna enligt rekommendationer som har tagits fram av ett tidigare examensarbete. Därefter konstruerades en prognosmodell i Excel för att beräkna belastning för en kund med hjälp av de nya typkurvorna. De uppdaterade typkurvorna fördes in i Fortums nätberäkningsprogram för att användas i beräkningarna på utgående fack i fördelningsstationer på fyra geografiskt olika områden i Sverige. Beräkningarna skedde för den tredje onsdagen i januari i både 2013 och 2014. Dagen är godtyckligt vald. De beräknade värdena jämfördes med uppmätta timvärden för ström i fack i fördelningsstation från samma datum. En tillåten gräns för beräknade värden är satt av Fortum till plus/minus 10% i förhållande till det avlästa värdet. Nätberäkningarna med de uppdaterade typkurvorna visade i genomsnitt en felmarginal på över 30% i samtliga fyra fördelningsstationer. Vi fann ingen geografisk påverkan av felmarginalen.

På grund av att den genomsnittliga felmarginalen är långt över Fortums tillåtna gräns anser vi att den nya kategoriseringen inte bör användas. Fler justeringar med tillhörande utvärderingar av typkurvorna bör göras innan kategoriseringen kan tillämpas.

(4)

Abstract

The purpose of this thesis is to evaluate and update load curves for Fortum Distribution AB. The load curve method is a tool used to forecast the strain of an electric grid. The method is based on customer annual energy consumption, outdoors temperature as well as customer category. The load curve method was established by Svenska Elverksföreningen at the start of the nineties and focus was put on standardizing annual energyconsumption, in order to make the method usable across the nation. Present consumption patterns have changed since the original load curves were produced, which leads to a need to update the load curves.

The work began with an update of present load curves according to recommendation taken from another earlier thesis. Thereafter a forecast model was produced in Excel to calculate the strain for one customer, using the new load curves. The updated load curves were computed into the Fortum network calculation software to be used in the calculations of the outgoing feeders in distribution stations in four geographically different areas in Sweden. The calculations were made the third Wednesday in January of both 2013 and 2014. The day is arbitrarily chosen. Calculated values were compared to measured hourly values of feeders in distribution stations of the same day. An acceptable border for calculated values is determined by Fortum to plus/minus 10% in relation to observed values. Network calculations with the updated load curves showed of average an error marginal of more than 30 % in all four distribution channels. We discovered no geographical influence of the error marginal.

Due to the new average error marginal being far above Fortums permit limitation we believe this new categorization should not be used. Additional adjustments with related evaluations of load curves should be made before the categorization can be applied.

(5)

1. Inledning ... 1

1.1. Bakgrund ... 1

1.2. Problembeskrivning ... 2

1.3. Syfte och målsättning ... 2

2. Teori ... 3

2.1. Typkurva ... 3

2.1.1. Användningsområde ... 3

2.2. Interpolering och extrapolering ... 3

2.3. Graddagstal ... 4

2.3.1. Hur fungerar graddagstal? ... 4

2.4. Velanders formel ... 5

2.5. Typkurva eller Velanders formel? ... 6

3. Metod ... 7

3.1. Typkurvemetoden ... 7

3.2. Analys och prognosmodell ... 9

3.3. Excelmodell ... 11

3.3.1. Uppdatering av typkurvor ... 11

3.3.2. Timmodell ... 12

3.3.3. Dygns-, månadsmodell och summering av kunder ... 12

3.4. PowerGrid och DLX-Viewer ... 13

3.4.1 Nätberäkningar ... 13

3.4.2. Utvärdering ... 14

4. Resultat och analys ... 16

4.1. Resultat och analys Skattkärr ... 16

4.2. Resultat och analys Älvdalen ... 17

4.3. Resultat och analys Kyrkviken ... 18

4.4. Resultat och analys Kungshamn ... 19

4.5 Sammanfattad analys och Diskussion ... 20

5. Slutsats ... 22

Referenser ... 24

Bilaga 1. Mätresultat-fördelningsstation Skattkärr ... 25

Bilaga 2. Mätresultat-fördelningsstation Älvdalen ... 32

Bilaga 3. Mätresultat-fördelningsstation Kyrkviken ... 39

Bilaga 4. Mätresultat-fördelningsstation Kungshamn ... 53

Bilaga 5. Typkurvor ... 77

(6)

1

1. Inledning

I det inledande kapitlet beskrivs bakgrunden till Fortums intresse i att uppdatera nuvarande belastningskurvor och initiativtagandet, från ledande svenska företag inom eldistribution, till förbättring med hjälp av prognosmodeller. Problemdiskussionen tar upp problemet med Fortums nuvarande kategorisering vilket sedan leder vidare till studiens syfte och målsättning.

1.1. Bakgrund

Fortum Distribution AB är Sveriges största leverantör av el. Deras elnät har ungefär 893 000 kunder anslutna och största delen av nätet sträcker sig ut över Bohuslän, Västergötland, Värmland, Dalarna och Stockholm [1]. De distribuerar inte enbart el till kunder utan en stor del av arbetet innefattar även planering och underhåll av elnätet. Det är viktigt att kunna förutse elanvändning över ett område, för att sedan planlägga eventuell påbyggnad eller utveckling av nätet.

Fortum delar idag in sina kunder i olika kategorier baserat på generella uppgifter. Indelningen sker manuellt och de får bland annat inga uppgifter från kunder angående alternativa värmekällor.

Ett hus behöver nödvändigtvis inte värmas upp av el, det finns andra energikällor exempelvis bergvärme, pelletspannor, solfångare eller luftvärmepumpar. Dessa fungerar som ett komplement och sänker bostadens elförbrukning. I Ellagen står det ingenting om att en elanvändare har skyldighet att anmäla till sin elleverantör vid exempelvis installation av en värmepump [2].

Uppmätning av elförbrukning görs framförallt med syftet att rättvist fördela elkostnader. Fortum har därför kategorier med olika belastningskurvor för att underlätta fördelningen. Varje kurva förväntas beskriva det typiska mönstret för elanvändning under ett dygn och årstid.

I samma takt som samhället har ökat konsumtionen av el har marknaden när det gäller alternativa värmekällor blivit allt vanligare under de senaste 20 åren. Detta har medfört till att mönstret för elanvändning har ändrats. I sin tur leder detta till svårigheter vid nätdimensionering eftersom kunders maximiförbrukning inte längre kan prognoseras korrekt.

Elforsk beskriver i rapport 04:18 prognosmodeller vilka används hos Svenska Kraftnät, Vattenfall samt Sydkraft (nuvarande EON). Rapporten är från 2004 men det finns inga skäl att tro att analysmetoderna har förändrats nämnvärt de senaste tio åren. Företagen använder enkla egenutvecklade modeller vilka bygger på endimensionell regressionsanalys. Både Svenska Kraftnät och Sydkraft har tillgång till avancerade modeller men de används inte. En förklaring till varför de avancerade prognosmodellerna inte används anges inte i rapporten [3].

(7)

2 1.2. Problembeskrivning

Det har blivit svårare att uppskatta elanvändningen och placera in kunder i rätt kategori. Fortum har idag över 200 olika kundkategorier och varje kategori har en egen jämförelsebar belastningskurva. I fortsättning av rapporten kommer belastningskurvorna benämnas typkurvor efter Fortums medverkan i Elforsks rapport [4].

