PRESENTASJON AV FEILSTATISTIKK I KART Av Magnus Holm Nygaard, NTNU Sammendrag I denne oppgaven ble det undersøkt hvordan man kan kombinere geografisk informasjon med feilstatistikk. Nærmere bestemt har oppgaven gått ut på å bygge en kartløsning/gis for feilstatistikk der et nettselskap skal kunne sammenligne seg med andre "lignende" selskaper. Metoden benytter tall for selskapenes driftsutfordringer fra NVE sine analyser. Disse tallene er gjennomsnittsverdier som beskriver forholdene som er mest utslagsgivende for selskapets kostnader. Jeg har i dette arbeidet undersøkt om det finnes en sammenheng mellom disse variablene, som i dag brukes til økonomiske analyser, og feilstatistikk. Oppgaven konkluderer med at bruk av kart for visualisering av feilstatistikk har et stort potensiale og kan bidra til bedre tilgjengelighet og bruk av feildata. 1. INNLEDNING For å motivere konsesjonærene i det norske kraftsystemet til å ta investeringer før eventuelle feil oppstår har man innført KILE-ordningen. KILE står for Kvalitetsjusterte inntektsrammer ved ikke levert energi. Ordningen ble først startet opp i januar 2001 og har medført at alle konsesjonærer er rapporteringspliktige for avbrudd i sitt område. Rapporteringen skjer gjennom FASIT (Feil og avbrudd i kraftsystemet) og er todelt. For feil i sentralnett, regionalnett eller høyspenning distribusjonsnett koordineres arbeidet av Statnett SF, mens NVE har ansvar for avbrudd på sluttbruker siden, dvs under 1 kv. Denne todelingen fører også til at det utarbeides to ulike statistikker årlig (både av Statnett SF og NVE). For Statnetts årsstatistikk på regional-/distribusjonsnett presenteres statistikken fordelt på spenningsnivå og ikke på selskaper eller geografiske områder. I denne statistikken blir data om alle innrapporterte feil brukt til å finne feilrater for ulike komponenttyper som f eks kraftledning, transformator osv. Statistikken gir derfor et godt overordnet bilde av utviklingen i kraftsystemet som helhet, men viser ikke lokale variasjoner eller forskjeller som kan være av interesse for planleggere/forvaltere som ofte interesserer seg for kun et avgrenset geografisk område.
Det finnes i dag 124 områdekonsesjonærer registrert som nettvirksomhet i Norge [1]. Å lage feilstatistikk i Excel for hvert selskap ville vært tidkrevende og kostbart. I denne oppgaven undersøkte jeg hvordan man kan bruke IT og kart til å få fram individuelle forskjeller mellom selskapenes feilstatistikk i en GIS-løsning. Undersøkelser fra 50-60 virksomheter rundt om i verden har vist at riktig bruk av GIS kan ha et nyttekostnadsforhold på 4:1 [2]. Tabell 1: Kost-nytte-forhold for ulike anvendelser av GIS [2]. I oppgaven forsøkte jeg også sikte på å presentere statistikken på en brukervennlig måte slik den også kan bli mer tilgjengelig for grupper som har andre interesser enn feilregistrering. Oppgaven er skrevet i samarbeid med Statnett. 2. HOVEDRESULTATER Arbeidet i oppgaven har vært todelt. Jeg har i første del av oppgaven fokusert på hvordan feilstatistikk kan vises i kart og i andre del sett på hvordan man kan sette opp sammenligninger mellom ulike konsesjonærer. Datagrunnlag for feilstatistikk ble hentet fra Statnett sin FASITdatabase for høyspenning distribusjonsnett (1-22kV). Disse dataene er geografisk inndelt etter konsesjonærområdenes posisjon. Man har hittil ikke innarbeidet rutiner for detaljert geografisk posisjonering av feilsteder i FASIT. Bakgrunnen for sammenligninger av konsesjonærer gjort i denne oppgaven baserer seg på tall fra NVE sin kostnadsnormberegning. Dette er gjennomsnittverdier som beskriver driftsutfordringer som anses som kostnadsdrivende for konsesjonæren. I dette arbeidet vurderes forbedringspotensialer i konsesjonærenes KILE-statistikk basert på de samme tallene som brukes for å modellere økonomiske faktorer.
