The town of Karlstad has a long term project called Vision 100 000 which aim is to increase the population towards 100 000 inhabitants. This will of course put a strain for the town’s energy distribution grid. This is a work about trying to predict the grids power usage would be for the next five years if the city building plan is finalized. Those predictions are mainly going to be done through calculations with a database program called Facilplus and by checking the measured history of power usage per hour on certain selected customers by the program CustCom.  The peak for power usage happened the 22 December at 4 am. This date is important because it would give the main measure for how much it the grid is able to deliver. The future prognoses of the power usage are then going to be calculated. This is going to be done by making sure that the total areas of newly constructed buildings are going to be measured. A mean value for area and power usage is then going to be calculated for respective single houses and apartment houses. This would in turn give the important necessary value that would enable to give Karlstad Elnät AB a mean to calculate a new primarily prognosis for the next five years plan. These prognoses would then be used as plans how to newly constructed habitation areas would affect the energy grid in Karlstad. / Karlstads Kommun har en vision att få en befolkningsmängd på 100 000 invånare. För att få en bild av det framtida energibehovet bör man först skapa sig en bild över dagens elbehov. Detta sker på två sätt, först genom att summera energiuttaget från alla de elmätare som finns under nätstationerna som hämtas från insamlingssystemet CustCom. Här får man timrapporten för varje kunds energiförbrukning. Man är då särdeles intresserad av den dagen då nätet var som hårdast belastat. Detta skedde under julhelgen 22 december 2010 klockan 16.00. Den andra metoden är att få fram värden genom beräkningar via javaprogrammet Facilplus. Programmet används även för nätdokumentation (var stationerna och kablar befinner sig geografiskt) och projektering av utbyggnaderna. Belastningsberäkningarna i Facilplus använder sig av Velanders formel för att räkna fram effekten från kända årsförbrukningar av Karlstad Elnät AB:s kunder.  När det gäller att prognosera effektanvändningen för nybebyggelserna, beräknas först ett standardvärde för respektive byggnad (specifik energiförbrukning). Detta värde beräknas med hjälp av byggnaders ytor utifrån begärda ritningar från några noga utvalda områden. Därefter kan energianvändningen per kvadratmeter beräknas utifrån uppmätt energiförbrukning för de kunderna i respektive byggnad. Omvandlingen sker sedan från energiförbrukning till effektförbrukning och man får därmed ett bra mått på hur en viss byggnadstyp har för energianvändning.  Då antalet bostäder som ska byggas ut under perioden är kända från de byggnadsplaner som är tillgängliga för allmänheten kan man sedermera få fram en översiktlig storlek för varje nybyggnadsområdes framtida energianvändning. Det kommer även sålunda bli möjligt att avgöra om elnätet bör byggas ut eller om stationer ska omplaceras så att de hamnar inom andra mottagningsstationers matningsområden. Befintliga mottagningsstationer har kapacitet för ytterligare utbyggnad av Karlstad i olika riktningar.

In 2018 the Swedish government introduced a new legislation for the electricity meters installed in the low voltage networks. The legislation includes, among other things, that the electricity meters should be able to measure the current and voltage per phase with a time resolution of one hour or 15 minutes. To meet the new requirements Falu Energi & Vatten have started a rollout of new electricity meters in their low voltage networks. In addition to this, electricity meters have also been installed in a few secondary substations in Falun. The overall purpose of this project was to investigate what the data from the new electricity meters can be used for and what the benefits are with having metering equipment in secondary substations. Data from secondary substations can be useful when dimensioning the grid or when analysing power losses. During the project, data was collected from one secondary substation and the underlying low voltage network. The parameters current and voltage were measured per phase with a time interval of 15 minutes. The data was used in three different investigations. The results from two of them indicated that the network information system that Falu Energi & Vatten uses for dimensioning tends to overestimate the power consumption and the voltage drop between the secondary substation and the low voltage customers. In the last investigation a method for localising non-technical power losses was evaluated. The result indicated that the method was not suitable for the purpose.

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.

This thesis explores the use of machine learning as a load classifier in a distribution grid based on the daily consumption behaviour of roughly 1600 loads spread throughout the areas Bromma, Hässelby and Vällingby in Stockholm, Sweden. Two common unsupervised learning methods were used for this, K-means clustering and hierarchical agglomerative clustering (HAC), the performance of which was analysed with different input data sets and parameters. K-means and HAC were unfortunately difficult to compare and there were also some difficulties in finding a suitable number of clusters K with the used input data. This issue was resolved by evaluating the clustering outcome with custom loss function MSE-tot that compared created clusters with subsequent assignment of new data. The loss function MSE-tot indicates that K-means is more suitable than HAC in this particular clustering setup. To investigate how the obtained clusters could be used in practice, two K-means clustering models were also used to perform some cluster-specific peak load predictions. These predictions were done using unitless load profiles created from the mean properties of each cluster and dimensioned using load specific parameters. The developed models had a mean relative error of approximately 8-19 % per load, depending on the prediction method and which of the two clustering models that was used. This result is quite promising, especially since deviations above 20 % were not uncommon in previous work. The models gave poor predictions for some clusters, however, which indicates that the models may not be suitable to use on all kinds of load data in its current form. One suggestion for how to further improve the predictions is to add more explanatory variables, for example the temperature dependence. The result of the developed models were also compared to the conventionally used Velander's formula, which makes predictions based on the loads' facility-type and annual electricity consumption. Velander's formula generally performed worse than the developed methods, only reaching a mean relative error of 40-43 % per load. One likely reason for this is that the used database had poor facility label quality, which is essential for obtaining correct constants in Velander's formula.