PRESENTASJON AV FEILSTATISTIKK I KART

Av Magnus Holm Nygaard, NTNU Sammendrag I denne oppgaven ble det undersøkt hvordan man kan kombinere geo-grafisk 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 kon-kluderer med at bruk av kart for visualisering av feilstatistikk har et stort potensiale og kan bidra til bedre tilgjengelighet og bruk av feil-data.

1. INNLEDNING

For å motivere konsesjonærene i det norske kraftsystemet til å ta inves-teringer 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 kon-sesjonærer er rapporteringspliktige for avbrudd i sitt område. Rappor-teringen skjer gjennom FASIT (Feil og avbrudd i kraftsystemet) og er todelt. For feil i sentralnett, regionalnett eller høyspenning distribu-sjonsnett 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 regio-nal-/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 kom-ponenttyper som f eks kraftledning, transformator osv. Statistikken gir derfor et godt overordnet bilde av utviklingen i kraftsystemet som hel-het, 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 nettvirksom-het 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 sel-skapenes feilstatistikk i en GIS-løsning. Undersøkelser fra 50-60 virk-somheter rundt om i verden har vist at riktig bruk av GIS kan ha et nytte-kostnadsforhold på 4:1 [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 konsesjo-nærer. Datagrunnlag for feilstatistikk ble hentet fra Statnett sin FASIT-database for høyspenning distribusjonsnett (1-22kV). Disse dataene er geografisk inndelt etter konsesjonærområdenes posisjon. Man har hittil ikke innarbeidet rutiner for detaljert geografisk posisjonering av feilste-der i FASIT. Bakgrunnen for sammenligninger av konsesjonærer gjort i denne oppgaven baserer seg på tall fra NVE sin kostnadsnormbereg-ning. Dette er gjennomsnittverdier som beskriver driftsutfordringer som anses som kostnadsdrivende for konsesjonæren. I dette arbeidet vurde-res forbedringspotensialer i konsesjonærenes KILE-statistikk basert på de samme tallene som brukes for å modellere økonomiske faktorer.

Tabell 1: Kost-nytte-forhold for ulike anvendelser av GIS [2].

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 sta-tistikker som vist i Figur 1 gir ikke tilbakemelding til konsesjonærene om hvordan de presterer i forhold til andre konsesjonærer. 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 virkelighe-ten 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 punktsymbo-ler innenfor tilhørende konsesjonærområde. Dette er vist i Figur 2. Her tilsvarer et punkt en feil, og formen på symbolet avhenger av anleggs-typen der feilen har oppstått. Plasseringen i kartet indikerer ikke posi-sjonen til feilstedet.

Figur 1: Eksempel på dagens presentasjon av statistikk hentet fra Årssta-tistikk 2015 33-420 kV [3].

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.

Figur 2: Visning av hvordan feildata ble representert i kartet. Eksempelet er kun ment som illustrasjon og viser ikke virkelige feil.

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 sta-tistikk. 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 feilka-rakter og fordeling over årene i perioden. Man ser at 2011 var et toppår for feil som følge av vind.

Figur 3: Eksempel på statistikkvisning for én konsesjonær der feil med vind som utløsende årsak valgt ut (Grått).

2.3 Sammenligning av konsesjonærer

NVE bestemmer årlig hva en gitt konsesjonær kan tjene gjennom inn-tektsramme-beregningen. Inntektsrammen fastsettes i dag 40 prosent ut fra økonomiske analyser og 60 prosent ut fra kostnadsnormen. Kost-nadsnormen er en beregning som bygger på en DEA-analyse, som igjen vil si at den modellerer konsesjonærens effektivitet som vist i Figur 4. I denne oppgaven har jeg undersøkt om det kan være hensiktsmessig å bruke innsatsfaktorer og rammebetingelser fra disse økonomiske ana-lysene til å sammenligne konsesjonærer på feilstatistikk. En liste over innsatsfaktorene som ble vurdert er vist i Tabell 2, mens rammevilkårs-variable 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 Beskrivelse Gjsnitt Antall abonne-ment Dnett snittfront

Gjennomsnitt av antall abonnenter over de 5 siste årene for distribusjonsnett

GjsnittKilometer høy-spent Dnett snittfront

Gjennomsnitt av km høyspent nett over de siste 5 årene for distribusjonsnett

Gjsnitt Antall nettsta-sjoner Dnett snittfront

Gjennomsnitt antall nettstasjoner over de 5 siste årene for distribusjonsnett

Figur 4: I en DEA-analyse blir konsesjonærens effektivitet målt ut fra ytre faktorer som enten kalles innsatsfaktorer, rammebetingelser eller produkta-

spekter.