Ett tidigare arbete har gjorts, där problemet med typkurvor har varit i fokus. I arbetet valdes ett beräkningsområde för att studera månads- och årsförbrukningen av el [5]. Genom dataanalyser gjordes en helt ny kategorisering bestående av enbart 9 kategorier. Det infördes olika villkor som skulle uppfyllas för att sortera in kunderna i rätt kategori. Detta medför att Fortums kundregister regelbundet och automatiskt uppdateras när kunder ändrar sin elförbrukning.

För att kunna genomföra arbetet krävs att de tidigare typkurvorna uppdateras enligt de 9 identifierade kundkategorierna. När uppdateringen är genomförd ska kurvorna testas för att se om slutsatserna från Fortums tidigare arbete går att genomföra. Testerna ska göras på utvalda fördelningsstationer runt om i Sverige. Där kan summan av kundernas energier jämföras med timvärden från fördelningsstationsfack. För att utvärdera typkurvorna räknas belastning vid olika årstider och temperaturer ut för enskilda kunder och jämförs med uppmätt data. Detta för kontrollering av att kundernas individuella effekter sammanlagras på ett riktigt sätt.

1.3. Syfte och målsättning

Syftet med examensarbetet är att uppdatera en del av Fortums äldre typkurvor för att sedan utvärdera de nya typkurvorna med hjälp av ett nätberäkningsprogram. Arbetet ska undersöka eventuella geografiska skillnader och felmarginaler vid användning av typkurvor.

Målsättningen är att komma med slutsatser och rekommendationer vilket kan leda till förbättrade typkurvor.

(8)

3

2. Teori

I den teoretiska delen definieras en typkurva och andra viktiga faktorer som graddagstal, interpolation, extrapolation och Velanders formel.

2.1. Typkurva

Svenska Elverksföreningen sammanställde i början på nittiotalet rapporten Belastningsberäkning med typkurvor [4]. En av anledningarna till rapporten var en önskan att med hjälp av en statistisk modell kunna göra en tillförlitlig prognos över den sammanlagrade belastningen i ett elnät.

Figur 1. Typkurva.

En typkurva är en graf (se figur 1) vilket visar effektförbrukning under ett dygn för en enskild kundkategori vid en given medeltemperatur. Själva typkurvan består av ett medelvärde och en standardavvikelse. I denna rapport har det för varje årstid skapats typkurvor för tre olika temperaturer.

Vid användning av typkurvor krävs kännedom om det tilltänkta objektets årliga energiförbrukning samt aktuell temperaturdata för gällande plats.

2.1.1. Användningsområde

Ett verktyg för att förbättra dimensioneringen av nätet och ge en möjlighet att välja rätt matningsväg vid förändrings- och underhållsarbeten. Typkurvor utgör en enklare och bättre kontroll över belastningsutveckling i nätet. Det är även ett instrument för att beräkna kundernas kostnader och elverkets intäkter för olika tariffer.

2.2. Interpolering och extrapolering

Till varje existerande typkurva tillhör två eller tre prognoskurvor för olika utomhustemperaturer.

Vid användning av typkurvor för annan utomhustemperatur krävs det att en ny prognoskurva beräknas fram genom interpolering eller extrapolering utifrån de existerande prognoskurvorna.

(9)

4 En vanlig form av interpolation är linjär interpolation. Det är en matematisk metod för att approximera okända värden inom ett intervall av kända värden [6]. Till exempel när önskad utomhustemperatur ligger mellan två givna utomhustemperaturer.

Extrapolering är en metod för att uppskatta funktioners värde i okända områden [7]. Ett exempel på ett okänt område är när önskad utomhustemperatur ligger utanför det givna temperaturintervallet. Detta kan inträffa under varma vinterdygn eller kalla sommardygn.

2.3. Graddagstal

Graddagstalet kan också kallas för ett uppvärmningsbehovstal vilket beskriver olika orters årliga uppvärmningsbehov. Med graddagstal går det att standardisera uppmätt konsumtion av uppvärmningsenergi. Därefter kan jämförelser göras av energikonsumtion för en viss byggnad under olika månader och år. Exempelvis kan jämförelser av den karakteristiska energikonsumtion mellan byggnader som ligger på olika platser göras.

Graddagstalet används också vid uppskattning av uppvärmningsbehov för en fastighet. Då den grundar sig på att energikonsumtion för en fastighet är proportionell mot differensen mellan inne- och utetemperatur [8].

2.3.1. Hur fungerar graddagstal?

Graddagstal är baserat på mätningar av lufttemperaturer utomhus som utförs regelbundet 3 gånger per dag. Dessa tillfällen görs på samma tidpunkt varje dag och det är viktigast att få med den högsta samt lägsta temperaturen under dygnet. Ur temperaturvärdena beräknas sedan en medeltemperatur för dygnet.

För att beräkna antalet graddagar används referenspunkten 17°C. Årets månader är uppdelade efter SMHI:s uppmätningar och observationer av ljushalvårets solinstrålningar (se tabell 1).

Månaderna januari, februari, mars och december räknas utan tröskelvärde/gränsvärde.

Ett exempel är om en medeltemperatur för ett dygn i april är 11°C, då ger detta ett bidrag på 6 graddagar. Det innebär att differensen mellan referenspunkten och medeltemperaturen blir antal graddagar. Det kan hända att en medeltemperatur överstiger tröskelvärdet i tabellen, vilket leder till ett uteblivit bidrag.

Temperatur 17°C är också vald som en bastemperatur för inomhus. Detta är på grund av att elektriska apparater, solinstrålning och människor kommer att stå för resterande energitillskott till normal rumstemperatur [9].

Tabell 1. Tröskelvärden (gränsvärde) för olika månader.

Månad April Maj-Juli Augusti September Oktober Tröskeltemperatur +12°C +10°C +11°C +12°C +13°C

(10)

5 2.4. Velanders formel

Velanders formel är en äldre metod som prognostiserar den sammanlagrade maxeffekten för grupper vars energibehov är relativ lika. Vilket menas att det görs en summering av samtliga effektförbrukningar. Ett exempel är att 1000 stycken elanvändare har rätt att få ut 20 kW och då måste elleverantören vid maximalt effektbehov leverera 20000 kW. Sannolikheten för att alla ska ta ut sin maxeffekt under samma tidpunkt är mycket liten.

Formeln bygger på att maxeffekterna är normalfördelade, vilket innebär återkommande värden nära medelvärdet. Konstanterna och är beroende av vilken typ av kund det är och vilken geografisk position [10].

Denna variant av Velanders formel räknar ut årliga maxeffekten:

 för en kund i samma kategori:

√

 för flera kunder i samma kategori:

∑ √∑

 för flera kunder i olika kategorier:

∑ ∑ ∑ √∑

P = maxeffekt

och är konstanter W= årsenergi i KWh

(11)

6 2.5. Typkurva eller Velanders formel?

Typkurvor och Velanders formel är två olika verktyg för sammanlagring av kunders effektförbrukning. Den största skillnaden mellan dessa verktyg är grundligt uppritat i figur 1. Där framgår det att Velanders formel enbart räknar ut maxeffekten. Den ger inga uppgifter om specifik tid på dygnet eller året. Fördelen med Velander är att den är enkel att använda och räknar alltid med god marginal. Den kräver heller ingen dator och kan utnyttjas med handräkning.

