Rapport Statistisk modell for forventet ILE

Transkript

1 Rapport Statistisk modell for forventet ILE

2 ECON-rapport nr , Prosjekt nr ISSN: , ISBN ÅJE/EBO/NLA/PJS/mbh, NDA, 21. desember 2005 Offentlig Statistisk modell for forventet ILE Utarbeidet for Norges vassdrags- og energidirektorat ECON Analyse Postboks 5, 0051 Oslo. Tlf: , Faks: ,

3 Innhold: SAMMENDRAG OG KONKLUSJONER INNLEDNING Bakgrunn og problemstilling Prinsipielt om statistiske modeller for ILE Om rapporten HVA KAN FORKLARE ILE? Datakilder ILE Egenskaper ved nettet som kan forklare variasjoner i ILE Størrelse på nettselskapet Sammensetning av kundemassen Nettets gjennomsnittsalder Sammensetningen av nettet på luftlinje, sjøkabel og jordkabel Nett og skog Spredtbygdhet i nettområdet Natur- og klimaforhold som kan forklare variasjoner i ILE Vind Ising Nedbør Temperatur Lynnedslag Høyde over havet Kuperthet Korrosjon Andre faktorer Tiltak mot avbrudd Varslet vs. ikke-varslet ILE Oversikt over variabler og datakilder DATAMATERIALET Generelt Deskriptiv statistikk - ILE Korrelasjon mellom forklaringsvariabler STATISTISKE MODELLER FOR ILE Paneldatamodeller Lineære vs. loglineære modeller RESULTATER Generelt Hovedresultater - basismodellen Parameterverdier Hvor treffsikker er modellen? Sensitivitetsanalyser Alternative modeller med bare eksogene variabler FORVENTET ILE I REGULERINGEN Generelt om modellen for beregning av forventet ILE...53

4 6.2 Forventet ILE i gjeldende regulering Incentivvirkninger Inntektsrammevirkninger NVEs forslag til ny regulering...60 REFERANSER...63 VEDLEGG 1: RESULTATER FRA ECON-RAPPORT 59/ VEDLEGG 2: DETALJERTE ESTIMERINGSRESULTATER - BASISMODELL...71 VEDLEGG 3: FORKLARINGSVARIABLER - DESKRIPTIV STATISTIKK..75

5 Sammendrag og konklusjoner Resymé I denne rapporten dokumenteres resultatene fra en statistisk analyse av forventet mengde ikke-levert energi (ILE) i norske nettselskaper basert på data for perioden Den estimerte modellen omfatter flere forklaringsvariabler som til sammen reflekterer egenskaper ved nettene, klimaforhold og andre geografiske rammevilkår. Modellen treffer godt i forhold til de historiske mengdene ILE for ca. 90 prosent av nettselskapene, mens det for 12 selskaper er snakk om betydelige negative avvik som ikke lar seg forklare med de tilgjengelige dataene. Det er grunn til å tro at bedre data for enkelte typer variabler kan forbedre modellens treffsikkerhet ytterligere. I tillegg til å etablere en norm for forventet ILE i inntektsrammene, kan modellen tenkes brukt til å reflektere geografiske rammevilkår i NVEs effektivitetsanalyser. Bakgrunn NVEs inntektsrammeregulering av norske elnettselskaper skal oppdateres fra I den gjeldende reguleringen påfører avbrudd med en varighet på over tre minutter nettselskapene kostnader i form av KILE (Kvalitetsjustering av inntektsrammer ved Ikke-Levert Energi), som framkommer som produktet av ikke-levert energi (ILE) og tilhørende KILE-satser pr. kundegruppe. Som et ledd i utviklingen av reguleringen, ønsker NVE å etablere en statistisk modell for beregning av forventet årlig nivå på ILE for det enkelte nettselskap. Modellen kan brukes både til å fastsette et grunnlag for inntektsrammene og som mål på geografiske rammevilkår i NVEs modell for effektivitetsmåling. En modell for estimering av forventet ILE ble opprinnelig utviklet av ECON i 2000 i forbindelse med innføringen av KILE-ordningen. Tilgangen på lengre dataserier og data for nye potensielle forklaringsvariabler gjør det mulig og ønskelig å gjøre en ny statistisk studie av årsaksfaktorer bak ILE. Problemstilling Vi drøfter følgende problemstillinger: Hvordan kan en etablere en statistisk modell for beregning av forventet mengde ikke-levert energi for norske nettselskaper, og hvordan kan modellen inkluderes i den økonomiske reguleringen? Vi legger mest vekt på det første spørsmålet. 1

6 Rapporten er utarbeidet på oppdrag fra NVE, som også har bidratt med datamaterialet. Primærdataene er hentet fra en rekke kilder i tillegg til NVE, herunder Statistisk sentralbyrå, SINTEF og Meteorologisk institutt. Konklusjoner og tilrådinger Analysen gir grunnlag for følgende hovedkonklusjoner: Flere forklaringsvariabler viser seg å ha statistisk utsagnskraft for forventet ILE. De aktuelle variablene reflekterer til sammen flere typer egenskaper ved nettene (levert energi, nettutstrekning, andelen jordkabel, andel sjøkabel), klimaforhold (utsatthet for ekstremvind, temperatur) og geografiske rammevilkår (skog i nettområdet). Modellen treffer godt i forhold til de historiske mengdene ILE for ca. 90 prosent av nettselskapene, mens det for 12 selskaper er snakk om betydelige negative avvik som ikke lar seg forklare med de tilgjengelige dataene. Det er grunn til å tro at bedre data for enkelte typer variabler kan forbedre modellens treffsikkerhet ytterligere. Modellen kan brukes av NVE til å beregne et kostnadsgrunnlag for inntektsrammene, og den kan også tenkes benyttet som et mål på geografiske rammevilkår i NVEs effektivitetsanalyser. Det er uansett viktig at det er konsistens mellom oppdateringen av kostnadsgrunnlaget for inntektsrammen for øvrig og bruken av forventet ILE for å unngå at nettselskapene får for sterke eller for svake incentiver til å opprettholde leveringskvaliteten. Prinsipielt om modellen og datasettet ILE er en funksjon av antall avbrudd og varigheten av avbruddene. En rekke forhold kan tenkes å påvirke så vel antall som varighet. Datasettet omfatter i utgangspunktet mer enn 100 forklaringsvariabler som reflekterer egenskaper ved nettene, klimaforhold, geografiske og demografiske rammevilkår. Vi har benyttet data for 131 norske nettselskaper for perioden Utvalget representerer til sammen mer enn 99 prosent av elforbruket i distribusjonsnettet dataene er imidlertid mangelfulle for enkelte av selskapene. Også for noen av forklaringsvariablene er det betydelige hull som gjør dataene mindre egnet for analyseformål. Det gjelder særlig årlige data for vindforhold og nedbør. Datasettet er et paneldatasett, det vil si at det inneholder observasjoner av de samme enhetene over en lengre periode. Vi har brukt egne statistiske metoder som er utviklet for paneldata, som gjør det mulig å kontrollere for selskapsspesifikke forhold som ikke lar seg måle på noen enkel måte. Modellen reflekterer flere typer årsaksfaktorer På grunnlag av en rekke estimeringer har vi identifisert en basismodell med et begrenset antall variabler inkludert. Den valgte modellen er en loglineær modell hvor de estimerte parametrene litt forenklet sier noe om hvor mange prosent ILE ventes å øke med når den aktuelle forklaringsvariabelen øker med 1 prosent (eller reduseres hvis fortegnet til parameteren er negativt). Vi har identifisert følgende statistisk signifikante årsaksfaktorer: 2