Tabell 3: Oversikt over rammebetingelser (DEA 2015)

Variabel-navn Beskrivelse dr_hsjordand, andel høyspent jordkabel

Selskapets andel jordkabler. Finnes ved å dele km høyspente jordkabler på km total høyspent nett.

dr_s4, barskog Andel anlegg i barskog med høy og særs høy bonitet.

dr_he1, gjsn. helning Gjennomsnittlig helning i området hvor sel-skapet har nettverkskomponenter.

dr_skysz, installert ytelse småkraft stør-relsesuavhengig

Installert ytelse småkraft i distribusjonsnett, innmating fra småkraftverk med installert ef-fekt under 10 MW, størrelseskorrigert.

dr_s7, løvskog Andel anlegg i løvskog med høy og særs høy bonitet.

dr_aoey1, forsyning til øy >1km fast-land/øy, størrelses-uavhengig

Antall øyer selskapet forsyner som ligger mer enn 1 km fra fastlandet eller fra nær-meste forsynte øy, størrelseskorrigert.

dr_vr Gjennomsnittlig referansevind. dr_k2lukk, avstand til kyst

Gjennomsnittlig avstand til kystlinje med lukkete fjorder (åpne i Finnmark).

dr_vr2_k2lukk, kyst-klimavariabel

Kystklimavariabel: kvadrert gjennomsnittlig referansevind dividert på kystavstand (dr_k2lukk).

dr_hssjoand, andel høyspent sjøkabel

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 sammen-ligning på feilstatistikk for Skagerak Energi AS. Når fargene blir mør-kere 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.

Eksempel på hvordan metoden for å finne greneverdier for grad av sammenlignbarhet fungerer. Av de i alt 118 nettselskapene fra DEA-analysen 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 sels-kaper 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

Selskap AvvikReferanse1 0,00Hafslund 4,23Eidsiva 3,45Trønderenergi 8,87….

Selskap AvvikReferanse2 0,00NTE 8,34BKK 1,34Troms Kraft 20,3….

Selskap AvvikReferanse3 0,00Hafslund 2,98SKL Nett 13,9BKK 3,64….

Selskap AvvikReferanse4 0,00Tysnes Kraftlag 5,23Agder Energi 19,3Troms Kraft 40,3….

Selskap AvvikReferanse5 0,00Fitjar Kraftlag 12,3Eidsiva 8,93Tinn Energi 3,12….

Referanseselskap: Sum Avvik:Referanse1 16,55Referanse3 20,52Referanse5 24,35Referanse2 29,98Referanse4 64,83

For hvert selskap brukes minste kvadraters metode for å finne avvik i innsatsfaktorer og rammebetingelser

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.

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.

Figur 6: Kart som viser sammenlignbarhet. Skagerak Energi Nett er satt som referanse.

2.4 Nytt presentasjonsverktøy for feilstatistikk

Ved å kombinere metodene beskrevet i kapitel 2.1 og 2.3 ble det utvik-let 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 enkelt-punktene. 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 in-formasjon om antall feil relativt i forhold til andre selskap.

Figur 7: Skjermbilde av GIS-løsning for feilstatistikk. (Del 1)

Hvis man søker på bestemte detaljer ved feil og zoomer inn på resultatet vil man kunne plukke opp eventuelle trender i statistikken. Sektordiagrammene rundt kartet viser i dette eksempelet data om feil-karakter, 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

Figur 8: Skjermbilde av GIS-løsning for feilstatistikk. (Del 2)

distribusjonsnett. Med koordinatfestede feil ville det vært mulig å pro-dusere 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 bru-kes 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 presen-tasjon i kart har noen klare fordeler når det kommer til å gi brukeren oversikt. Mye av den informasjonen som løsningen viser vil være tid-krevende å søke opp uten god kjennskap til databaser. Brukergrense-snittet i GIS-løsningen for denne oppgaven ble ikke like brukervennlig som planlagt, men fremtidige muligheter for å forbedre dette ble fore-slått. Innsatsfaktorer og rammebetingelsesvariabler kan brukes som rettled-ning i valg av gode sammenligninger, men vil ikke være et fullgodt al-ternativ til lokal kunnskap og historie. Resultatene viste at det var lik-heter i statistikken hos konsesjonærer med like variabler, men for kor-tere tidsperioder med færre feil antas det at det vil være mer tilfeldig hvor gyldig sammenligningen vil være. Bakgrunnen for dette er at om-stendighetene 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 helningsvariabe-len 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/elmarkedstilsynet-marked-og-monopol/omsetningskonsesjon/liste-over-konsesjonaerer/#.

[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/Systemansvar/Feilstatistikk/%C3%85rsstatistikk%202015%2033-420%20kV.pdf.