Typkurvorna visar däremot händelseförloppet under hela dygnet. Med rätt parametrar inställda är typkurvan det verktyg med bäst noggrannhet och precision.

En stor skillnad blir det under sammanlagring mellan två olika kategorier och när maxeffekten sker under olika tider under ett dygn (se figur 2). Velander summerar två maxeffekter, vilket visar ett betydligt högre värde än typkurvan [11].

Figur 2. Jämförelse mellan en typkurva och Velanders formel.

(12)

7

3. Metod

Följande metodavsnitt kommer att förklara arbetsprocessen i examensarbetet. De modeller och metoder som används kommer att beskrivas och förklaras.

3.1. Typkurvemetoden

Arbetet började med att förstå sig på typkurvornas funktion och dess beräkningsmetod. Tidigare i rapporten har en typkurva definierats. För att använda typkurvemetoden krävs viss indata och beräkningar. Framförallt behövs en aktuell plats och årstid. Formler som du finner i kapitlet är tagna från rapporten Elforsk och förklaras grundligt steg för steg [4].

Genom att använda metoden för att skapa en ny kurva blir det enklare att förstå hela processen.

Följande indata krävs:

E_np = Årsenergi på normalplatsen under ett normalår.

Normalplatsen är Arlanda och det är metodens referenspunkt. Ett normalår är det genomsnittliga gradtalet mellan år 1950-1980. För Arlanda är graddagstalet 3978.

Eakt = Aktuella platsens medelårsenergi.

ϕnp = Andel av platsens årsenergi som är temperaturberoende.

Varierar beroende på kundkategori. Exempelvis kategori “Ren hushålls el” har faktorn 0,238.

Gakt = Graddagtalet på aktuellplats under ett år.

Gnp = Graddagtalet på normalplatsen under ett normalår. (3978) Pår = Årsmedeleffekten för normalplatsen (kW).

P(t) = Prognoserad effekt (kW).

Steg 1

Omräkningen av årsenergin från aktuell plats till referenspunkten görs enligt följande formel:

(

)

Steg 2

Årsmedeleffekten för normalplatsen fås genom att dela medelårsenergin för aktuell plats med antal timmar på ett år (8760):

(13)

8 Steg 3

För varje årstid används typkurvor för 3 olika medeltemperaturer. Dessa typkurvor togs fram av Elforsk och är resultatet av deras arbete. Kurvorna är baserade på undersökningar och mätningar hos olika kunder. Typkurvorna visar karakteristiskt hur dygnsmedeltemperaturen motsvarar årstiden. Deras mätningar och typkurvor utgör grunden för typkurvemetoden.

Med hjälp av interpolering eller extrapolering kan en prognos och ny typkurva för andra temperaturer beräknas fram. Detta görs enligt formeln:

Pny(t,T) = Interpolerat medelvärde för den aktuella kategorin, under timme t och utomhustemperatur T.

Ptyp(t,T1) = Typkurva och medelvärde för den aktuella kategorin, under timme t och utomhustemperatur T1.

P_typ(t,T2) = Typkurva och medelvärde för den aktuella kategorin, under timme t och utomhustemperatur T2.

T = Utomhustemperatur (dygnsmedeltemperatur).

Steg 4

Den prognoserade effekten divideras med talet 100 för att få relativ effekt. Prognoserad effekt beräknas med följande formel:

Figur 3. Prognos för ny temperatur.

(14)

9 I figur 3 visas ett exempel på interpolering. Med hjälp av två närliggande temperaturer interpoleras det fram en ny typkurva. I exemplet används medeltemperaturen från januari-månad år 2013 (se figur 4). Resultatet blir den gröna kurvan, vilket också är en ny typkurva som visar effektmönstret under januari. Med hjälp av följande metod kan prognoser räknas fram för andra temperaturer.

Figur 4. Medeltemperatur för 1/1-2013 3.2. Analys och prognosmodell

Stor del av arbetet gick ut på att analysera och skapa modeller. Grunden till arbetet blev ett flödesschema, bestående av en analys- och prognosmodell, (se figur 5) över typkurvemetoden.

Figur 5. Flödesschema

(15)

10 För att kunna utvärdera typkurvorna ska belastning räknas ut för enskilda kunder vid olika årstider och temperaturer. Den beräknade belastningen ska i sin tur jämföras med uppmätt data från en vald fördelningsstation. Från fördelningsstationen fås det inga månadsvärden, dygnsvärden eller timvärden på kundnivå, utan har enbart tillgång till områdets årsförbrukning.

För att utföra den tilltänkta jämförelsen krävs det flertal enskilda beräkningar på varje kund.

Därefter summeras kundernas timvärden till dygns- och vidare till månadsvärden. Det innebär att senare i arbetet kommer en stor mängd kunder hanteras och för det krävs en slags beräkningsmodell som sammanlagrar data.

Flödesschemat blev starten för arbetets framtida modell och skapades för att få en mer överskådligblick över viktiga beståndsdelar. Analysmodellen beskriver bakgrundsfaktorer till Elforsks framtagna typkurvor och tillsammans med prognosmodellen framhävs de faktorer och delar som ingår under interpolering av nya typkurvor.

Det diskuterades även vilket program modellen skulle genomföras i. Valet stod mellan alternaiven Matlab och Excel, men efter önskemål från Fortum föll valet på Excel. Programmet har sina fördelar då det är ett utmärkt verktyg för behandling av stora mängder data.

(16)

11 3.3. Excelmodell

En anledning till skapandet av en excelmodell var att få ännu mer förståelse kring typkurvor och sammanlagring. Huvuduppgiften och det första i examensarbetets prioritetsordning är att uppdatera och utvärdera typkurvorna i programmet PowerGrid. För att kunna utvärdera typkurvorna måste de först uppdateras och laddas upp i en betaversion av PowerGrid. Vi fick tidigt indikationer att förberedelserna kunde ta tid från Fortums sida, därför blev skapandet av modellen ett sidoprojekt i väntan på betaversionen.

3.3.1. Uppdatering av typkurvor

Uppdateringen gjordes på fyra av Fortums kundkategorier (se figur 61-64, bilaga 5). Varje kategori är indelad i perioderna vinter-vardag, vinter-helg, höst/vår-vardag, höst/vår-helg, sommar-vardag och sommar-helg. Perioderna är i sin tur uppdelade efter tre olika medeltemperaturer och för varje temperatur finns timvärden och standardavvikelser. Dessa typkurvor blev en stor del av fundamentet till uppdateringen.

Enligt slutsatser från Fortums tidigare arbete skulle följande nio kategorier utformas [5]:

1. Privata fritidsbostäder - Peak under vinter 2. Privata fritidsbostäder - Peak under sommaren 3. Privata fritidsbostäder - Peak under höst/vår 4. Privata permanenta bostäder med elvärme 5. Privata permanenta bostäder utan uppvärmning 6. Organisation med jämn förbrukning

7. Organisation ojämn förbrukning - Peak under vinter 8. Organisation ojämn förbrukning - Peak under sommaren 9. Organisation ojämn förbrukning - Peak under höst/vår

Skapandet av kategori 4 och 5 gjordes med hjälp av modifieringar på Fortums befintliga typkurvor 111, 100, 110 och 250 (se figur 68 och figur 69, bilaga 5). Resterande kategorier skapades på helt nya värden. Modifiering och uppdatering gjordes enligt tabell 2.