2.1 Feilstatistikk i kart I Norge har man lange tradisjoner for å innhente data i forbindelse med driftsforstyrrelser. Det har vært samlet inn store mengder informasjon som i liten grad har vært utnyttet eller publisert. Store overordnede statistikker som vist i Figur 1 gir ikke tilbakemelding til konsesjonærene om hvordan de presterer i forhold til andre konsesjonærer. Figur 1: Eksempel på dagens presentasjon av statistikk hentet fra Årsstatistikk 2015 33-420 kv [3]. Siden Norge er inndelt i over 150 konsesjonærområder vil det ikke være mulig med dagens metode å vise statistikk for hver enkelt konsesjonær. Hvis man derimot kombinerer statistikken med det geografiske området til konsesjonæren ved hjelp av GIS vil man kunne vise informasjon på for den enkelte konsesjonær- Kart er et eget språk og teorien bak hvordan man fremstiller virkeligheten i kart kalles for kartografi. Dette er et gammelt fagfelt der man ved hjelp av symboler som farge, form og størrelse ser på hvordan man kan formidle geografisk informasjon. Målet med kartografien er at brukeren intuitivt skal kunne gjenkjenne budskapet i kartet. Enkelt symboler må være lette å forstå, samt at samspillet mellom de ulike symbolene må skape harmoni. I denne oppgaven ble feilstatistikk forsøkt presentert som punktsymboler innenfor tilhørende konsesjonærområde. Dette er vist i Figur 2. Her tilsvarer et punkt en feil, og formen på symbolet avhenger av anleggstypen der feilen har oppstått. Plasseringen i kartet indikerer ikke posisjonen til feilstedet.
Figur 2: Visning av hvordan feildata ble representert i kartet. Eksempelet er kun ment som illustrasjon og viser ikke virkelige feil. Denne typen visning gir en oversikt over hva slags anlegg som er mest utsatt for feil. Ved å plassere feilene i tidsriktig rekkefølge med eldste feil nederst og nyere feil lenger opp kan metoden vise om det er trender i statistikken over tid. Dette betyr at en hvilken som helst feil innenfor området havner nederst i figuren.
2.2 Analyse av feildata hos en konsesjonær Fordelen med denne måten å vise statistikk på er at man hele tiden kan holde et overblikk over antallet feil man baserer seg på. Figur 3 viser noen utvalgte diagrammer for en tiltenkt feilstatistikk hos Nordmøre Energi. Rapporter med vind som utløsende årsak er valgt ut og vist statistikk. Figur 3: Eksempel på statistikkvisning for én konsesjonær der feil med vind som utløsende årsak valgt ut (Grått). Figur 3 viser at det i perioden 2009-2015 har vært rapportert inn 38 feil fra Nordmøre Energi. Ikke levert energi (ILE) og KILE-kostnader for disse feilene er summert opp. Diagrammene viser henholdsvis feilkarakter og fordeling over årene i perioden. Man ser at 2011 var et toppår for feil som følge av vind.
2.3 Sammenligning av konsesjonærer NVE bestemmer årlig hva en gitt konsesjonær kan tjene gjennom inntektsramme-beregningen. Inntektsrammen fastsettes i dag 40 prosent ut fra økonomiske analyser og 60 prosent ut fra kostnadsnormen. Kostnadsnormen er en beregning som bygger på en DEA-analyse, som igjen vil si at den modellerer konsesjonærens effektivitet som vist i Figur 4. Figur 4: I en DEA-analyse blir konsesjonærens effektivitet målt ut fra ytre faktorer som enten kalles innsatsfaktorer, rammebetingelser eller produktaspekter. I denne oppgaven har jeg undersøkt om det kan være hensiktsmessig å bruke innsatsfaktorer og rammebetingelser fra disse økonomiske analysene til å sammenligne konsesjonærer på feilstatistikk. En liste over innsatsfaktorene som ble vurdert er vist i Tabell 2, mens rammevilkårsvariable er vist i Tabell 3. Verdier ble hentet fra NVE sine nettsider og gjelder for distribusjonsnett. Tabell 2: Oversikt over innsatsfaktorer (DEA 2015) Variabel-navn Gjsnitt Antall abonnement Dnett snittfront GjsnittKilometer høyspent Dnett snittfront Gjsnitt Antall nettstasjoner Dnett snittfront Beskrivelse Gjennomsnitt av antall abonnenter over de 5 siste årene for distribusjonsnett Gjennomsnitt av km høyspent nett over de siste 5 årene for distribusjonsnett Gjennomsnitt antall nettstasjoner over de 5 siste årene for distribusjonsnett