7 Egenskaper ved nettet fanges opp ved at variablene levert energi, andel jordkabel og andel sjøkabel inngår i modellen. Mengden levert energi er et mål på størrelsen av forsyningsoppgaven, og er åpenbart korrelert med mengden ILE. Nett med mye jordkabel er mindre utsatt for feil enn vind med luft Nettovirkningen viser seg likevel å være at jordkabel reduserer forventet ILE. Nett med mye sjøkabel er sårbare for feil, og feilretting kan være tidkrevende og vanskelig rent teknisk. Mye sjøkabel gir høy forventet ILE. I tillegg har vi laget en variabel som måler nettutstrekning pr. enhet levert energi, som kan reflektere grisgrendthet, vanskelige kommunikasjonsforhold og andre strukturelle trekk ved forsyningsområdet som gir økt risiko for avbrudd og kanskje særlig øker varigheten av avbruddene. Nettutstrekningen er basert på et arealmål som tar utgangspunkt i tall for linjelengder og offentlige veier i hvert nettområde. Jo mer nett pr. kwh, desto større er forventet ILE. Klimaforhold ivaretas gjennom variabler for gjennomsnittstemperatur og utsatthet for ekstremvind. Lave temperaturer gir høy forventet ILE, og kan tolkes som et mål på utsatthet for ising og generelt ugunstige klimaforhold. Mye vind gir som ventet høy ILE. Andelen sjøkabel og utsatthet for ekstremvind viser seg også å være høyt korrelert med kystnærhet og utsatthet for korrosjon, som må antas å være en viktig utløsende faktor for avbrudd og behov for vedlikehold. Endelig er andelen av forsyningsområdet som er dekket av skog med i modellen. Forsyningsområdet er definert med utgangspunkt i data for nettanleggenes beliggenhet og offentlige veier, slik at områder der det ikke er nett er utelatt. Mye skog gir høy forventet ILE, alt annet likt. Den bakenforliggende årsaken er at skog i nettområdet øker risikoen for avbrudd som følge av trefall. Dessuten fører skogen til at feilretting blir mer tidkrevende. Årsaksfaktorene skiller seg i betydelig grad fra dem vi fant i analysen fra Det skyldes både at dataseriene er lengre, noe som øker sannsynligheten for å identifisere statistisk signifikante årsaksfaktorer, og at datagrunnlaget er betydelig forbedret gjennom tilgang på flere potensielle forklaringsvariabler og kvalitativt bedre, særlig for de geografiske rammevilkårene. Varslet og ikke-varslet ILE kan håndteres i samme modell Et avbrudd kan være varslet eller ikke varslet. Varslede avbrudd skjer typisk som følge av utkoblinger i forbindelse med vedlikeholdsarbeid eller feilretting. De to typene avbrudd gir opphav til forskjellige KILE-kostnader pr. kwh. Nettselskapene har selv betydelig innflytelse på mengden og varigheten av varslede avbrudd, og mengden varslet ILE gikk betydelig ned i årene før nivået har stabilisert seg. Samtidig vil nett som for eksempel er utsatt for harde værforhold også ha behov for mye vedlikehold, slik at de samme bakenforliggende årsakene vil påvirke begge typer ILE. Det er prinsipielt mulig å formulere separate modeller for varslede og ikkevarslede avbrudd. De statistiske analysene av slike separate modeller tyder imidlertid på at de samme årsaksfaktorene i stor grad gjør seg gjeldende for de to typene avbrudd. I stedet har vi inkludert en enkel tidsspesifikk dummyvariabel som fanger opp utviklingen i varslet ILE etter at KILE-ordningen ble innført i 3

8 2001, som viser seg å være statistisk signifikant. Den estimerte virkningen av variabelen er som ventet at forventet ILE er lavere etter at KILE-ordningen er innført. Mye av virkningen må antas å reflektere reduksjonen i varslet ILE. Modellen gir god treffsikkerhet for 9 av 10 selskaper I gjennomsnitt predikerer den estimerte modellen ILE innenfor +/- 0,05 prosent av levert energi for 119 av 131 selskaper. For 12 selskaper ligger imidlertid faktisk ILE i perioden vesentlig høyere enn modellen viser. Utslaget i positiv retning er mindre. De negative ekstremverdiene har tre hovedforklaringer: Noen av ekstremverdiene skyldes at de aktuelle selskapene har svært høye verdier for ILE i ett enkelt år. Det er ingenting i dataene for variablene i modellen (eller for den saks skyld variablene som ikke var statistisk signifikante) som kan forklare de høye verdiene i enkeltår. For noen av selskapene var mengden varslet ILE svært høy i årene før Disse selskapene kan ha endret atferd etter at KILE-ordningen ble innført, og modellen treffer vesentlig bedre for disse selskapene i de senere årene. Det er etter vår vurdering ingen avgjørende svakhet ved modellen at slike virkninger ikke fanges opp. For enkelte selskaper er predikert ILE jevnt over lavere hele perioden. Det tyder på at modellen ikke fanger opp enkelte viktige strukturelle trekk godt nok. Med unntak av Finnmark, hvor fire av seks nettselskaper kommer dårlig ut med modellen i forhold til faktisk historisk ILE, er det ingen systematiske geografiske forskjeller i modellens treffsikkerhet. Det er heller ingen signifikant sammenheng mellom størrelse og treffsikkerhet. Mange av selskapene som kommer dårlig ut, er riktignok små, men vi finner også mange små selskaper som kommer godt ut. Modellen er estimert på grunnlag av data for ettersom en del av de nødvendige dataene for 2004 ikke har foreligget i tide. Hovedresultatene er imidlertid fortsatt gyldige dersom vi ser på det reduserte utvalget med 2004-data inkludert. Modellen oppviser også svært god treffsikkerhet for ILE i 2004 med unntak av en håndfull selskaper. Sensitivitetsanalyser viser også at årlige data for nedbør og vind kan ha statistisk utsagnskraft dersom de inkluderes i modellen. Disse dataene må imidlertid kompletteres og forbedres for at de skal kunne brukes i den statistiske modellen. P.t. mangler data for flere selskaper, og det er ifølge NVE også et behov for å utvikle metoden for å konstruere mest mulig relevante dataserier pr. nettområde. Det er også ønskelig å se nærmere på noen alternative modellspesifikasjoner der samspill mellom variabler som vind, terreng, skog m.fl. Slike samspillseffekter har ikke gitt signifikante resultater i denne analysen. Bruk av modellen i reguleringen Den estimerte modellen har god treffsikkerhet for mer enn 90 prosent av selskapene som omfattes av analysen, og parametrene som inngår har alle rimelige tolkninger ut fra hva vi vet om årsaker til avbrudd. De systematiske avvikene for enkelte selskaper indikerer likevel at resultatene må benyttes med en viss varsomhet. Det kan også være nødvendig å justere tallene for noen av 4