Tabell 2. Modifiering och uppdatering av typkurvor.

Varje timvärde och standardavvikelse multiplicerades med modifieringsfaktorn för respektive kategori och årstid. Resultatet blev nya och uppdaterade typkurvor (se figur 65-74, bilaga 5).

(17)

12 3.3.2. Timmodell

Starten av arbetet blev en enkel konstruerad modell (se figur 6) som prognoserar fram kundens effekt över en bestämd timme med hjälp av interpolering. Modellen är grundad efter typkurvemetoden och faktorerna samt formler står beskrivit i avsnitt 3.1. Syftet med timmodellen var att göra en fungerande funktion i Excel som beräknar enligt typkurvemetoden. Värdena är inte analyserade eller jämförda med mätvärden.

Figur 6. Timmodell.

P(t) i figur 6 står för beräknad relativ effekt. Det korrigerade värdet är relativ effekt multiplicerad med modifieringsfaktorn för aktuella kategorin.

3.3.3. Dygns-, månadsmodell och summering av kunder

Efter den enkla timmodellen utvecklades arbetet till en modell för hela dygn och månader (se figur 7). För varje kategori och årstid gjordes en modell som interpolerade relativ effekt och prognoserade fram kundens förväntade effekt under dygnets alla timmar. I början gjordes enbart beräkningar på en kund och dess dygnsförbrukning. Modellen byggdes vidare och slutligen räknade den även på månadsvärden. Fortum gav oss ett listat dokument innehållandes medelårsenergin över områdets kunder. Dessa användes i modellen för att ta fram kundernas timförbrukning och med hjälp av summering få fram dygn och månadsförbrukning. Tanken var att kundernas beräknade månadsförbrukning ska jämföras med den verkliga förbrukningen.

Fördelningsstationens lokalisering är i Skattkärr och där hämtas kundernas verkliga förbrukning.

Programmet som används för att hämta fram mätvärden heter DLX-Viewer.

Temperaturerna som används för beräkning och framtagningen av effektförbrukning är tagna från temperatur.nu [12]. Det är timvärden som är uppmätta över Karlstad.

Excelmodellen användes till att jämföra beräknad belastning mot uppmätt belastningssförbrukning. Dokumentet Fortum gav oss var inte sorterat enligt den nya kategoriseringen, därför kunde inte en ordentlig utvärdering göras. Det enda som kunde utläsas var felmarginaler på en stor spridning utan kategorisering av kunder.

(18)

13 Figur 7. Dygnsmodell

3.4. PowerGrid och DLX-Viewer

Till förfogande används ett program som mäter strömbelastning i utgående högspänningsfack på fördelningsstationer. Programmet heter DLX-Viewer och dess databas lagrar värden på timbasis som sträcker sig flera år tillbaka i tiden.

PowerGrid är programvaran där Fortum gör nätplanering och nätberäkningar med typkurvor.

Programmet har räckvidd över hela landet och Fortums ägande nät. Det är ett utmärkt verktyg för testning och simulering av nya funktioner.

Med hjälp av programutvecklaren Tieto har en betaversion av PowerGrid utformats. Där ska de uppdaterade typkurvorna laddas upp, för att sedan testas och utvärderas.

3.4.1 Nätberäkningar

I utförandet av en nätberäkning anges först önskat datum och sedan typkurvor som beräkningsmetod. Temperaturen anpassas efter datum och programmet har vissa förinställda parametrar. För vinter är lägsta medeltemperatur inställd på -20°C, hösten 0°C, våren 5°C och sommaren 20°C. Dessa temperaturer sätts som gränser i intervallet.

Bakom programmets beräkningar finns många andra betydelsefulla parametrar. De utgör ett kraftfullt verktyg för att kunna justera typkurvorna. Två av parametrarna ger enligt manualen följande beskrivning:

 Standardkoefficient för belastningar (Belastningsfaktor). Koefficient som används för att multiplicera de laster (effekter) som omräknats från energivärden.

 Statistisk konfidenskoefficient (Sannolikhetsfaktor) för normalfördelning används effekt (förväntat värde) + konfidenskoefficient *standardspridning vid beräkningen.

(19)

14 Belastningsfaktorns förinställda värde och siffran som står beskrivet för korrigering över belastningar är 1.0. Skulle den ändras till exempelvis 1.5 kommer hela belastningen att multipliceras med 1.5. Belastningsfaktorn kan behöva justeras för att komma närmare det verkliga mätvärdet. Detta är speciellt intressant senare under resultat- och analysdelen.

Sannolikhetsfaktorns syfte är att jämna till typkurvans spridning av värden, en del värden kan avvika stort från medelvärdet och kan därför behöva balanseras. Sannolikhetsfaktorn motsvarar typkurvornas standardavvikelser. Eftersom det räknas på många kunder kommer sannolikhetsfaktorn inte ha lika stor inverkan på typkurvorna och kommer därför till en början sättas till 0 [13].

Mätningarna kommer att avgränsa våra beräkningar till mellan-spänningsnivå i distributionsnätet (se figur 8).

Figur 8. Exempel på fördelningsstation i distributionsnätet.

3.4.2. Utvärdering

Först och främst tittas det på om belastningsströmmen skiljer sig åt under en given temperatur. Det undersöks också mellan olika årstider för att säkerställa att typkurvorna räknar som planerat. Om belastningen skiljer sig, kan vissa justeringar inom PowerGrid göras.

Nätberäkningar i betaversionen av PowerGrid kommer att utgå från Fortums nya kundkategorier och uppdaterade typkurvor. Tester görs inledningsvis på Skattkärrs fördelningsstation, i utgående facket L148-A. Resultatet från beräkningar i PowerGrid kommer att jämföras och analyseras med mätvärden från DLX.

(20)

15 Efter facket L148-A görs beräkningar i fack L148-B, L148-C, L148-G, L148-K och L148-L för att jämföra skillnaden på eventuell felmarginal. Speciellt är det intresseväckande om fördelningen av olika sorters kunder i respektive fack har någon betydelse hur felmarginalen förhåller sig.

Därför görs en noga analys över vilken typ av kunder som är anslutna till facket och hur den procentuella fördelningen är mellan kundkategorierna.

Det väljs även ut fördelningsstationer på andra orter i Sverige. Platserna är noggrant utvalda för att täcka typiska områden som kan beskriva större delen av Sverige. Detta är för att undersöka om aktuell plats har någon betydelse eller inverkan på typkurvorna. Fördelningsstationerna som undersöks är Älvdalen i Dalarna, Kyrkviken i Stockholm och Kungshamn i Bohuslän.

Som tidigare nämnts hade Fortum en önskan om ett godtagbart resultat för dessa nykonstruerade typkurvor. Med “godtagbart” menas att ett värde inte behöver vara exakt utan kan ha en viss felmarginal och Fortum kommer att godta en felmarginal på 10%.

