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.

Toppeffekter används av elnätsbolag för att dimensionera elnätet, vilket blir allt viktigare för varje år. Fler och fler invånare och företag ökar sin elkonsumtion och förväntar sig en driftsäker och stabil elförsörjning. Det finns två vanliga metoder att beräkna toppeffekter. Första sättet är Velanders formel som är en enkel metod för att uppskatta toppeffekter. Velanders formel behöver bara årsenergi och vetskap om kundkategori med tillhörande Velanderkonstanter för beräkning av uppskattad toppeffekt. Sedan finns den mer komplexa typkurvemetoden som behöver flera olika parametrar, t.ex. graddagtal, dygnsmedeltemperatur, gränssannolikhet och kundkategori. Detta examensarbete undersöker en enkel metod för att ta fram konstanter till Velanders formel för beräkning av toppeffekter. Detta genomfördes med hjälp av regressionsanalys av historiska elanvändningsdata från Mälarenergi Elnät AB:s (MEE) kunder från 12 olika kundkategorier. Detta på grund av att MEE önskade att utveckla en metod för att ta fram konstanter till Velanders formel baserad på historiska elanvändningsdata. Metoden för att ta fram konstanter till Velanders formel går ut på att med hjälp av MATLAB utföra en regressionsanalys på simulerade kundgrupper skapade från timvis historiska elanvändningsdata. En kurva baserad på Velanders formel tas sedan fram som beskriver den övre gränsen till toppeffekterna för de simulerade kundgrupperna. Från kurvan fås sedan de Velanderkonstanter som söks. Resultaten av den undersökta metoden presenteras i form av grafer och tabeller för tre utvalda kundkategorier. Alla kategorier och deras resultat finns som bilagor till rapporten. Valideringen av resultaten och metoden gjordes med hjälp av korsvalidering och jämförelse mot heterogena simulerade kundgrupper. Känslighetsanalysen visar att den undersökta metoden var känslig för flera faktorer såsom kategorisering av kunder, tidsspann för historiska elanvändningsdata, antal simulerade kundgrupper och kundantal. Med tillräcklig dimensionering av dessa faktorer bedömdes metoden vara användbar. Resultaten visade på att de framtagna Velanderkonstanterna gav en god uppskattning av toppeffekter för de kundkategorier som undersökts. Jämförelse av de uppskattade toppeffekterna och de observerade visade på att det fanns en viss differens mellan dem. Detta var dock förväntat eftersom de uppskattade toppeffekterna ska avspegla den övre toppeffektsgränsen. / This degree project has examined a simple method aiming to obtain coefficients for Velanders formula which purpose is to calculate peak loads. This was done by using regression analysis on historical data on consumption of electricity from 12 different customer categories acquired from Mälarenergi Elnät AB (MEE). The reason being that MEE wanted to examine a method which could obtain coefficients for Velanders formula based on hourly historical electricity consumption data. The method for obtaining Velander coefficients uses MATLAB to do regression analysis on simulated customer groups, created from hourly historical electricity consumption data. The Velander coefficients are then obtained from a regression curve based on Velanders formula. Results from the evaluation of the method is presented with the help of plots and tables for three chosen customer categories. Validation of the method was done by cross-validation and comparison against heterogeneous customer groups. Sensitivity analysis showed the examined method to be sensitive to several factors such as categorization of customers, the timespan of historical electricity consumption data, the number of simulated customer groups that were used and how many customers a category contained. By dimensioning these factors carefully, the method examined was assessed to be viable. The results indicated that the obtained Velander coefficients gave a good estimation of the peak loads for the chosen customer categories. Comparison between the estimated and observed peak loads indicated that there was a certain difference between them. This was to be expected since the estimated peak loads are to reflect the upper peak load limit.