9 selskapene som har både distribusjons- og regionalnett. Modellen er primært egnet for distribusjonsnett, men dataene fra NVEs avbruddsrapportering gjør det ikke mulig å fordele hendelser som medfører ILE på de ulike nettnivåene (vi har bare informasjon om hvor de berørte kundene er tilknyttet). Modellberegnet forventet ILE kan brukes til å fastsette startverdier for inntektsrammene og til å måle geografiske rammevilkår i effektivitetsanalysene. Det gjelder både innenfor dagens nettregulering og mulige videreutviklinger av reguleringen. Da er det viktig at incentivene som de ulike mekanismene gir, ses i sammenheng. For reguleringsformål kan det også være ønskelig å benytte en modell der bare eksogene variabler inngår. Andel jordkabel og sjøkabel er størrelser som nettselskapene selv kan påvirke, og det kan gi incentiver til strategisk tilpasning for å øke forventet ILE og dermed nettselskapenes inntekter. De to kan imidlertid erstattes av andre variabler, for eksempel andelen av nettet som ligger i tettbygde strøk (for jordkabel) og en samspillsvariabel basert på vindforhold og nettanleggenes høyde over havet (for sjøkabel). En slik modell har noe dårligere statistiske egenskaper enn modellen vi beskrev ovenfor, men gir i store trekk de samme resultatene på selskapsnivå. 5

10 6

11 1 Innledning 1.1 Bakgrunn og problemstilling NVEs inntektsrammeregulering av norske nettselskaper skal oppdateres med virkning fra Som et ledd i utviklingen av reguleringen, ønsker NVE å få etablert en statistisk modell for beregning av forventet årlig nivå på ikke-levert energi (ILE) for det enkelte nettselskap. En slik modell ble opprinnelig etablert i 2000 (se ECON, 2000). Den opprinnelige modellen ble sammen med historiske ILE-tall brukt til å fastsette forventet ILE i forbindelse med KILE-ordningen (kvalitetsjustering av inntektsrammer ved ikke-levert energi). KILE omfatter langvarige avbrudd i høyspenningsnettet (avbrudd over 3 minutter som følge av hendelser i nettanlegg med spenning over 1 kv), jf. Langset (2000). KILE-ordningen har så langt vært basert på at nettselskapene aktiverer differansen mellom faktiske KILE-kostnader og forventet KILE-beløp via saldoen for mer- og mindreinntekt. KILE-beløpene framkommer som produktet av ikke-levert energi og KILE-satser pr. kwh ikke-levert energi til ulike kundegrupper, og er på den måten direkte basert på faktisk og forventet ILE. I NVE (2005c) ble det foreslått enkelte endringer i KILE-ordningen. Blant annet skal KILE-kostnadene belastes nettselskapene direkte og ikke via saldoen for mer- og mindreinntekt. Ordningen med fastsettelse av et forventet KILE-beløp skal fjernes. I stedet skal nettselskapene kompenseres for forskjeller i rammevilkår som påvirker KILEkostnadene ved at forventet (K)ILE tas hensyn til i effektivitetsmålingene. Også innenfor en slik revidert modell er det imidlertid ønskelig å etablere en statistisk modell for forventet mengde ikke-levert energi. I NVE (2005d) varsler NVE at de vil arbeide videre med KILE og effektivitetsanalysene før et endelig forslag til ny ordning kan utformes. Hovedproblemstillingen vi drøfter i denne rapporten, er derfor følgende: Hvordan kan en etablere en statistisk modell for beregning av forventet mengde ikke-levert energi for norske nettselskaper, og hvordan kan modellen integreres i den økonomiske reguleringen? Vi legger mest vekt på den statistiske analysen, mens diskusjonen av hvordan modellen og resultatene kan inkluderes i reguleringen holdes på et mer prinsipielt plan. Data for både regional- og distribusjonsnett er benyttet i analysen, men det overordnede målet er å estimere en modell for distribusjonsnettet. Sentralnettet og Statnett SF omfattes ikke av analysen. 7

12 Rapporten er utarbeidet på oppdrag fra Norges vassdrags- og energidirektorat, som også har bidratt med data. Dataene er hentet fra flere ulike kilder, så vel NVE som Meteorologisk institutt (DNMI), SINTEF og Statistisk sentralbyrå. Datamaterialet er beskrevet i detalj i kapittel 2 og Prinsipielt om statistiske modeller for ILE Modell basert på historiske data Vi kan observere svært store forskjeller i ILE mellom norske nettselskap (se kapittel 3), både målt i absolutte kwh og i prosent av levert energi. Målet med analysen er å etablere en statistisk modell for forventet ILE (målt i kwh). Gitt verdiene på de forklaringsvariablene som inngår i modellen og de beregnede effektene av betydningen av de enkelte forklaringsvariablene, vil modellen gi som resultat det forventede nivået på ILE pr. nettselskap i framtiden. Forskjellig ILE mellom nettselskaper Forskjeller i ILE kan antas å komme av forskjeller mellom nettselskapene med hensyn til hvor utsatt de er for avbrudd som følge av hvor utsatt de er for vær og vind. Det kan også være egenskaper ved nettet som bidrar til at et selskap har spesielt høy eller spesielt lav ILE. Slike egenskaper kan være forhold knyttet til om kundene bor i tettbygd strøk eller om de bor spredt, om nettet går i skog eller på fjellet. Dette er bare to eksempler på mulige strukturelle kjennetegn ved et distribusjonsnett som kan ha betydning for hvor høy ILE et nettselskap kan forventes å ha i gjennomsnitt over en lengre periode. Årlige variasjoner i ILE Mange nettselskap opplever betydelige årlige variasjoner i ILE. Avvik fra et normalnivå på ILE kan inntreffe som følge av ekstreme værforhold, for eksempel storm, ising, ras, flom eller lignende. I tillegg kan tilfeldige driftsforstyrrelser, som for eksempel eksplosjon i transformatorer eller kabelbrudd uten påviselig ytre årsak, gi avbrudd som kan gi ekstraordinært høy ILE. Ideelt sett skulle vi hatt tilgang til data for variabler for vær og andre faktorer som tok hensyn til ekstreme forhold. Dette har vi bare i noen grad. Da kan ikke modellen fange opp variasjoner i ILE som skyldes slike helt spesielle lokale forhold. Disse høye ILE-verdiene vil da framstå som tilfeldige avvik fra den modellberegnede ILE. Ved tallfestingen av modellen er det likevel viktig at disse tilfeldige utslagene i ILE er med i datamaterialet. Da vil modellens beregnede verdi for forventet ILE reflektere muligheten for at det i noen nettselskap hvert år vil observeres store ILE-verdier. Modellens beregnede ILE-verdier kan derfor benyttes for å anslå forventet verdi på ILE for nettselskapene. 8