(21)

16

4. Resultat och analys

I kapitel 4 redovisas resultatet av nätberäkningar och mätvärden över ett flertal utgående fack runt om i Sverige. De utgående facken är tagna från fyra olika fördelningsstationer vars geografiska position är Skattkärr (Karlstad), Kyrkviken (centrala Stockholm), Älvdalen (norra Dalarna) och Kungshamn (västkusten). Platserna är noggrant utvalda för att täcka typiska områden för de nya kategorierna och som kan beskriva större delar av Sveriges elkonsumtion. En sammanställd tabell över viktiga resultat angående anslutna kunder och felmarginaler är gjord för varje fördelningsstation. Felmarginalerna står för en procentuell skillnad mellan uppmätt och beräknad belastningsström. Slutligen avslutas kapitlet med en större analys över alla fyra fördelningsstationer. Alla mätvärden över stationernas utgående fack från DLX-Viewer och beräknade värden från PowerGrid redovisas med hjälp av diagram och uppställda tabeller. Dessa tabeller och diagram med kommentarer finns att tillgå i bilaga 1-4 för respektive fördelningstationer.

4.1. Resultat och analys Skattkärr

Alla de 6 olika utgående facken visar att deras belastning följer samma mönster under den 22 januari 2014 och 23 januari 2013. Under de dagarna är differensen mellan temperaturerna -10°C och detta kan ses som ett bevis på att en låg utomhustemperatur är en bidragande faktor till ökad effektförbrukning. I tabell 3 ser vi att alla utgående fack har största delen av kunderna i kategorierna Bostad-Elvärme och Bostad-Övriga. Utgående fack L148G och L148L har en andel kunder som är större än 10% i Organisationer-Ojämn (Peak Vinter). Differensen mellan belastningsströmmarnas medelvärde år 2013 och 2014 blir mindre ju färre kunder som är anslutna.

Tabell 3. Resultat och viktiga iakttagelser över utgående fack i Skattkärr.

Utgående fack

Antal kunder

Bostad Elvärme

Bostad Övriga

Organisationer - Ojämn (Peak Vinter)

Felmarginal 2014(-5°C)

Felmarginal

2013(-15°C) Diff. (A)

L148C 525 56% 36% 4% 32% 19% 32

L148A 500 56% 34% 3% 13% 10% 20

L148G 364 39% 41% 12% 140% 107% 19

L148K 322 43% 40% 2% 38% 37% 15

L148B 254 46% 43% 3% 34% 33% 10

L148L 48 36% 31% 14% 244% 270% 7

Ett märkbart resultat är att felmarginalen för L148G och L148L skiljer sig markant från de övriga. Ett återkommande mönster är att en stor del av kunderna ligger i kategori Organisationer- Ojämn (Peak Vinter) och att felmarginalen blir lägre följt av att antalet kunder är fler på det utgående facket. När ett utgående fack har väldigt få kunder kan det räcka att några enstaka kunder avviker från mönstret för att det ska göra en stor inverkan på felmarginalen.

(22)

17 Relativ låga felmarginaler finner vi hos L148A, L148B, L148C och L148K som har majoriteten av sina kunder i kategori Bostad-Elvärme. Intressant är att de två lägsta felmarginalerna har både flest antal kunder och störst andel (56%) i kategori Bostad-Elvärme.

4.2. Resultat och analys Älvdalen

I fördelningsstation Älvdalen är största delen av antal kunder fördelade över kategorierna Bostad- Elvärme, Bostad-Övriga och Organisationer-Ojämn (Peak Vinter).

Majoriteten av kunderna är sorterade i Bostad-Elvärme och Bostad-Övriga. Det framgår tydligt i tabell 4 att felmarginalerna är relativ höga mot vad som förväntades. Men spridningen är ganska jämn och inga marginaler sticker iväg över 100%. Medelvärdet på felmarginalerna under 2014 är 39% och för 2013 beräknas den till 25%. Ett tydligt återkommande fall som visar att felmarginalen räknas lägre under kallare utomhustemperaturer.

Skiljaktigheten mellan belastningsströmmarnas medelvärde år 2013 och 2014 följer mönstret att de blir mindre vid färre kunder som är anslutna.

Belastningsströmmen följs åt för de flesta kurvorna och visar nästintill samma mönster från 22 januari 2014 och 23 januari 2013. Enda undantaget är utgående fack H12 (figur 21, bilaga 2), där den visar många olika toppar av höga belastningar under 22 januari 2014. Den andra kurvan under 2013 visar en betydligt lägre förbrukning men jämnare. Detta kan förklaras genom att granska anslutna kunder till utgående facket. I tabell 4 ser vi att H12 har enbart 16 kunder och en stor del är placerade i kategori Organisationer-Ojämn (Peak Vinter). En stor del av kunderna är företag och som figur 21 visar är det logiskt att de förbrukar sin största el-mängd mellan kl.

09.00-17.00. Anledningen till den jämna och relativt låga förbrukningen under 2013 kan vara att flertalet företag hade stängt eller inte var anslutna till just detta fack.

Differensen mellan medeltemperaturerna under 2013 och 2014 är -10,6°C. Ingen belastningsström från 2014 (förutom figur 21) är högre än belastningsströmmen under 2013 och detta kan ses som ett bevis på att en låg utomhustemperatur är en bidragande faktor till ökad effektförbrukning.

Tabell 4. Resultat och viktiga iakttagelser över utgående fack i Älvdalen.

Utgående fack

Antal kunder

Bostad Elvärme

Bostad Övriga

Felmarginal 2014(-9,2°C)

Felmarginal

2013(-19,8°C) Diff. (A)

H11 621 40% 44% 8% 38% 27% 26

H8 423 42% 46% 8% 59% 37% 26

H5 326 9% 61% 16% 38% 9% 25

H10 253 34% 49% 6% 36% 23% 12

H4 210 16% 44% 22% 58% 21% 9

H3 90 38% 47% 7% 35% 30% 7

H12 16 13% 31% 38% 13% 31% 8

(23)

18 4.3. Resultat och analys Kyrkviken

I fördelningsstation Kyrkviken är största delen av antal kunder fördelade över kategorierna Bostad-Elvärme, Bostad-Övriga och Organisation-Ojämn (Peak Vinter). Majoriteten av kunderna är insorterade i Bostad-Elvärme och Bostad-Övriga.

Det framgår tydligt i tabell 5 att felmarginalerna är relativt höga mot vad som förväntades.

Spridningen av felmarginalerna är väldigt varierande och visar både bra och dåliga resultat.

Framför allt är det utgående fack 9B och 3A som avviker avsevärt från de andra. De har en felmarginal som är större än 130% och deras kundfördelning ligger i kategori Bostad-Elvärme och Bostad-Övriga. Ett återkommande mönster är att felmarginalen blir större när mer än 50% av kunderna är fördelade i Bostad-Övriga. I den här fördelningsstationen finns bara ett undantag och det är utgående fack 2A, där felmarginalen är förvånansvärt låg i jämförelse till kundfördelningen.

Två stycken godtagbara felmarginaler uppkom i fördelningsfack 11A, där fördelningen av kunderna är 61% i Bostad-Elvärme och 32% i Bostad-Övriga. Det framkom även många felmarginaler i intervallet 14-34%. Vid anslutna kunder över 250st blir mönstret tydligt att felmarginalen förhåller sig lägre vid en större kundandel i kategorin Bostad Elvärme.

Belastningsströmmen följs åt för de flesta kurvorna och visar nästintill samma mönster från 22 januari 2014 och 23 januari 2013. Ett enda undantag är utgående fack 10A (se figur 32, bilaga 3) som visar oregelbundna toppar och en belastningsström som är högre 2014 än 2013. Orsaken kan vara att antalet kunder är väldigt få och det räcker att vissa av dessa har avvikande mönster.