Tabell 3: Oversikt over rammebetingelser (DEA 2015) Variabel-navn dr_hsjordand, andel høyspent jordkabel dr_s4, barskog dr_he1, gjsn. helning dr_skysz, installert ytelse småkraft størrelsesuavhengig dr_s7, løvskog dr_aoey1, forsyning til øy >1km fastland/øy, størrelsesuavhengig dr_vr dr_k2lukk, avstand til kyst dr_vr2_k2lukk, kystklimavariabel dr_hssjoand, andel høyspent sjøkabel Beskrivelse Selskapets andel jordkabler. Finnes ved å dele km høyspente jordkabler på km total høyspent nett. Andel anlegg i barskog med høy og særs høy bonitet. Gjennomsnittlig helning i området hvor selskapet har nettverkskomponenter. Installert ytelse småkraft i distribusjonsnett, innmating fra småkraftverk med installert effekt under 10 MW, størrelseskorrigert. Andel anlegg i løvskog med høy og særs høy bonitet. Antall øyer selskapet forsyner som ligger mer enn 1 km fra fastlandet eller fra nærmeste forsynte øy, størrelseskorrigert. Gjennomsnittlig referansevind. Gjennomsnittlig avstand til kystlinje med lukkete fjorder (åpne i Finnmark). Kystklimavariabel: kvadrert gjennomsnittlig referansevind dividert på kystavstand (dr_k2lukk). Selskapets andel sjøkabler. Finnes ved å dele km høyspent sjøkabel på km total høyspent nett. Totalt 13 faktorer ble tatt i bruk for å vurdere grad av sammenlignbarhet på feilstatistikk. Det ble utviklet en modell i ArcGIS for å finne likhet i faktorer mellom en konsesjonær og andre konsesjonærer som inngår i NVE sine kostnadsnormberegninger. Grenser for sammenligning ble satt ut fra median i sum kvadrert avvik. Metoden for dette er illustrert i Figur 5. Kartet i Figur 6 viser hvordan sammenlignbarhet ble visualisert i kartet. I dette eksempelet ser man at metoden foreslår BKK Nett AS eller Agder Energi Nett AS som mulige gode kandidater for sammenligning på feilstatistikk for Skagerak Energi AS. Når fargene blir mørkere betyr det at avviket i innsatsfaktorer og rammebetingelser øker i forhold til Skagerak Energi. Hafslund Energi Nett AS er ifølge denne metoden ikke sammenlignbar med noen av de andre konsesjonærene i landet.
Selskap Avvik Referanse1 0,00 Hafslund 4,23 Eidsiva 3,45 Trønderenergi 8,87. Selskap Avvik Referanse2 0,00 NTE 8,34 BKK 1,34 Troms Kraft 20,3. Selskap Avvik Referanse3 0,00 Hafslund 2,98 SKL Nett 13,9 BKK 3,64. Selskap Avvik Referanse4 0,00 Tysnes Kraftlag 5,23 Agder Energi 19,3 Troms Kraft 40,3. Selskap Avvik Referanse5 0,00 Fitjar Kraftlag 12,3 Eidsiva 8,93 Tinn Energi 3,12. For hvert selskap brukes minste kvadraters metode for å finne avvik i innsatsfaktorer og rammebetingelser Referanseselskap: Sum Avvik: Referanse1 16,55 Referanse3 20,52 Referanse5 24,35 Referanse2 29,98 Referanse4 64,83 Referanseselskapet med median for sum kvadrert avvik er markert. Grenseverdier for grad av sammenlignbarhet ble satt slik at dette selskapet fikk 20% kandidater for sammenligning innenfor hver kategori; God, Ok, Middels, Liten og Dårlig. Figur 5: Et teoretisk eksempel for å illustrere metoden som ble brukt for å finne grenseverdier for sammenlignbarhet. Eksempel på hvordan metoden for å finne greneverdier for grad av sammenlignbarhet fungerer. Av de i alt 118 nettselskapene fra DEAanalysen 2015 ble Hurum Energi trukket ut som median. Dette ga følgende grenseverdier som blir benyttet i Figur 6 for å vise sammenlignbarhet når Skagerak Energi er referanse: Tabell 4: Intervallgrenser for Hurum Energi som ga fordeling av antall selskaper pr grad av sammenlignbarhet 20% God, 20% Ok, 20% Middels, 20% Liten og 20% Dårlig. Sammenlignbarhet Intervall for sum av kvadrert avvik God 0,00001-10,97757 Ok 10,97758-14,79196 Middels 14,79197-18,67971 Liten 18,67972-23,66776 Dårlig 23,66777-1000,0
Figur 6: Kart som viser sammenlignbarhet. Skagerak Energi Nett er satt som referanse. Hvorvidt man kan si at to selskaper har en sammenlignbarhet på "Ok" ble diskutert i prosjektoppgaven. Det ble da undersøkt om det er noen sammenheng mellom relativ ikke levert energi (rile) og grad av sammenlignabarhet. Resultatet viste en viss trend i at de selskapene som ble definert som "God" oftest var likere referansen enn de kategorisert som "Dårlig" på rile. Dette kan tyde på at det er en sammenheng mellom faktorer i NVE's kostnadsnormberegning og feilstatistikk.