13 Nettselskapenes egen atferd påvirker også ILE Observert ILE påvirkes ikke bare av ytre forhold. Også selskapenes egen atferd har betydning for omfanget av ILE. Selskap i områder med vanskelige naturforhold vil et stykke på vei ha tilpasset seg disse. Reguleringer har også vært brukt for å ta hensyn til at naturforholdene er vanskeligere mange steder. Slike reguleringer kan bl.a. være krav om større mastetykkelse i utsatte områder. Den modellen vi estimerer oppsummerer således de samlede virkningene av været i de aktuelle årene på de ulike stedene i landet, generelle klimaforskjeller mellom nettselskapene samt de reguleringer og tiltak som er gjennomført for å sikre et akseptabelt nivå på ILE. Modellen tallfester to typer av mekanismer Det forhold at de historiske dataene representerer to mekanismer, dels vær og naturforhold og dels selskapenes handlinger for å motvirke ugunstige naturforhold, gjør at vi ikke nødvendigvis trenger å finne så sterke sammenhenger mellom klima og ILE som vi hadde forventet ut fra en betraktning om at vanskelige rammebetingelser gir økt sannsynlighet for avbrudd og dermed en større mengde ikke levert energi. Likevel tror vi det er god grunn til å regne med at slike kompenserende tiltak sjelden fullt ut har motvirket klimaforhold og andre strukturelle forhold. Varslede og ikke varslede avbrudd KILE-kostnadene beregnes på bakgrunn av både varslede og ikke-varslede avbrudd. De to typene avbrudd straffes med forskjellige beløp pr. kwh. Avbruddssatsen er lavere ved varslede avbrudd. Ikke varslede avbrudd skyldes ofte uvær eller overbelastning av nettet, som ikke kan forutsies på forhånd. Varslede avbrudd er som regel forårsaket av helt andre forhold enn ikke varslede avbrudd. Ved reparasjoner på linjene må ofte strømmen slås av. Siden nettselskapet selv planlegger avbruddet, kan kundene varsles på forhånd. Også en del varslede avbrudd kan tilskrives uvær eller andre spesielle forhold. Grunnen er at etter at uvær har gitt strømbrudd kan nettselskapet være nødt til å skru av strømmen i enkelte områder for å drive nødvendig feilretting og vedlikehold. Ulempene for kundene ved varslede avbrudd er som oftest mindre enn ved ikkevarslede avbrudd. For ILE samlet i er forholdet i størrelsesorden 38 prosent i forbindelse med varslede avbrudd og 62 prosent med ikke-varslede. Andelen for varslede avbrudd har imidlertid falt over tid, og har ligget rundt 25 prosent i gjennomsnitt etter at KILE-ordningen ble innført i Det er mulig å etablere en statistisk modell for både samlet ILE og varslet og ikke-varslet ILE separat. Hva som er mest hensiktsmessig, er et spørsmål vi kommer tilbake til i den empiriske analysen. 1.3 Om rapporten Rapporten er delt inn på følgende måte: 9

14 I kapittel 2 drøfter vi mulige forklaringsfaktorer bak avbrudd og mengden ikke-levert energi. I kapittel 3 beskriver vi datamaterialet. I kapittel 4 diskuterer vi prinsipielt hvordan de ulike forklaringsfaktorene kan inkluderes i en statistisk modell for beregning av forventet ILE. I kapittel 5 presenteres resultatene fra estimeringene. I kapittel 6 drøfter vi hvordan resultatene og ulike modellutforminger kan inkluderes i NVEs nettregulering. Supplerende og utdypende materiale er plassert i egne vedlegg. 10

15 2 Hva kan forklare ILE? ILE inntreffer ved avbrudd, men hvor mange kwh ILE et avbrudd fører til, avhenger av en lang rekke faktorer. Det er naturlig å ta utgangspunkt i hvilke faktorer som kan tenkes å bestemme omfanget av avbrudd i elektrisitetsleveransene i et nett målt ved ILE. Det trenger ikke være noen sterk sammenheng mellom antall avbrudd og ILE: For det første kan avbruddene finne sted i deler av nettet som ikke trenger å ramme mange abonnenter. I tillegg avhenger ILE som følge av et gitt avbrudd av hvor lenge avbruddet varer. Selskapet kan ha tilpasset seg slik at avbruddet blir kortest mulig. Hvis et nett ofte er utsatt for tordenvær og dermed må ventes å ha mange avbrudd, kan selskapet ha organisert seg slik at de er raskt på pletten for å rette feil slik at ILE likevel ikke trenger bli spesielt høyt. I dette kapitlet drøfter vi mulige forklaringsfaktorer for ILE og hvordan de kan måles. Vi nøyer oss med å beskrive datakildene og hvordan de ulike faktorene er målt, mens vi i kapittel 3 kommer tilbake til de statistiske egenskapene ved materialet. Vi tar først for oss ytre årsaker til avbrudd og deretter mulige tiltak fra nettselskapet for å redusere mengden og omfanget av avbruddene. I KILE-ordningen skilles det videre mellom varslet og ikke-varslet ILE. I første omgang drøfter vi de underliggende årsakene til avbrudd og varigheten og omfanget av avbruddene. Vi drøfter derfor også hvordan de ulike forklaringsfaktorene påvirker henholdsvis varslet og ikke-varslet ILE. Diskusjonen tar utgangspunkt i ECON (2000) samt feilstatistikk fra Statnett og FASIT (se Statnett, 2001, 2002 og 2003 samt I tillegg har vi gjennomført telefonintervjuer og møter med et utvalg på 10 nettselskaper. Vi har også gått gjennom presentasjoner, rapporter og innspill fra blant annet EBL (se blant annet Energidata, 2004). 2.1 Datakilder Før vi diskuterer mulige variabler, er det nyttig å ha en oversikt over hvilke typer data som det er mulig å framskaffe. Følgende primærdatakilder har vært tilgjengelige for denne analysen: Avbruddsdata (ILE og rapporteringspunkter) rapportert til NVE Data fra den økonomiske og tekniske rapporteringen fra nettselskapene til NVE 11