Tabell 5. Resultat och viktiga iakttagelser över utgående fack i Kyrkviken.

Utgåend e fack

Antal kunder

Bostad Elvärm e

Bostad Övriga

Felmarginal 2013(- 12°C)

Diff. (A)

4A 987 3% 90% 2% 71% 70% 4

4B 540 0% 72% 9% 49% 67% 0

10B 518 7% 78% 3% 65% 84% 2

2B 514 39% 37% 7% 33% 34% 16

9B 454 36% 53% 4% 371% 357% 5

7A 362 46% 37% 5% 19% 23% 9

7B 327 66% 29% 3% 27% 18% 20

11A 294 61% 32% 4% 9% 7% 18

3A 261 29% 59% 5% 133% 137% 3

3B 254 72% 12% 9% 22% 25% 16

2A 218 17% 72% 9% 20% 24% 8

9A 192 59% 22% 13% 49% 56% 20

11B 175 74% 10% 8% 17% 14% 13

10A 38 66% 16% 8% 52% 48% 18

(24)

19 4.4. Resultat och analys Kungshamn

För 8 stycken av de utgående facken är felmarginalen för år 2013 lägre än för år 2014. För de övriga två utgående facken gäller det omvända.

I snitt ligger belastningsströmmens differens 15,5 A vilket får anses vara lågt då flera av facken har medelvärden över 100 A.

Hos facken L552, L544 och L546 (se tabell 6) finns en mycket stor skillnad i felmarginal gentemot de övriga facken. En gemensam faktor är att båda facken har en majoritet av sina kunder i kategorin Bostad-Övriga. L549, L547 och L542 har också en majoritet av sina kunder i samma kategori men där observeras ingen stor felmarginal. Det är svårt att koppla ihop något samband men anmärkningsvärt är fack L552 där felmarginalen blir lägre vid fler anslutna kunder.

Minsta felmarginalerna för båda åren finns hos utgående fack L543 som har flest anslutna kunder.

För fack L549 är de uppmätta värdena högre än de beräknade.

Tabell 6. Resultat och viktiga iakttagelser över utgående fack i Kungshamn.

Utgående fack

Antal kunder

Bostad Elvärme

Bostad Övriga

Felmarginal

2013(-10°C) Diff. (A)

L543 959st 42 % 41 % 8 % 6 % 1 % 22

L552 936st 26 % 48 % 7 % 78 % 70 % 16

L541 848st 43 % 38 % 8 % 18 % 24 % 13

L542 708st 26 % 41 % 9 % 18 % 2 % 28

L549 677st 38 % 51 % 7 % 11 % 4 % 13

L547 514st 39 % 43 % 9 % 19 % 8 % 19

L546 435st 26 % 52 % 7 % 242 % 180 % 20

L545 258st 14 % 47 % 10 % 31 % 26 % 9

L544 177st 28 % 42 % 13 % 70 % 63 % 9

L551 3st 0 % 0 % 100 % 14 % 31 % 6

(25)

20 4.5 Sammanfattad analys och Diskussion

Analyserna av de fyra olika områdena Skattkärr, Älvdalen, Kyrkviken och Kungshamn har resulterat i ett flertal mönster och samband. Mycket av analyserna är unika från station till station men det finns en del mönster som förhåller sig lika överlag. Sambanden är enbart gjorda på våra mätningar och följande kopplingar är värt att se vidare på i en mer omfattande undersökning på större områden.

Framförallt är merparten av felmarginalerna utanför den godtagbara gränsen och bara vid enskillda fall är den under 10%. Genomsnittliga felmarginalen för de fyra fördelningsstationerna beräknas till 32% och då exkluderas de största avvikande marginalerna över 100%.

Störst andel anslutna kunder är fördelade mellan Bostad-Elvärme (5006st), Bostad-Övriga (6587st) och Organisationer-Ojämn (Peak Vinter) (1031st). Majoriteten av kunderna är fördelade i kategorierna Bostad-Elvärme (35%) och Bostad-Övriga (46%).

Fördelningsstation Kungshamn har flest antal godtagbara resultat (5st), Älvdalen har minst variationsbredd av felmarginaler (medelvärde 32%), Kyrkviken tillsammans med Skattkärr har flest och störst avvikande felmarginaler. Detta är inte på grund av plats eller temperatur utan det är kundfördelningen mellan kundkategorierna och antal kunder som är den bidragande faktorn till låga och höga felmarginaler.

Granskning av Kungshamns godtagbara resultat leder till ett stort antal kunder (>250st) som fördelar sig mellan kategorierna Bostad-Elvärme och Bostad-Övriga. Samma granskning görs sedan på resterande stationer och samma koppling upprepar sig.

Ett observerat mönster för alla fördelningsstationer är en lägre felmarginal under kallare temperaturer. Detta gäller enbart för jämförelser bland mätningar vid enskilda fördelningsstationer och inte mellan de olika områdena. Innan analysen genomfördes förväntades det skillnader eller något mönster som skulle framhäva det geografiska området för var och en av stationerna. Förhoppningarna var att det skulle synas tydligt om mätningarna gjordes i norra delen av Sverige eller exempelvis på västkusten eftersom mätningarna inte tar hänsyn till normalplatsen. Förhoppningarna infriades inte och några avsevärda olikheter framkom inte.

Ytterligare ett samband som uppmärksammats är de utgående fack som har mellan 250-500st anslutna kunder. En majoritet av dessa kunder i Bostad-Övriga visar en felmarginal på över 100%.

En kategori som framförallt bör utvärderas närmare är Organisationer-Ojämn (Peak Vinter). Vid en fördelning av större andel kunder (>13%) i fördelningsstation Skattkärr blir felmarginalen över 100%. Det finns endast mätningar under station Skattkärr som visar den höga felmarginalen vid en sådan fördelning. Därför skulle det vara intressant med mätningar på större områden för att avgöra om ett samband föreligger eller inte.

(26)

21 Belastningsströmmen följs åt för de flesta kurvorna och visar samma mönster från 22 januari 2014 och 23 januari 2013. Undantag är 10A (se figur 47, bilaga 4) och H12 (se figur 21, bilaga 2). Belastningskurvan för den varmare temperaturen visar aldrig större förbrukning än under den kallare perioden, med undantag av figur 21 (bilaga 2), figur 49 (bilaga 4), figur 60 (bilaga 4).

Detta är underlag till att utomhustemperaturen är en bidragande faktor till ökad effektförbrukning.

(27)

22

5. Slutsats

Avslutande tankar kring resultat och analys kommer att presenteras i rapportens sista kapitel.

Avslutningsvis kommer förslag och rekommendationer till vidare utveckling.

Sammanfattningsvis har arbetet resulterat i uppdaterade befintliga typkurvor samt en utvärdering av dessa i den nya kundkategoriseringen. Utvärderingen gjordes med nätberäkningar på de utvalda områdena Skattkärr, Älvdalen, Kyrkviken och Kungshamn i huvudsyfte för att se hur typkurvorna och kategoriseringen förhåller sig till verkligheten.

I utvärderingen var felmarginalen mellan beräknat och uppmätt värde den viktigaste punkten.

