Historiskt har kundkategorisering inom elnätsbranschen typiskt inneburit kategorisering utifrån säkringsstorlek, SNI-kod, typ av hushåll, förväntad årsförbrukning alternativt genom faktiskt förbrukningsmönster. Det senare har primärt används för större kunder. Dessa indikatorer ger nödvändigtvis inte hela bilden, för inom varje sådan kategori (ex. kunder med 35 A säkring eller de med SNI-kod ”Hushåll”) finns olika typer av kunder och därmed en stor spridning av förbrukningsmönster.
Sedan 2012 har alla elkunder rätt till mätning på timbasis. Även om endast en begränsad del av kundkollektivet debiteras per timme så har många nätbolag valt att börja samla in timvärden. Därmed finns timupplösta värden att tillgå även för mindre kunder hos många nätbolag. Så genom att istället utgå från en datadriven metodik där själva förbrukningsmönstret analyseras går det därmed att ta fram en kategorisering av kunder som bättre speglar de olika beteendemönster som finns. Detta gör att färre antaganden behöver göras i samband med tariffsättning, utarbetande av typkurvor och det övergripande prognosarbetet. Elhandlare kommer att kunna utarbeta mer skräddarsydda avtal och det blir enklare att identifiera många nya smarta nät-applikationer såsom energilager, egenproduktion och kunder som anpassar sin förbrukning efter priset (efterfrågeflexibilitet).
Under 2016-2017 fick Sweco på uppdrag av Energiforsk och med stöd från Göteborg Energi, Luleå Energi, Mälarenergi, Storuman Energi, Ulricehamns Energi och Umeå Energi möjlighet att göra ett djupdyk i ämnet. Genom att analysera förbrukningsdata på timnivå för ungefär 150 000 kunder från ovan nämnda aktörer och sedan reducera dessa till nio olika nyckeltal per kund har nya former av kategoriseringar kunnat undersökas.
Ett antal slutsatser har kunnat dras. Till att börja med är det en förutsättning att tidsaspekten hos förbrukningen kan återges för att nyckeltalet ska kunna spegla antingen nätbolaget eller elhandlarens kostnader. Exempelvis finns det ingen korrelation mellan kundens Kapacitetsfaktor (Årets maxeffekt / Årsförbrukning) och vilka kostnader de ger upphov till för systemet, för det spelar stor roll om kundens maximala effektförbrukning äger rum en kall vinterdag eller en lördagsnatt under sommartid. Ett nyckeltal som istället beskriver hur kundens timförbrukning samvarierar med antingen lokalnätets totala belastning eller elpriset på Elspot ger mer information om vilken kostnad kundens förbrukning har för systemet.
Ur perspektivet nätutbyggnad kan nyckeltal som beskriver kundernas samvariation med belastningen över särskilda flaskhalsar i nätet ge bättre underlag för hur utbyggnad och reinvestering i kapacitet kan ske på ett resurseffektivt sätt. I dagsläget används ofta metoder som endast tar hänsyn till sammanlagringen mellan belastningar på ett mer schabloniserat sätt och ger därför upphov till överdimensionering av kapaciteten.
Efterfrågeflexibilitet är ofta synonymt med styrbar elvärme, och genom att använda sig av kombinationer av nyckeltal som tillsammans beskriver exempelvis mängden elvärme en kund använder sig av när systemet är som hårdast belastat kan aktörer rikta sina ansträngningar mot dessa kunder och upplysa dem om nyttan av att jämna ut sina toppar.
Tre utmaningar med att kategorisera kunder på detta vis har tydliggjorts under projektets gång.
(1) Förbrukare med särskilt avvikande förbrukningsmönster får särskilt stor påverkan på kategoriseringen och kan behöva hanteras individuellt
(2) Många kunders förbrukningsmönster varierar mellan olika kalenderår, ofta så mycket att de också hamnar i en annan kategori
(3) För bästa resultat behöver sannolikt antalet kundkategorier tillåtas att variera. För antalet naturliga grupper inom ett kollektiv beror helt på egenskaperna hos individerna. Jämför med om du ska sortera tio bananer efter färg (gröna eller gula) med om du ska sortera fem bananer och fem äpplen (gröna, gula eller röda).
För att sammanfatta har projektet belyst både möjligheter och utmaningar med att kategorisera kunder utifrån förbrukningsmönstret, som kommer att vara nyttiga för den framtida utvecklingen inom området. Följ gärna länken här till den fullständiga rapporten om du är intresserad och vill läsa mer!
Min kollega Magnus Lindén har nyligen även skrivit ett blogginlägg på en annan Sweco-blogg, Smarta städer, med anknytning till detta.
Martin Nilsson, martin.a.nilsson@sweco.se