16 Geografiske, økonomiske og demografiske data fra Statistisk sentralbyrå Værdata fra Meteorologisk institutt (DNMI) Data for lynnedslag og korrosjon fra SINTEF Geografiske data fra NVE (N50, NVEs vindatlas) Kartdata fra Statens Kartverk For denne analysen har NVE konstruert et datasett for å måle nettanleggenes beliggenhet og lengde for hvert enkelt nettselskap. Utgangspunktet er et geografisk datasett for områdekonsesjonsgrenser (oppdatert til selskapsstrukturen ved utgangen av 2004). Data for konsesjonsgrensene og det nye datasettet er brukt som utgangspunkt for å konstruere en rekke forskjellige variabler, som vi kommer tilbake til nedenfor. 1 For å etablere et best mulig datasett er det behov for å inkludere informasjon om hvor nettanleggene i hvert konsesjonsområde faktisk er lokalisert. Informasjon om vindforhold, nedbør etc. i områder hvor det ikke ligger nett, er selvsagt ikke relevant. NVE har ikke fullstendig informasjon om alle linjer og kabler til det enkelte nettselskap. Blant annet mangler det data for enkelte spenningsnivåer og eierskap til anleggene, og det finnes ingen informasjon om kabler. I Netbas finnes informasjon om alle anlegg som har anleggskonsesjon, men dette er hovedsakelig anlegg i regional- og sentralnettet. Som et supplement er derfor avgrensninger basert på veidata fra Statens Kartverk benyttet. Selv om linjer/kabler ikke alltid går parallelt, vil offentlige veier i stor grad gå i de samme områdene som linjene går. Lengden av Europa-, riks- og fylkesveier samt kommunale veier som ikke går i tunnel eller på bro er derfor lagt til lengden av linjene for hvert enkelt nettområde. Anleggsveier og private veier er ikke tatt med. I noen tilfeller er det behov for å definere en korridor rundt ledningen/veien for å kunne etablere et relevant datasett. Områder som ligger utenfor den aktuelle korridoren, ekskluderes. 2.2 ILE Registrering av ILE i NVE startet i 1995, og foreløpig finnes det data for alle everk for Ikke alle nettselskap har rapportert data for ILE for alle årene, det gjelder særlig i starten av perioden. Det er også grunn til å tro at datakvaliteten har økt betraktelig over tid (etter NVEs vurdering). I analysen har vi ekskludert 1995-dataene. Det ble for øvrig også gjort i forbindelse med analysen i Det såkalte FASIT-systemet inneholder ILE-data for 80 everk for ulike antall år, maksimalt tilbake til Som følge av den gode dekningen i NVE-dataene og felles rapporteringssystem for disse dataene, benytter vi ILE-data som er rapportert til NVE siden 1995 i denne analysen. 1 2 En nærmere beskrivelse av dette datasettet finnes i et eget notat som kan fås fra NVE på forespørsel. Se NVEs avbruddsstatistikk 2004 for en nærmere omtale av disse dataene. 12

17 I løpet av perioden har det skjedd en rekke fusjoner mellom nettselskaper. I tilfeller hvor selskapene er fusjonert, har vi beregnet data for ILE og de potensielle forklaringsvariablene med utgangspunkt i selskapsstrukturen i En del konsesjonærer er ekskludert fra utvalget av særskilte grunner, for eksempel fordi de ikke leverer elektrisitet til sluttbrukere (det gjelder for eksempel kraftprodusenter og industriselskaper som eier enkeltstående nettanlegg). Videre omfattes Statnett SF ikke av analysen. Utvalget nettselskaper består dermed i utgangspunktet av Følgende ILE-data er tilgjengelige: Varslet ILE på grunn av hendelser i eget nett Ikke-varslet ILE på grunn av hendelser i eget nett Varslet ILE på grunn av hendelser i andres nett Ikke-varslet ILE på grunn av hendelser i andres nett For hver av disse kategoriene er dataene fordelt pr. nettnivå slik: Sentralnett Regionalnett Distribusjonsnett, som igjen er fordelt på luftnett, kabelnett og blandet nett Dataene er fordelt pr. nettselskap. En del selskaper har både regional- og distribusjonsnett (og i noen tilfeller også sentralnettsanlegg). ILE-tallene pr. nettnivå gjelder ILE til sluttkunder tilknyttet de forskjellige nivåene. For disse selskapene er det derfor ikke mulig å skille mellom hendelser i regional- og distribusjonsnettet. Det kan i prinsippet tenkes å være mulig å fordele ILE på hendelser pr. nettnivå med utgangspunkt i Statnetts feilstatistikk for sentral- og regionalnettet, hvor enkelthendelser på de to øverste nettnivåene med tilhørende ILE er rapportert (da kan ILE som følge av hendelser i distribusjonsnettet beregnes residualt). En slik fordeling på selskapsnivå krever imidlertid et svært omfattende arbeid, og det er heller ikke sikkert at kvaliteten på det resulterende datamaterialet blir fullgod. Et annet moment er at Statnetts statistikk viser at langt de fleste hendelsene og mengden ILE er knyttet til distribusjonsnettet, jf. figuren nedenfor. 3 For de fleste av selskapene er det enkelt å etablere aggregerte data der det har skjedd fusjoner. Et unntak er BKK. De geografiske dataene for BKK er fordelt på BKK i Høyanger og Hordaland. Det gjelder også ILE-dataene, mens data fra den økonomiske og tekniske rapporteringen bare er oppgitt for BKK samlet (BKK Stord finnes det identifiserbare data for i alle kilder). For en del av variablene er det mulig å konstruere summer eller veide gjennomsnitt, men ikke for eksempel standardavvik. Så langt det har vært mulig, er et aggregert BKK i Hordaland og Høyanger (utenom BKK Stord/Stord Energi) tatt med i analysene. Et annet spesielt tilfelle er Voss og Omland Energiverk (VOE), som i løpet av analyseperioden er splittet opp. Den opprinnelige virksomheten er videreført i Voss Energi, Indre Hardanger Kraftlag og BKK. Det lar seg ikke gjøre å konstruere reviderte serier tilbake i tid basert på en oppdeling av ILE-tall og andre data for VOE. I stedet har vi valgt å behandle de involverte selskapene som tre separate selskaper i løpet av hele analyseperioden, slik at tidsseriene for de tre inneholder et brudd der hvor virksomhet fra VOE er overtatt. Det gir ikke store utslag, spesielt ikke for BKK som er svært store i forhold til VOE. 13