Fortum Distributions förhoppningar var en avgränsad felmarginal inom 10%. Utvärderingen visar ett resultat, 32% i genomsnittlig felmarginal (exkluderat de avvikelser över 100%) vilket är mycket högre än förväntad felmarginal. Det är enbart ett fåtal mätningar som visar felmarginal inom den godtagbara ramen. I utvärderingen har vi gjort närmare analyser och jämförelser vilket har resulterat i ett flertal mönster och samband.

Vi har också dragit följande slutsatser utifrån de mätningar och värden som har tagits fram:

1. Utgående fack med en felmarginal på över 100% har mellan 250-500st anslutna kunder och en majoritet av dessa kunder i Bostad- Övriga.

2. Felmarginaler förhåller sig inte geografiskt, det finns inga olikheter beroende på lokalisering av fördelningsstation.

3. Oftast lägre felmarginaler vid fler anslutna kunder fördelade i kategori Bostad-Elvärme och Bostad-Övriga.

4. En kategori som framförallt bör utvärderas närmare är Organisationer-Ojämn (Peak Vinter). Vid en fördelning av större andel kunder (>13%) i fördelningsstation Skattkärr blir felmarginalen över 100%.

5. Ett gemensamt mönster för alla fördelningsstationer är en lägre felmarginal under kallare temperaturer. Detta gäller enbart för jämförelser bland utgående fack på samma fördelningsstation och inte mellan de olika stationerna.

6. En högre effektförbrukning vid lägre temperaturer kan konstateras.

På grund av tekniska problem i rapportens slutskede är slutsatserna enbart gjorda på mätningar med de uppdaterade typkurvorna under vinterhalvåret. Förslagvis kan det vara intressant att testa typkurvorna för resterande årstider och se om samma slutsatser gäller. Det kan även vara intressant att göra samma typ av mätning på de gamla typkurvorna, för att jämföra felmarginalerna. När vi uppdaterade typkurvorna justerade vi dem efter rekommendationer från ett tidigare arbete. Det kan hända att kurvorna bör justeras ytterligare. För att Fortum ska kunna använda sig av den nya kategoriseringen rekommenderar vi därför en närmare analys på våra slutsatser. För att hitta den rätta justeringen kan Fortum ta hjälp av en avancerad mjukvara på datorn vilket sorterar fram alla tänkbara mönster och samband över mätningarna. Detta i sin tur

(28)

23 kan leda till hur mycket typkurvorna bör justeras i varje kategori för att få fram lägsta möjliga felmarginal. Det kan även vara av intresse att implementera våra slutsatser på ett större område för att se i hur stor utsträckning de stämmer.

(29)

24

Referenser

[1] http://www.fortum.se hämtad 2014-04-28.

[2] Elforsk, Dimensioning of smart power grids for the future. Within ELFORSK Program Smart Grids, 2013

[3] Elforsk, Elförbrukningens egenskaper vid kall väderlek och höga elpriser. En förstudie för Elforsk Market Design, 2004

[4] Svenska elverksföreningen, Belastningsberäkning med typkurvor, 1991.

[5] Peter Eriksson, Automatiserad Kundkategorisering och Anpassade Typkurvor, Karlstads universitet, 2014 [opublicerad]

[6] http://www.ne.se/lang/extrapolation hämtad 2014-05-20.

[7] http://www.ne.se/lang/interpolation/212633 hämtad 2014-04-28.

[8] SIS, SS-EN ISO 15927-6:2007 Fukt- och värmetekniska egenskaper hos byggnader - Metoder för beräkning och presentation av klimatdata - Del 6: Ackumulerade graddagar och gradtimmar, 2007

[9] http://sv.ilmatieteenlaitos.fi/graddagar hämtad 2014-04-28.

[10] Sten Velander, Operationsanalytisk metodik vid eldistribution, Teknisk tidskrift 1952, sid 293.

[11] http://energilexikon.svenskenergi.se/wiki/Sammanlagring hämtad 2014-04-28.

[12] http://www.temperatur.nu hämtad 2014-04-07

[13] Tieto Finland Oy, PowerGrid Användardokumentation, 2011

(30)

25

Bilaga 1. Mätresultat-fördelningsstation Skattkärr

För att göra det enkelt för läsaren att se över alla mätvärden skrivs det en kort noterbar information om observationer mellan varje utgående fack.

Huvudarbetet började med nätberäkningar i det utgående facket L148A i fördelningsstationen Skattkärr. I DLX-Viewer framtogs kundernas belastningsström och i figur 9 visas fördelningen av belastningen under två olika dygn och år.

Från Fortum erhölls en fil med innehållande de kunder som är anslutna till facket L148A. Filen kunde sorteras in efter tidigare kategorisering och resultatet blev tabell 8 där en procentuell fördelning av kundkategorierna gjordes. Det noteras att 56% av privatkunder värmer upp sin bostad med el och 34% använder annan uppvärmning.

Figur 9. Utgående fack L148A. Uppmätt belastningsström under ett dygn.

Kurvorna följer varandra och märkbara skillnader är strömbelastningen. Enligt tabell 7 skiljer det exakt 20A mellan strömbelastningens medelvärde den 22 januari 2014 och 23 januari 2013.

Differensen mellan temperaturerna är -10°C.

Nätberäkningarna utfördes i PowerGrid och beräknades på fyra olika belastningar (se tabell 7).

Korrigering av belastning görs genom att ändra värdet på belastningsfaktorn.

0 10 20 30 40 50 60 70 80 90 100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(31)

26 Tabell 7. Utgående fack L148A. Resultat över fackets belastningsström.

2014 temperatur: -5°C Beräknad belastning (A) max

(A) medel (A)

min

(A) 80% 90% 100% 110% 120%

73 62 55 67 75 83 91 99

2013 temperatur: -15°C Beräknad belastning (A)

max (A)

medel

(A) min (A) 80% 90% 100% 110% 120%

94 82 72 84 93 104 114 124

Tabell 8. Utgående fack L148A. Procentuell fördelning av kundkategorier.

Bostad - Elvärme 56%

Bostad - Fritid - Sommar 4%

Bostad - Fritid - Vinter 1%

Bostad - Fritid - Vår/Höst 1%

Bostad - Övriga (Permanenta Med Annan Uppvärmning) 34%

Organisationer - Jämn Förbrukning 1%

Organisationer - Ojämn (Peak Sommar) 0%

Organisationer - Ojämn (Peak Vinter) 3%

Organisationer - Ojämn (Peak Vår/Höst) 1%

Antal kunder 384

Vidare nätberäkningar och mätningar gjordes på utgående fack L148B, L148C, L148G, L148K och L148L.

(32)

27 Figur 10. Utgående fack L148B. Uppmätt belastningsström under ett dygn.

Noterbart för L148B (figur 10, tabell 9 och 10): Kurvorna följer samma karakteristiska mönster.

Belastningsströmmens medelvärde skiljer sig med 10A mellan åren 2014 och 2013. Differensen mellan nätberäkning och uppmätt maxvärde blir vår felmarginal och den redovisas procentuellt. I utgående fack L148B beräknas den till 34% för 2014 och för 2013 är den 33%. Kategorier som det är mest kunder i är Bostad-Elvärme 46% och Bostad-Övriga 43%

Tabell 9. L148B. Resultat över fackets belastningsström.

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

52 43 36 60 65 70 75 80

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

63 53 45 70 77 84 90 97

Tabell 10. L148B. Procentuell fördelning av kundkategorier.

