Dataanalys och avancerade algoritmer : Möjligheter med utökad mätinfrastruktur

Incitament för att nätbolagen skall effektivisera sin drift föreslås av Energimarknadsinspektionen. Sett till effektivitet har 54 av 159 nätbolag högre nätförluster än 4% på årsbasis. Om dessa 54 hade gjort förbättringar i sina elnät och nått ned till en nätförlust på 4%, så skulle det innebära en minskning på totalt 143 GWh/år. Antas en kostnad på 50 öre/kWh motsvarar det 72 miljoner kr/år. Detta kan vara dels onödig förlust att behöva betala i anslutningspunkten men också en saknad inkomst för distributionselnätsägaren. Enkätsvar från elnätsbolag visar vilka framtida utmaningar som man ser är allt från ökade energimätarkrav, förstärkningar och att värdesäkra nätet. Enkätsvaren visar att det finns stor spridning hur nätbolagen hanterar sina nätförluster, hur man i nuläget hanterar icke-tekniska förluster (ITF) och dess lokalisering och identifiering. Jämfört med kostnaden för nya generationens mätare kommer lagringskostnader för extra mätvärden och ökad mätupplösning inte vara den stora kostnadsdrivaren. I denna rapport utvärderas korrelation, effektflödesanalys och maskininlärning för att detektera och lokaliserar olika typer av ITF. Med hjälp av maskininlärning kan förluster lokaliseras utan perfekt kunskap om elnätets uppbyggnad så länge dessa förluster följer förbrukningsmönstret och perioder utan ITF finns för upplärning av algoritmen. För slumpmässiga förluster har 3 olika metoder utvecklats och utvärderats (SiM, K:SE och K:V) som visar lovande resultat när det gäller lokalisering och detektering med hjälp av spänningsvärden hos energimätare. Upplösningen hos energimätvärdena och dess påverkan på lokaliseringen har även studerats.An incentive for distribution companies to improve the efficiency of their operation is being suggested by Energimarknadsinspektionen. In terms of efficiency, 54 out of 159 network companies have higher distribution losses than 4% on an annual basis. If these 54 had made improvements in their power grids and reached an energy loss of 4%, this would mean a reduction of 143 GWh / year overall. Assuming a cost of 50 öre / kWh this would equivalent to 72 million kr / year. This may be unnecessary loss of having to pay at the connection point, but also a missing income for the distribution network owner. Surveys from electricity companies show what future challenges are ranging from increased energy metering requirements and reinforcements. The questionnaire shows that there is a large spread of how network companies manage their network losses, how to handle non-technical losses (ITF) and how they go about to locate and identify them. Compared to the cost of the new generation meters, storage costs for additional metrics and increased measurement resolution will not be the major cost driver. In this report, correlation, power flow analysis and machine learning are evaluated in order to detect and locate different types of ITF. With the help of machine learning, losses can be located without perfect knowledge of the power grid structure as long as these losses follow the usage pattern, and periods without ITF are available for the learning of the machine learning algorithm. For random losses, 3 different methods have been evaluated (SiM, K: SE and K: V) that show promising results with regard to localizing and detecting ITF using voltage values of energy meters. The resolution of the energy meters and its influence on the possibility to localize a ITF has also been studied