I en tid då samhället alltmer elektrifieras, står elnätsföretagen inför en växande utmaning att garantera att elsystemet kan hantera de ökande kraven. I detta sammanhang kan långtidsprognosverktyg spela en avgörande roll för att optimera det befintliga samt det framtida elnätet. Genom att använda sådana verktyg kan elnätsföretag förbättra sina planer för nätutveckling, vilket är viktigt för att främja en effektiv och hållbar utveckling av elnätet. Genom att följa välgrundade riktlinjer och bästa praxis kan man säkerställa tillgänglighet, pålitlighet och kostnadseffektivitet i elförsörjningen. Syftet med examensarbetet är att utforska vad som krävs för att hantera ett effektivt prognosverktyg och uppfylla föreskrift 7 § enligt EiFS 2024:1 från Energimarknadsinspektionen. Uppdraget kom som ett resultat av detta krav, där det anges att distributionsnätsföretaget ska rapportera sin prognos för överföringskapacitet i megawatt för att hantera kundernas energiförbrukning och produktion. Examensarbetet fokuserar på att utveckla metoder och använda programvaran AFS för att uppnå dessa mål samt att analysera nuvarande och framtida belastningar och parametrar som påverkar prognoserna En litteraturstudie har utförts kring de olika prognosverktygen och metoderna som finns ute på marknaden. Parallellt har fem olika elnätsföretag intervjuats för att undersöka vad för prognosverktyg de har utvecklat och hur de arbetar för att uppnå nätutvecklingsplanen. Utöver litteraturstudien och intervjuerna har prognosverktyget Aiolos Forecast Studio (AFS) analyserats för att undersöka dess potential vid långtidsprognostisering. Resultatet från litteraturstudien och intervjuerna visade att det krävs mer än bara prognosverktyg för att utföra långtidsprognoser. Litteraturstudien visade att det finns olika verktyg samt metoder för att utföra dessa prognoser, men att det beror på företagets specifika krav eller behov för vad som passar dem.  Intervjuerna avslöjade att många använder eller har använt Excel för prognosarbete, men att man behövde utveckla andra verktyg för att kunna hantera större mängder data då det kan överstiga Excels kapacitet. Med huvudverktyget som beräknar prognoserna, framkom det att det krävs en hel del förarbete. Samt att ett kompletterande verktyg som kan applicera prognoserna ute på elnätet är att föredra. Analysen av Aiolos Forecast Studio gav blandade resultat. Då uppdraget kom från Jämtkraft Elnät AB, är den bearbetade datan från deras lokalnät. AFS är ett givande verktyg för korttidsprognoser men går även att använda inför framtidsscenarion. De olika framtidsscenarion som arbetades med var om solelproduktionen skulle ha en ökad toppeffekt från år 2023 med 18 MW till 62 MW för 2030 och 150 MW för 2035. Det utfördes skalningar i programmet för att få de nya önskade toppeffekterna. Resultatet visade att de prognostiserade toppeffekterna för år 2030 samt 2035 låg på 14% och 20% ifrån det önskade toppvärdet. Detta beror på att när man arbetar med en regressionsmodell så kommer prognosen att skala relativt till det historiska utfallsdata, det vill säga 18 MW. Därefter analyserades skalningarna för ett årsperiod, inklusive en vecka med låg förbrukning och en vecka med hög förbrukning. Detta gav en tydlig inblick i hur solelproduktionen påverkade belastningen under olika förhållanden och med olika skalningar. Under lågförbrukningsveckan, som inträffade i juni, visade resultaten tydligt att vid en skalning på 150 MW skiftade belastningen från förbrukning till produktion under vissa timmar, med tydliga tecken på den så kallade ankkurvan. Under högförbrukningsveckan, som ägde rum i december, var resultaten knappt märkbara. Detta var förväntat, med tanke på att den globala strålningen ligger på lägre nivåer under vintermånaderna i Jämtlands län, där Jämtkraft AB är placerad. Sammanfattningsvis tyder resultaten på att den mest effektiva metoden verkar vara att skapa ett anpassat verktyg, där AFS kan vara till nytta för potentiella elnätsföretag genom att analysera historiska data och upptäcka avvikelser.