18 Figur 2.1 ILE fordelt på nettnivå 100 % 90 % 80 % 70 % 60 % 50 % 40 % 30 % 20 % 10 % 0 % 420 kv kv 132 kv kv Øvrige Distribusjonsnett 2003 Gjennomsnitt Kilde: NVE, Statnett. Gjennomsnittet refererer til perioden for sentral- og regionalnett, mens de residualt beregnede tallene for distribusjonsnett refererer til perioden I forbindelse med den økonomiske og tekniske rapporteringen er nettselskapene forpliktet til å fordele KILE/ILE på nettnivåer ut fra hvor feilene eller hendelsene oppstod og ikke det nettnivået de berørte kundene er tilknyttet. Dataene fra avbruddsrapporteringen er imidlertid den eneste sammenhengende dataserien som går et stykke tilbake i tid. 2.3 Egenskaper ved nettet som kan forklare variasjoner i ILE ILE kan variere mellom nettselskaper avhengig av egenskaper ved nettet. I den statistiske analysen er vi opptatt av å forklare de relative forskjellene mellom nettselskapene. Nedenfor drøfter vi noen mulige forklaringsfaktorer Størrelse på nettselskapet Store nettselskaper må ventes å ha større ILE målt i kwh enn små nettselskaper. Det er imidlertid ikke åpenbart hvilken variabel som best måler størrelsen til et selskap. Flere kandidater er tenkelige: Levert energi Antall kunder Antall rapporteringspunkter Nettets lengde målt i kilometer Bokført verdi eller nyverdi av nettkapitalen Disse størrelsene vil normalt være høyt korrelert. 14

19 2.3.2 Sammensetning av kundemassen Prioriterte og uprioriterte kunder Den overveiende majoritet av kundene er prioriterte kunder. I enkelte nettselskapers konsesjonsområde står imidlertid kjelmarkedet for en relativt betydelig andel av de totale kraftleveranser. Disse kundene kan kobles ut med en viss varslingstid. Avbrudd for eksempel som følge av uvær eller vedlikehold skal kun regnes med i statistikken over ILE i den grad kunden er utsatt for ILE innenfor varslingstiden. Nærings- og husholdningskunder Det har vært vanlig å legge til grunn at avbruddskostnaden er større hos næringskunder enn hos husholdningene (jf. også Samdal et al., 2002). I den grad nettselskapene tidligere har dimensjonert nettet og utformet øvrige aktiviteter for å ta hensyn til dette, er det grunn til å vente at ILE er lavere i nett med en høy andel næringskunder. Dette kan ha skjedd ved at netteieren har vært mer påpasselig med oppgraderinger av nettet i områder der det er en stor andel næringskunder. Det samme kan gjelde for reparasjoner av inntrufne avbrudd. 4 Vi kan undersøke om kundesammensetningen har hatt betydning for ILE ved å fordele levert energi på næringskunder og husholdningskunder Nettets gjennomsnittsalder Alderen på nettet kan ha betydning for omfanget av ILE, blant annet ved at det er nødvendig med flere utkoblinger på grunn av vedlikehold i eldre nett enn i nyere nett. Et eldre nett kan også være mindre motstandsdyktig overfor ekstreme værsituasjoner. NVE har data for historisk kost, akkumulerte avskrivninger og bokført verdi fra den økonomiske og tekniske rapporteringen, og har dessuten beregnet gjenanskaffelsesverdien for nettet i forbindelse med effektivitetsanalysene. Det er mulig å tenke seg flere aldersindikatorer basert på disse dataene: Forholdet mellom bokført verdi og nyverdi. Dersom bokført verdi er lav i forhold til beregnet gjenanskaffelsesverdi, er det et tegn på at nettets gjennomsnittsalder er høy. Vi har benyttet bokførte verdier og nyverdier i distribusjonsnettet beregnet i forbindelse med effektivitetsanalysene ved inngangen til reguleringsperioden som grunnlag for å beregne en aldersindikator. Forholdet mellom historisk kost og akkumulerte avskrivninger. Jo eldre nettet er, desto mer vil være avskrevet. Forholdet mellom akkumulerte avskrivninger og historisk kost kan dermed brukes til å anslå alderen på nettanleggene. Vi har benyttet data fra den økonomiske og tekniske rapporteringen i 2003 til å beregne en alternativ aldersindikator. 4 Noe som jo er en samfunnsøkonomisk riktig løsning gitt at kostnadene ved avbrudd er høyere for næringskundene. 15

20 Felles for disse indikatorene er at de er sjablonmessige mål på gjennomsnittsalderen til nettet. I praksis er det grunn til å tro at spredningen i alder er like viktig, og det kan være grunn til å tro at alderseffekten ikke er lineær. Jo flere nettanlegg som er over en viss alder, desto større er ventelig avbruddsrisikoen. Ideelt sett skulle vi ha hatt data for spredningen i alder, men slike data er ikke tilgjengelige for samtlige nettselskaper Sammensetningen av nettet på luftlinje, sjøkabel og jordkabel Nettet til et selskap består av luftlinjer, sjøkabler og jordkabler. Luftlinjer vil være mest utsatt for avbrudd, mens jordkabler anses å være de mest sikre. Andelen av luftlinjer og andelen av sjøkabler i forhold til total nettlengde kan således være en viktig forklaringsfaktor for ILE. På den andre siden vil nett med jordkabel være sårbare for avbrudd på andre måter. For eksempel kan byggeaktivitet i byer føre til økt risiko for skade på kabelnett. Det kan også være tidkrevende å finne og rette feil i kabelnett, noe som fører til høyere ILE når et avbrudd først skjer. Flere nettselskaper vi har hatt kontakt med, rapporterer at antallet avbrudd er høyere i luftnett, mens fordelingen mellom luftlinjer og jordkabel med hensyn til mengde ILE er jevnere. Andelen av nettet som er sjøkabel kan også fange opp andre strukturelle forhold som kan ha betydning for ILE. Dersom en betydelig del av abonnentene i et nett bor på øyer, vil andelen sjøkabel være høy i nettselskapet. I tillegg til at en sjøkabel kan være mer utsatt for avbrudd enn en jordkabel, kan denne variabelen også fange opp at nettselskaper med høy sjøkabelandel er mer utsatt for uvær, siden disse nettselskapene naturlig nok er lokalisert langs kysten. Nettselskaper langs kysten er dessuten gjerne mer utsatt for korrosjon, og sjøkabelandelen kan derfor også tenkes å tjene som mål på korrosjonutsattheten. Dette kommer vi tilbake til i diskusjonen nedenfor og den empiriske analysen i kapittel 3 og Nett og skog En del everk har viktige linjestrekninger i skogsterreng. Linjebrudd skjer ofte i skog, gjerne i forbindelse med spesielle værforhold som sterk vind og/eller ising. Linjebruddene finner sted ved at trær og grener faller på kraftlinjene. Enkelte selskaper med viktige deler av nettet i skogsterreng rapporterer om mange linjebrudd i perioder hvor værforholdene medfører ising på linjene, men kanskje særlig i perioder med isdannelse i trærne. Det medfører i mange tilfeller at toppen på trærne brekker og faller ned på linjene. Vind i en slik situasjon forsterker denne effekten. Alle nettselskap er pr. i dag lovpålagt å gjennomføre en befaring av sitt linjenett minst én gang i året. Dette er et viktig for å få en oversikt over hvilke skog som må tas med en gang og hva som kan ventes med. Hvis trær ligger nærmere linjen enn 3 meter, skal de fjernes med en gang. 5 NVE og SINTEF har samlet inn detaljerte data for alderen på nettanleggene i et utvalg norske nettselskaper (jf. NVE, 2005a). 16