2.4 Nytt presentasjonsverktøy for feilstatistikk Figur 7: Skjermbilde av GIS-løsning for feilstatistikk. (Del 1) Ved å kombinere metodene beskrevet i kapitel 2.1 og 2.3 ble det utviklet et nytt verktøy for presentasjon av feilstatistikk som vist i Figur 7 og Figur 8. Her er målestokken i kartet så høy at man ikke kan se enkeltpunktene. Fordelen med denne metoden er å kunne vise feil geografisk fordelt i et kart og samtidig identifisere hvilke andre konsesjonærer man burde sammenligne seg med. Alle punkter hos hver konsesjonærer har lik avstand mellom seg. Det betyr at det geografiske området som punktene dekker gir brukeren informasjon om antall feil relativt i forhold til andre selskap.
Hvis man søker på bestemte detaljer ved feil og zoomer inn på resultatet vil man kunne plukke opp eventuelle trender i statistikken. Figur 8: Skjermbilde av GIS-løsning for feilstatistikk. (Del 2) Sektordiagrammene rundt kartet viser i dette eksempelet data om feilkarakter, årstall, anleggsdel og utløsende årsak. Interaktivitet mellom diagrammer og kart gjør at man har stor frihet til å hente statistikk på det man søker etter. For eksempel hvis man er interessert i statistikk for varige feil på kraftledning vil man raskt ved hjelp av noen tastetrykk kunne se denne. Slik kravene til rapportering i FASIT er i dag er konsesjonærområdet den mest nøyaktige geografiske avgrensingen man har for høyspenning
distribusjonsnett. Med koordinatfestede feil ville det vært mulig å produsere enda mer informativ statistikk som i kombinasjon med værdata og topologi vil kunne være av stor verdi. 3. KONKLUSJON Det har i denne prosjektoppgaven vært undersøkt hvordan kart kan brukes for presentasjon av feilstatistikk. Oppgaven har vært utfordrende, mye fordi FASIT er et gammelt rapporteringssystem som må forenkles og standardiseres før kartframstilling. Det er likevel tydelig at presentasjon i kart har noen klare fordeler når det kommer til å gi brukeren oversikt. Mye av den informasjonen som løsningen viser vil være tidkrevende å søke opp uten god kjennskap til databaser. Brukergrensesnittet i GIS-løsningen for denne oppgaven ble ikke like brukervennlig som planlagt, men fremtidige muligheter for å forbedre dette ble foreslått. Innsatsfaktorer og rammebetingelsesvariabler kan brukes som rettledning i valg av gode sammenligninger, men vil ikke være et fullgodt alternativ til lokal kunnskap og historie. Resultatene viste at det var likheter i statistikken hos konsesjonærer med like variabler, men for kortere tidsperioder med færre feil antas det at det vil være mer tilfeldig hvor gyldig sammenligningen vil være. Bakgrunnen for dette er at omstendighetene til feil i kraftsystemet vil være mer situasjonsbestemt. Det vil si at en spesifikk feil kan skyldes helt bestemt topologi og klima som kun viser seg gjeldene akkurat for dette feilstedet eller på dette tidspunktet. For å gå videre med denne løsningen burde man kanskje oppdatert enkelte av variablene; spesielt for vind- og helningsvariabelen tror jeg at dette ville vært nyttig. Hendelser som ekstremvær har ofte stor innflytelse på feilstatistikk og mange feil skjer som følge av tidligere feil. For å ta hensyn til dette kan det være en ide å få mer kunnskap om hvordan data knyttet til scenarioer kan presenteres i kart. En inspirasjonskilde for dette kunne være slik meteorologene fremstiller klimaendringer ved bruk av kart.
4. REFERANSER [1] NVE, «Norges vassdrags- og energidirektorat,» 28 10 2015. [Internett]. Available: https://www.nve.no/elmarkedstilsynetmarked-og-monopol/omsetningskonsesjon/liste-overkonsesjonaerer/#. [2] T. Bernhardsen, Geografiske informasjonssystemer, 3. utgave, Vett & Viten, 2000. [3] Statnett SF, «Statnett.no,» 10 6 2016. [Internett]. Available: http://www.statnett.no/global/dokumenter/kraftsystemet/syste mansvar/feilstatistikk/%c3%85rsstatistikk%202015%2033-420%20kv.pdf.