I en tid då samhället alltmer elektrifieras, står elnätsföretagen inför en växande utmaning att garantera att elsystemet kan hantera de ökande kraven. I detta sammanhang kan långtidsprognosverktyg spela en avgörande roll för att optimera det befintliga samt det framtida elnätet. Genom att använda sådana verktyg kan elnätsföretag förbättra sina planer för nätutveckling, vilket är viktigt för att främja en effektiv och hållbar utveckling av elnätet. Genom att följa välgrundade riktlinjer och bästa praxis kan man säkerställa tillgänglighet, pålitlighet och kostnadseffektivitet i elförsörjningen. Syftet med examensarbetet är att utforska vad som krävs för att hantera ett effektivt prognosverktyg och uppfylla föreskrift 7 § enligt EiFS 2024:1 från Energimarknadsinspektionen. Uppdraget kom som ett resultat av detta krav, där det anges att distributionsnätsföretaget ska rapportera sin prognos för överföringskapacitet i megawatt för att hantera kundernas energiförbrukning och produktion. Examensarbetet fokuserar på att utveckla metoder och använda programvaran AFS för att uppnå dessa mål samt att analysera nuvarande och framtida belastningar och parametrar som påverkar prognoserna En litteraturstudie har utförts kring de olika prognosverktygen och metoderna som finns ute på marknaden. Parallellt har fem olika elnätsföretag intervjuats för att undersöka vad för prognosverktyg de har utvecklat och hur de arbetar för att uppnå nätutvecklingsplanen. Utöver litteraturstudien och intervjuerna har prognosverktyget Aiolos Forecast Studio (AFS) analyserats för att undersöka dess potential vid långtidsprognostisering. Resultatet från litteraturstudien och intervjuerna visade att det krävs mer än bara prognosverktyg för att utföra långtidsprognoser. Litteraturstudien visade att det finns olika verktyg samt metoder för att utföra dessa prognoser, men att det beror på företagets specifika krav eller behov för vad som passar dem.  Intervjuerna avslöjade att många använder eller har använt Excel för prognosarbete, men att man behövde utveckla andra verktyg för att kunna hantera större mängder data då det kan överstiga Excels kapacitet. Med huvudverktyget som beräknar prognoserna, framkom det att det krävs en hel del förarbete. Samt att ett kompletterande verktyg som kan applicera prognoserna ute på elnätet är att föredra. Analysen av Aiolos Forecast Studio gav blandade resultat. Då uppdraget kom från Jämtkraft Elnät AB, är den bearbetade datan från deras lokalnät. AFS är ett givande verktyg för korttidsprognoser men går även att använda inför framtidsscenarion. De olika framtidsscenarion som arbetades med var om solelproduktionen skulle ha en ökad toppeffekt från år 2023 med 18 MW till 62 MW för 2030 och 150 MW för 2035. Det utfördes skalningar i programmet för att få de nya önskade toppeffekterna. Resultatet visade att de prognostiserade toppeffekterna för år 2030 samt 2035 låg på 14% och 20% ifrån det önskade toppvärdet. Detta beror på att när man arbetar med en regressionsmodell så kommer prognosen att skala relativt till det historiska utfallsdata, det vill säga 18 MW. Därefter analyserades skalningarna för ett årsperiod, inklusive en vecka med låg förbrukning och en vecka med hög förbrukning. Detta gav en tydlig inblick i hur solelproduktionen påverkade belastningen under olika förhållanden och med olika skalningar. Under lågförbrukningsveckan, som inträffade i juni, visade resultaten tydligt att vid en skalning på 150 MW skiftade belastningen från förbrukning till produktion under vissa timmar, med tydliga tecken på den så kallade ankkurvan. Under högförbrukningsveckan, som ägde rum i december, var resultaten knappt märkbara. Detta var förväntat, med tanke på att den globala strålningen ligger på lägre nivåer under vintermånaderna i Jämtlands län, där Jämtkraft AB är placerad. Sammanfattningsvis tyder resultaten på att den mest effektiva metoden verkar vara att skapa ett anpassat verktyg, där AFS kan vara till nytta för potentiella elnätsföretag genom att analysera historiska data och upptäcka avvikelser. / Electricity grid companies are facing a growing challenge to ensure that the electrical system can handle increasing demands in a time when society is becoming more electrified. In this context, long-term forecasting tools can play a crucial role in optimizing both the existing and future electricity grid. By using such tools, electricity grid companies can improve their network development plans, which is crucial for promoting an efficient and sustainable development of the electrical grid. By following well-established guidelines and best practices, it is possible to ensure accessibility, reliability, and cost-effectiveness in electricity supply. The purpose of the thesis is to explore what is required to manage an effective forecasting tool and meet the requirements of Regulation 7 § according to EiFS 2024:1 from the Swedish Energimarknadsinspektionen. The assignment arose as a result of this requirement, which states that distribution network companies must report their forecast for transmission capacity in megawatts to manage customers' energy consumption and production. The thesis focuses on developing methods and using the AFS software to achieve these goals, as well as analyzing current and future loads and parameters that affect the forecasts. A literature review has been conducted on various forecasting tools and methods available on the market. Simultaneously, five different electricity grid companies have been interviewed to investigate what forecasting tools they have developed and how they work to achieve the nätutvecklingsplanen. In addition to the literature review and interviews, the forecasting tool Aiolos Forecast Studio (AFS) has been analyzed to examine its potential for long-term forecasting. The findings from the literature review and interviews indicated that it takes more than just a single forecasting tool to conduct long-term forecasts. The literature review