Bostad - Elvärme 46 %

Bostad - Fritid - Sommar 5 %

Bostad - Fritid – Vinter 1 %

Bostad - Fritid - Vår/Höst 0 %

Bostad - Övriga (Permanenta Med Annan Uppvärmning) 43 %

Organisationer - Jämn Förbrukning 1 %

Organisationer - Ojämn (Peak Sommar) 0 % Organisationer - Ojämn (Peak Vinter) 3 %

Antal kunder 254

0 10 20 30 40 50 60 70

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(33)

28 Figur 11. Utgående fack L148C. Uppmätt belastningsström under ett dygn.

Noterbart för L148C (figur 11, tabell 11 och tabell 12): Kurvorna följer samma karakteristiska mönster. Belastningsströmmens medelvärde skiljer sig med 32A mellan åren 2014 och 2013.

Felmarginal beräknas till ca 32% för 2014. För 2013 ca 19%. Kategorier som det är mest kunder i är Bostad-Elvärme 56% och Bostad Fritid vår/höst 36%

Tabell 11. L148C. Resultat över fackets belastningsström.

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

117 102 86 132 143 154 165 177

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

154 134 120 155 170 184 198 213

Tabell 12. L148C. Procentuell fördelning av kundkategorier.

Bostad - Fritid - Vinter 0 %

Organisationer - Ojämn (Peak Sommar) 1 %

Totalt antal kunder 525

0 20 40 60 80 100 120 140 160 180

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(34)

29 Figur 12. Utgående fack L148G. Uppmätt belastningsström under ett dygn.

Noterbart för L148G (figur 12, tabell 13 och tabell 14): Kurvorna följer samma karakteristiska mönster. Belastningsströmmens medelvärde skiljer sig med 19A mellan åren 2014 och 2013.

Felmarginal beräknas till ca 240% för år 2014 och för år 2013 ca 207%. Kategorier som det är mest kunder i är Bostad-Elvärme 39% och Bostad-Övriga 41%.

Tabell 13. L148G. Resultat över fackets belastningsström.

2014 temperatur: -5°C Belastning (A)

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

78 69 57 175 181 188 194 200

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

98 88 79 189 195 203 211 220

Tabell 14. L148G. Procentuell fördelning av kundkategorier.

Organisationer - Ojämn (Peak Vår/Höst) 2 %

0 20 40 60 80 100 120

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(35)

30 Figur 13. Utgående fack L148K. Uppmätt belastningsström under ett dygn.

Noterbart för L148K (figur 13, tabell 15 och tabell 16): Kurvorna följer samma karakteristiska mönster. Belastningsströmmens medelvärde skiljer sig med 15A mellan åren 2014 och 2013.

Felmarginal beräknas till 38% för 2014 och för 2013 ca 37%. Kategorier som det är mest kunder i är Bostad-Elvärme 43% och Bostad-Övriga 40%

Tabell 15. L148K. Resultat över fackets belastningsström.

max (A) medel (A) Min (A) 80% 90% 100% 110% 120%

52 44 40 60 66 72 78 85

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

65 59 53 72 80 89 97 106

Tabell 16. L148K. Procentuell fördelning av kundkategorier.

Organisationer - Ojämn (Peak Vinter) 2 %

Organisationer - Ojämn (Peak Vår/Höst) 1 %

0 10 20 30 40 50 60 70

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-14

(36)

31 Figur 14. Utgående fack L148L. Uppmätt belastningsström under ett dygn.

Noterbart för L148G (figur 14, tabell 17, tabell 18): Kurvorna följer samma karakteristiska mönster. Belastningsströmmens medelvärde skiljer sig med 7A mellan åren 2014 och 2013.

Felmarginal beräknas till ca 244% för 2014 och för 2013 ca 170%. Kategorier som det är mest kunder i är Bostad-Elvärme 36% och Bostad-Övriga 31%.

Tabell 17. L148L. Resultat över fackets belastningsström.

2014 temperatur: -5°C Belastning (A) max (A) medel (A) min (A) 80% 90% 100% 110% 120%

18 13 9 59 61 62 63 64

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

24 20 15 62 63 65 66 68

Tabell 18. L148L. Procentuell fördelning av kundkategorier.

Organisationer - Ojämn (Peak Vinter) 14 %

Totalt antal kunder 48

0 5 10 15 20 25

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(37)

32

Bilaga 2. Mätresultat-fördelningsstation Älvdalen

Figur 15. Utgående fack H3. Uppmätt belastningsström under ett dygn.

Noterbart för H3 (figur 15, tabell 19, tabell 20): Kurvorna följer samma karakteristiska mönster.

Belastningsströmmens medelvärde skiljer sig med 7A mellan åren 2014 och 2013. Felmarginal beräknas till ca 35% för 2014 och för 2013 ca 30%. Kategorier som det är mest kunder i är Bostad- Elvärme 38% och Bostad-Övriga 47%.

Tabell 19. H3. Resultat över fackets belastningsström.

2014 temperatur: -9,2°C Belastning (A) max (A) medel (A) min (A) 80% 90% 100% 110% 120%

28 25 22 32 35 38 41 44

2013 temperatur: -19,8°C Belastning (A)

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

36 32 30 39 43 47 51 55

Tabell 20. H3. Procentuell fördelning av kundkategorier.

Bostad - Fritid - Vår/Höst 1%

Totalt antal kunder 90

0 5 10 15 20 25 30 35 40

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(38)

33 Figur 16. Utgående fack H4. Uppmätt belastningsström under ett dygn.

Noterbart för H4 (figur 16, tabell 21, tabell 22): Kurvorna följer samma karaktäristiska mönster.

Belastningsströmmens medelvärde skiljer sig med 9A mellan åren 2014 och 2013. Felmarginal beräknas till ca 58% för 2014 och för 2013 ca 21%. Kategorier som det är mest kunder i är Bostad- Elvärme 16%, Bostad-Övriga 44%, Organisation-Jämn 10% och Organisation-Ojämn (Peak Vinter) 22%.

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

60 48 35 89 92 95 98 101

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

73 57 44 85 87 89 92 94

0 10 20 30 40 50 60 70 80

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(39)

Belastningsströmmens medelvärde skiljer sig med 25A mellan åren 2014 och 2013. Felmarginal beräknas till ca 38% för 2014 och för 2013 ca 9%. Kategorier som det är mest kunder i är Bostad Övriga 61%, Organisationer- Ojämn vinter 16% och Organisationer-jämn 10% och Bostad- Elvärme 9%.

Tabell 23. H5. Resultat över fackets belastningsström under given temperatur.

126 106 80 170 173 175 178 180

165 131 104 175 178 181 184 187

0 20 40 60 80 100 120 140 160 180

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13

(40)

Belastningsströmmens medelvärde skiljer sig med 26A mellan åren 2014 och 2013. Felmarginal beräknas till ca 59% för 2014 och för 2013 ca 37%. Kategorier som det är mest kunder i är Bostad- Elvärme 42% och Bostad-Övriga 46%.

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

94 82 66 132 140 150 159 168

max (A) medel (A) min (A) 80% 90% 100% 110% 120%

128 108 92 154 162 176 189 201

0 20 40 60 80 100 120 140

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ström [A]

Klockslag

22-jan-14 23-jan-13