21 Vekstforholdene har også betydning for sammenhengen mellom ILE og skogsterreng. Rask tilvekst øker risikoen for avbrudd som følge av trefall, og kan gjøre det vanskeligere å komme til for å utføre feilretting. Tilveksten kan variere avhengig av temperatur og nedbør, både mellom selskaper og innad i et konsesjonsområde. Flere norske nettselskaper dekker store geografiske områder hvor tilveksthastigheten er vesentlig forskjellig i ulike deler. Det er ikke uten videre enkelt å finne fram til relevante data som kan ta vare på virkningene av at linjene går i skogsterreng. Det er heller ikke sikkert at andelen av nettet som går i skogsterreng er noen god indikator for hvor utsatt nettet er for avbrudd og ILE. For eksempel kan viktige radialer som går gjennom skogsområder være utsatt for denne typen avbrudd, samtidig som linjene i skogen utgjør en relativt liten del av den samme linjelengden. I ECON (2000) beregnet vi med utgangspunkt i arealdata fra Statistisk sentralbyrå andelen av de ulike nettområdene som er produktivt skogareal. Den samme variabelen ble også benyttet i SINTEF Energiforsknings tidligere undersøkelse. Denne variabelen trenger ikke være noe godt mål på bidraget fra skog til ILE. For eksempel er nesten 50 prosent av arealet i Oslo kommune klassifisert som skogareal fordi Nordmarka ligger innenfor bygrensen. Men det er nesten ingen nettkunder i Nordmarka, og ingen viktige linjer i distribusjonsnettet heller. Med mer detaljerte geografiske data tilgjengelig som beskrevet i avsnitt 2.1 ovenfor, er det mulig å konstruere variabler som reduserer svakhetene ved den tidligere metoden. Basert på de nye geografiske datasettene samt data for markslag fra Statens Kartverk, har NVE beregnet følgende variabler: Andel kraftlinjer/vei som ligger i skogsareal Andel kraftlinjer/vei som ligger på dyrket mark Andel kraftlinjer/vei som ligger i tettbygd strøk Arealberegningene er gjort for en korridor på 50 meter på hver side av linjer og veier. Areal som ikke faller inn under noen av de tre kategoriene over, er klassifisert som restareal. En svakhet ved denne skogsvariabelen er at den ikke skiller mellom høyden på skogen, type skog eller tilvekstforhold. Den er likevel en forbedring i forhold til variabelen basert på arealdataene fra Statistisk sentralbyrå ved at den i større grad reflekterer nettanleggenes faktiske lokalisering og ikke bare det samlede arealet i konsesjonsområdet. Det er også mulig å definere variabler som fanger opp risikoen for trefall på linjene som følge av sterk vind, det vil si samspillet mellom skogsareal i konsesjonsområdet og vindutsatthet (se nedenfor om vinddata) Spredtbygdhet i nettområdet En rekke forhold som kan påvirke ILE er forskjellige i tettbygde og spredtbygde strøk. Hvor mye ILE et gitt avbrudd vil føre til, avhenger blant annet av hvor fort feilen kan repareres og hvor mange kunder som blir rammet av avbruddet. I spredtbygde strøk kan det ta lenger tid å lokalisere feilen og reparere den enn i et nett med tett bebyggelse. 17

22 På den andre siden vil et kort avbrudd i tettbebygde strøk kunne føre til større ILE enn i et område med spredt bebyggelse fordi mange flere kunder vil bli rammet i en by. Samtidig kan det være relativt gode kommunikasjonsforhold også i spredtbygde strøk. Broer og tunneler kan for eksempel korte ned reisetiden i kyststrøk med mange fjorder eller øyer betraktelig. Entydige data for kommunikasjonsforhold er det imidlertid vanskelig å framskaffe. En annen potensielt viktig forskjell mellom nettselskap er hvor stor del av nettet som er radialer og hvor stor andel som er masket nett. Distribusjonsnett med stor andel radialer vil være nødt til å koble ut forbrukerne når nødvendig vedlikehold skal gjennomføres, mens nettselskap der kundene er plassert i et masket nett i større grad kan «omdirigere» strømmen når linjer skal vedlikeholdes. På den måten blir ILE lavere. Andel av befolkningen i spredtbygd strøk Basert på SSBs kommunestatistikk har vi beregnet andelen av befolkningen i de ulike nettområdene som bor i såkalt «spredtbygd strøk» ifølge SSBs kommunestatistikk. Begrepene tettbygd/spredtbygd strøk er gitt av SSBs definisjon av tettsted. Et tettsted er i hovedregelen en hussamling hvor det bor minimum 200 personer og er mindre enn 50 meter mellom husene. Rapporteringspunkter Antall rapporteringspunkter kan være en indikator for hvor stort omfang av radialer det er i et nett (for gitt mengde levert energi). Rapporteringspunkter er særlig transformatorer hvor siste nedtransformering ned til 230/400 volt finner sted. Bare avbrudd og dermed ILE «ovenfor» rapporteringspunktene blir målt. I et spredtbygd område må energien transporteres langt til hver kunde, og nedtransformering skjer nær kunden. Det er derfor trolig en tendens til at antall rapporteringspunkter pr. kwh levert energi er høyere i nettområder med spredt bebyggelse enn i mer tettbygde strøk. Dette er imidlertid et relativt grovt mål, ettersom antall rapporteringspunkter i stor grad også er et mål på den totale størrelsen til det aktuelle nettselskapet. Nettlengde Det er trolig også en tendens til at nettlengden pr. kwh levert energi er større i nett med spredt bebyggelse enn i nett i tettbygde strøk. En modell der nettets utstrekning i kilometer inngår i tillegg til levert energi kan således fange opp forskjeller i ILE mellom nett i tettbygde og spredtbygde strøk. En annen mulighet er å kombinere data for areal dekket av vei/nett i konsesjonsområdet med levert energi. Det gir et mål på spredningen av energiforbruket i konsesjonsområdet, og kan på den måten fange opp grisgrendthet. Denne størrelsen er også i stor grad eksogen. Lokalisering av forbruket Hvor belastningen er plassert i en linje, kan ha stor betydning for sannsynligheten for feil. For eksempel kan en 10 mil lang linje som går til et fiskebruk med stort forbruk i enden av en spredtbygd øykjede være svært utsatt. Dårlige værforhold 18