highlighted the presence of various tools and methods for performing these forecasts, but their suitability depends on the specific requirements or needs of the company. The interviews revealed that many individuals use or have used Excel for forecasting work, but additional tools needed to be developed to handle larger amounts of data as it might exceed Excel's capacity. Regarding the primary forecasting tool, it became evident that substantial preparatory work is required. Additionally, having a supplementary tool capable of applying the forecasts directly to the electricity grid is preferable. The analysis of AFS yielded mixed results. Since the assignment came from Jämtkraft Elnät AB, the data worked on was from their local grid. AFS is a valuable tool for short-term forecasts but can also be used for future scenarios. The different future scenarios worked on involved whether solar power production would have an increased peak capacity from 18 MW in 2023 to 62 MW in 2030 and 150 MW in 2035. Scalings were performed in the program to achieve the new desired peak capacities. The results showed that the forecasted peak capacities for 2030 and 2035 were 14% and 20% off from the desired peak value. This is because when working with a regression model, the forecast will scale relative to the historical outcome data, 18 MW. Following that, the scalings were analyzed for a year-long period, including a week of low consumption and a week of high consumption. This provided a clear insight into how solar power production influenced the load under different conditions and with different scalings. During the low-consumption week, occurring in June, the results clearly showed that at a scaling of 150 MW, the load shifted from consumption to production during certain hours, with clear signs of the so-called duck curve. During the high-consumption week, which took place in December, the results were barely noticeable. This was expected, considering that global radiation levels are lower during the winter months in Jämtlands län, where Jämtkraft AB is located. In summary, the results suggest that the most effective approach appears to be creating a customized tool, where AFS can be beneficial for potential grid companies by analyzing historical data and detecting anomalies.

Långtidsprognoser beskriver gapet mellan väderprognoser och klimatmodeller som förutspår klimatförändringar p.g.a. den globala uppvärmningen. Långtidsprognostik förlitar sig på så kallade “källor av förutsägbarhet”. Dessa kan vara variabler som ändrar sig långsamt, som havsvattnets yttemperatur, eller variationsmönster såsom El Nino-Southern Oscillation. Många industrisektorer och delar av samhället som ´ idag använder väderprognoser i sina dagliga beslut, som t.ex. jordbruksindustrin, energiindustrin eller någon annan väderkänslig sektor, kan potentiellt dra nytta av träffsäkra och pålitliga långtidsprognoser. Bland de potentiella användarna finns förstås också privatpersoner. Syftet med denna studie är att introducera långtidsprognostik och att försöka utvärdera prestandan av ECMWFs välkända och etablerade säsongsmodell SEAS5, genom tidigare forskning och ECMWFs verifikationsfigurer som finns tillgängliga för allmänheten. Utvärderingen gjordes utifrån allmänhetens perspektiv och vad de skulle uppfatta som en “bra” prognos. Marknära temperatur och delvis nederbörd undersöktes för Europa under sommar och vinter, i termer av “skill” (träffsäkerhet) och “reliability” (pålitlighet, på så sätt att en händelse som förutspås med 60% sannolikhet också ska observeras i ungefär 60% av fallen). SEAS5 når inte riktigt upp i “bra” skill-nivåer för marknära temperatur, om “bra” motsvarar synoptiskt användbar prognos. Det finns dock stora skillnader mellan olika platser och säsonger, där “bra” skill framförallt märks i södra/sydöstra Europa på sommaren och delar av norra Europa på vintern. “Reliability” är generellt bra, även om det är svårt att avgöra hur den skiljer mellan olika platser. Nederbörd visar dock mycket dålig skill och låg “reliability” oavsett säsong eller plats. / Long range weather prediction describe weather forecasts with a range longer than 14 days, but shorter than climate prediction models that predict climate change due to global warming. Long range forecasting relies on sources of predictability that, for example, changes slowly such as sea surface temperatures, or varies in predictable patterns like the El Nino-Southern Oscillation. Many sectors of industry and society ´ that today use weather forecasting in their day-to-day decision making, such as agriculture, energy or any other weather sensitive sector, have potentially much to benefit from accurate and reliable long range forecasts. Among potential users is of course the general public. The purpose of this study is to give an introduction to long range weather prediction and attempt to evaluate the performance of ECMWF’s SEAS5 seasonal model, which is one of the most well known and established S2S models, by using earlier research and ECMWF’s publicly available verification charts. This was done from the public’s perspective of what would be considered a “good” forecast, mainly from near surface air temperature but also precipitation, during winter and summer in Europe, on the aspects of skill (accuracy) and reliability (in the sense that a probabilistic forecast of 60% for an event also is observed around 60% of the time). SEAS5 overall doesn’t quite reach “good” skill levels for near surface temperature, if “good” is defined as synoptically significant. The skill level varies significantly though, depending on region and season, with southern/southeastern Europe during summer and parts of northern Europe during winter being notable “good” situations. Reliability is generally good, even if it is difficult to know how reliability varies spatially. However, precipitation shows very little skill and low reliability, no matter the season or region.