Driverbasert metode - ProgLast prototypeverktøy v1.1

Dette kapittelet forklarer metoden som kobler driverne til prognosen. Selve inputdataene og hvordan de er strukturert er beskrevet i Drivere. Metoden varierer litt fra driver til driver, siden kvantifiseringen av driverne er forskjellig. Her er en oversikt over hvordan de ulike gruppene håndteres:

Drivergruppe	Benevning/enhet	Metode
G1 – Økonomi og demografi	%	Metode for drivere med vekst i %
G2 – Sektorelektrifisering og ny industri	TWh	Metode for drivere med vekst i absolutte tall
G3 – Bygg, infrastruktur og forbruksmønstre	TWh, GW	Metode for drivere med vekst i absolutte tall
G4 – Kraftsystemforhold	GW, øre/kWh	Ikke implementert – se Videre arbeid

Fra driver til kundegruppe¶

Det første trinnet i prognosen består av å knytte hver drivers forventede utvikling til en endring i (den temperaturkorrigerte) etterspørselen for hver kundegruppe. For en kundegruppe $i$ , antas etterspørselen $g_i$ relatert til driverne $d_j$ å ha formen:

g_i[t] = \sum_j a_{ij}d_j[t]

(1)

\implies \mathbf{g}[t] = \mathbf{A}\mathbf{d}[t]

(2)

Matrisen $\mathbf{A}$ er en matrise av vekter $a_{ij}$ .

I verktøyet brukes to ulike metoder for å estimere numeriske verdier for disse vektene, avhengig av om driveren er kvantifisert i absolutte tall (TWh, GW) eller i prosent.

Metode for drivere med vekst i absolutte tall (G2 og G3)¶

Vektene representerer “hvor mye av driverens energi skal fordeles til en gitt gruppe”. Driverne som håndteres på denne måten, er de som befinner seg i G2 og G3 (der veksten er kvantifiser i energi eller effekt, enhet TWh eller GW).

Fordeler:

Vektene er menneskelig forklarbare og lett å utlede
Det er en garanti for at all økning i energietterspørsel blir hensyntatt

Ulemper:

Drivere som ikke oppgis i energi men i % kan ikke behandles på denne måten

Merk at colsum = 1 håndheves, slik at energi- eller effektøkningen er bevart. Utdata er forventet endring i etterspørsel per gruppe.

Metode for drivere med vekst i % (G1)¶

Vektene representerer “hvor mye endres gruppens etterspørsel ved 1 prosent økning i den relevante driveren”. I første versjon antas 1:1, dvs. at 1 % økning i driveren gir 1 % økning i kundegruppen den påvirker.

Fordeler:

Alle drivere kan bidra til den forventede økningen på en naturlig måte
Håndtering av korrelasjonen mellom ulike drivere er enkel (fordi man kan lage en korrelasjonsmatrise)

Ulemper:

Uten omfattende data er det uklart hvordan de numeriske verdiene skal settes
Ingen garanti mot at økning telles dobbelt på tvers av grupper fordi man ikke har beregnet hva evt korrelasjon mellom driverne eventuelt er.

Under dette rammeverket er:

\mathbf{A} = \mathbf{R}_{gd}\mathbf{R}_{dd}^{-1}

(3)

der $\mathbf{R}$ er korrelasjonen mellom variablene.

Skalering av etterspørsel¶

Etterspørselen må så skaleres for å korrekt gjenspeile den nåværende situasjonen ved den aktuelle stasjonen. Dette kan gjøres på flere måter.

Forutsatt at stasjonens fremtidige kundefordeling er lik dagens¶

Først beregnes den relative nasjonale økningen til driveren:

\overline{g}_i[t] = g_i[t] / g_i[t_0]

(4)

Deretter transformeres dette til vekst i makslast ved den aktuelle stasjonen:

p_i[t] = a_i(\overline{g}_i[t] - 1) + b_i

(5)

der $b_i = p_{i0}$ og

a_i = \begin{cases} p_{i0} &, p_{i0} \neq 0 \\ ??? & p_{i0} = 0 \end{cases}

(6)

der $p_{i0}$ er det temperaturkorrigerte effektbehovet for den gitte gruppen i topplasttimen. Denne transformasjonen sikrer at prognosert etterspørsel ved $t = t_0$ er lik den observerte etterspørselen, og at fremtidig økning er proporsjonal med relativ økning i gruppens etterspørsel.

I tilfeller der kundegruppen ikke har noe nåværende effektbehov på stasjonen, er verdien av $a_i$ mindre åpenbar. Dette er ikke løst i ennå, men i denne versjonen av verktøyet antar man at fremtidig kundefordeling tilsvarer dagens kundefordeling på stasjonen (+ tilknytningsforespørsler). Et eksempel: Hvis stasjonen ikke har noe industri i dag, så vil den driverbaserte fremskrivningen heller ikke prognosere noe industrilast på stasjonen i fremtiden.

Under kommer ideer til hvordan “stasjonens fremtidige kundefordeling” kan håndteres i fremtidige versjoner av verktøyet.

Forutsatt at stasjonens fremtidige kundefordeling tilsvarer den nasjonale¶

I tilfeller der nåværende etterspørsel fra en kundegruppe er lav eller ikke-eksisterende, vil skalering med nasjonal relativ økning ikke gi meningsfylte resultater. Et alternativ er da å anta at energimengden som er nødvendig for å forsyne gruppen i fremtiden, relativt til total etterspørsel på stasjonen, tilsvarer det nasjonale forholdet.

Vi betegner $L$ som lokal (regionalnettstasjons-) prognose og $N$ som nasjonal. Total energietterspørsel beregnes for begge:

g_\Sigma^j[t_0] = \sum_i g_i^j[t_0],\quad j \in \{L, N\}

(7)

g_i^L[t] = g_i^N[t]\frac{g_\Sigma^L[t_0]}{g_\Sigma^N[t_0]}

(8)

Prognosert energietterspørsel omformes deretter til toppeffektbehov, f.eks. ved hjelp av Velander-koeffisienter.

Forutsatt stasjonens fremtidige kundefordeling tilsvarer dagens + bidrag fra tilknytningsforespørslene på stasjonen¶

I tilfeller der nåværende etterspørsel fra en kundegruppe er lav eller ikke-eksisterende, kan man anta at tilknytningsforespørslene på stasjonen forteller noe om hvilke kundegrupper som vil komme dit. Det kan brukes til å estimere fordelingen mellom kundegrupper på stasjonen i fremtiden. Dette er bare en idé og er ikke konkretisert noe videre.

Merknader¶

De tre tilnærmingene som beskrives her er alle forenklinger. Lastbehovet vokser ikke lineært med energietterspørsel – en slik faktor kunne vært inkludert. En kombinasjon av første metodens potensielle underestimering og de andre metodenes overestimering kan også utforskes. I alle tilfeller er den mest kritiske forutsetningen den antatte fremtidige kundegruppe-fordelingen.

Oversikt¶

Se Metodisk oversikt for hele bildet av beregningskjeden.