23 kan føre til at det tar lengre tid å komme frem med kommunikasjon fra fastlandet for å reparere feil. Slike data er det imidlertid vanskelig å framskaffe på det nåværende tidspunkt. 2.4 Natur- og klimaforhold som kan forklare variasjoner i ILE Natur- og klimaforholdene er svært ulike i ulike deler av landet. Risikoen for avbrudd varierer med naturforholdene. Vi går her gjennom viktige variablene som beskriver natur- og klimaforholdene Vind Hvor utsatt et område er for vind, kan ha mye å si for driftssikkerheten i nettet. I områder med mye og sterk vind vil den fysiske slitasjen på nettet være høy. Hittil har slik slitasje blitt tatt hensyn til ved dimensjoneringen av nettet. Det er likevel grunn til å tro at mer robuste konstruksjoner i nettene i vindutsatte strøk ikke fullt ut motvirker at vind kan medføre flere strømbrudd og høyere ILE enn i mindre utsatte områder. Hvor utsatt et område er for vind, kan for eksempel måles ved gjennomsnittlig vindstyrke i løpet av et år. Helt spesielle vindforhold, som for eksempel en orkan, kan gi ekstraordinært mange avbrudd. En orkan som varer noen timer eller noen få dager trenger ikke påvirke gjennomsnittlig vindstyrke nevneverdig. Slike spesielle vindforhold kan måles ved maksimal vindstyrke i løpet av et år. Vi benytter data for maksimal vindstyrke i et år (høyeste gjennomsnittlige vindstyrke over en periode på 10 minutter) og gjennomsnittlig vindstyrke i et år som forklaringsvariabler. Variablene måles i meter pr. sekund, og er beregnet av Meteorologisk Institutt (DNMI) og NVEs snøkartprosjekt med utgangspunkt i data for målestasjoner. De er deretter fordelt på konsesjonsområder av NVE med utgangspunkt i datasettet for konsesjonsgrenser beskrevet ovenfor. Maksimal vindstyrke vil fange opp ekstreme hendelser (for eksempel orkan). Gjennomsnittlig vindstyrke sier noe om den jevne belastningen på nettet. Disse dataene er imidlertid ikke fullstendige. Flere selskaper mangler data for enkeltår, mens noen mangler data fullstendig. Det er ifølge NVE også behov for å arbeide videre med datasettet for å øke kvaliteten. Ved hjelp av data fra DNMI har vi beregnet normalverdier for maksimalvind og gjennomsnittlig vind basert på perioden Fra tidligere analyser har vi også en vindkurve fra Norsk Standard NS Denne har i utgangspunktet tre forskjellige verdier, men data for ulike områder må veies sammen for å konstruere data for hvert enkelt nettområde. Denne variabelen er alt i alt mindre tilfredsstillende enn eksakte vinddata. DNMI har også laget en modell som angir forskjeller i ekstremvind mellom kommuner (der ekstremvind er definert som 10 minutters middelvind med 50 års returperiode). Med utgangspunkt i denne modellen er det konstruert en variabel for ekstremvind pr. nettområde. 19

24 2.4.2 Ising Ising rapporteres ofte å være opphav til linjebrudd og ILE. Ising oppstår når det kommer nedbør rundt 0º C, enten som snø eller regn, som iser på kraftlinjene. Lokal frostrøyk kan også bidra til ising. Vind vil øke sjansen for linjebrudd når det har dannet seg is på linjene. Siden ising oppstår som følge av spesielle lokale forhold, finnes det ikke tilfredsstillende data for å modellere ising. Verken gjennomsnittlig vind eller maksimalvind er spesielt godt egnet til å si noe om hvorvidt det blåser like etter det har dannet seg is på linjene. Vi har likevel valgt å benytte disse variablene i analysen siden det ikke fins andre data Nedbør Som regel vil ikke snøfall alene forårsake avbrudd. Store snøfall vil imidlertid gjøre det vanskelig å reparere feil ved at det blir vanskeligere å komme fram. Vi kan derfor vente en positiv sammenheng mellom snøfall/snødybde og ILE. Nedbør i form av regn kan øke antall avbrudd på grunn av fuktighet. Vi kan benytte gjennomsnittlig eller maksimal snødybde (cm) pr. år i hvert nettområde som forklaringsvariabel. Data for snødybde er anskaffet fra DNMI og NVEs snøkartprosjekt, og er fordelt på konsesjonsområder av NVE. I det samme datasettet finnes også informasjon om nedbør i form av regn. I likhet med årsdataene for vind er imidlertid dataene ufullstendige på selskapsnivå, og det er behov for å arbeide videre med datasettet for å øke kvaliteten. I SINTEF Energiforsknings analyse utarbeidet man en indikatorvariabel (dummyvariabel) for hvor utsatt everkene var for snø. Vi har også benyttet denne variabelen i analysen. SINTEF Energiforsknings data er en kvalitativ variabel som for hvert nettselskap som i utgangspunktet kan anta én av tre verdier (men som i likhet med vindkurven må veies sammen for å etablere data for det enkelte nettselskap). Variabelen er basert på Norsk Standard NS 3479 som angir karakteristisk snølast på mark for de enkelte kommuner (se Heggset et al., 1998) Temperatur Temperatur i seg selv har ikke så mye å si for nettet. Nettet tåler både høye og lave temperaturer og temperaturvariasjon. Belastningen i nettet vil imidlertid ha betydning for hvor mye det vil tåle før det eventuelt blir kortslutninger eller andre typer leveringsproblemer som følge av at nettets kapasitetsgrenser overskrides. Det er grunn til å anta at ved svært lave temperaturer vil lasten i nettet være høy, noe som kan øke sannsynligheten for avbrudd. Vi bruker temperaturdata (døgnmiddel) målt i ºC som en indikator for denne typen effekter. Dataene er hentet fra DNMI og NVEs Snøkart-prosjekt, og omfatter så vel maksimums- og minimumstemperaturer som gjennomsnitt i perioden I tillegg har vi data for middeltemperatur fra tidligere analyser Lynnedslag Lynnedslag oppgis av nettselskapene å være en viktig grunn til avbrudd i nettet. Det er stor variasjon i hvor utsatt nettområdene er for lynnedslag. For eksempel er 20