Alternative måter å regne KILE-kostnaden på

Rapport 2019/26

Orvika Rosnes

Alternative måter å regne KILE-kostnaden på

Kategori	Rapporter
Underkategori(er)	Samfunnsøkonomisk analyse Kraft og energi Statistikk og empirisk analyse
År	2019
Rapportnummer	26
Forfatter(e)	Orvika Rosnes
Last ned	file_download (1.0 MB)
Les i nettleser	find_in_page

Rapport 2019/26	 | Statnett

Alternative måter å regne KILE	-kostnaden på
Delprosjekt 1 i FOU	-prosjektet
Mot en bedre forståelse av kostnad og ulempe av strømbrudd
Orvika Rosnes

Alternative m	åter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	2

Dokumentdetaljer
Tittel	 	Alternative måter å regne KILE	-kostnaden på
Rapportnummer	 	2019/26
ISBN	 	978	-82	-8126	-422	-9
Forfattere	 	Orvika Rosnes
Prosjektleder	 	Haakon Vennemo
Kvalitet	ssikrer	 	John Magne Skjelvik
Oppdragsgiver	 	Statnett
Dato for ferdigstilling	 	14. juni 2019
Kilde forsidefoto	 	Photographer: Frank C. Müller 	- Own work, CC BY	-SA 2.5,
https://commons.wikimedia.org/w/index.php?curid=1783172
Tilgjengelighet	 	Offentlig
Nøkkelord	 	KILE, strømbrudd	, ikke	-levert energi, avbruddskostnader, betalingsvillighet

Om Vista Analyse
Vista Analyse AS er et samfunnsfaglig 	analyseselskap med hovedvekt på økonomisk utredning, evaluering	,
rådgivning	 og forskning	. Vi utfører oppdrag med høy faglig kvalitet, uavhengighet og integritet. Våre sentrale
temaområder omfatter klima, energi, samferdsel, næringsutvikling, byutvikling og	 velferd.
Våre medarbeidere har meget høy akademisk kompetanse og bred erfaring innenfor konsulentvirksomhet.
Ved behov benytter vi et velutviklet nettverk med selskaper og ressurspersoner nasjonalt og internasjonalt.
Selskapet er i sin helhet eiet av meda	rbeiderne.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	3

Foror	d
Denne rapporten er en leveranse fra forskningsprosjektet 	Mot en bedre forståelse av kostnad og ulempe ved
strømbrudd	, som Vista Analyse gjennomfører for Statnett. Rolf Korneliussen har vært kontaktperson hos
Statnett. Vi takker ham og 	andre ressurspersoner i Statnett for mange givende diskusjoner om
problemstillingene	.
14. juni	 2019
Haakon Vennemo
Partner
Vista Analyse AS

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	4

Innhold
Sammendrag og konklusjoner	 ................................	................................	................................	....................	 7
1 	Innledning	 ................................	................................	................................	................................	.........	 11
2 	KILE	-beregningen i dag	 ................................	................................	................................	.....................	 12
2.1	 	Pref – avbrutt effekt på ref	eransetidspunktet	 	13
2.2	 	kP,ref	 – normalisert avbruddskostnad	 	15
2.3	 	Korreksjonsfaktorer 	fm, fd, fh 	17
3 	Metode A: Avbruddskostnader med dagens KILE	-formel (med referansetidspunkt)	 ......................	 19
4 	Metode B: Avbruddskostnader med faktisk avbr	uddstidspunkt og 	-omfang	 ................................	.. 21
4.1	 	Nye korreksjonsfaktorer for ulik forventet last på ulike tidspunkt	 	21
4.2	 	Eksempel med metode B	 	27
5 	Metode C: Avbruddskostnader med utgangspunkt i betalingsvillighet direkte	 ...............................	 30
5.1	 	Eksempel med metode C: Eksperiment med GIS	-data i Nord	-Jæren	 	31
6 	Mulige forenklinger og tilpasninger av param	etere til et konkret geografisk område	 ....................	 33
6.1	 	Tilpasning av metode B	 	34
6.2	 	Tilpasning av metode C	 	35
Referanser	 ................................	................................	................................	................................	................	 36
A 	Vedlegg: Standardiserte lastprofiler	 	37
B 	Vedlegg: Korreksjonsfaktorer 	fm, fd, fh 	41
Figurer
Figur 4.1	 	Lastprofiler for husholdninger, hverdag i ulike måneder, kW	 ................................	. 23
Figur 4.2	 	Lastprofiler for husholdninger, helgedag i ulike måneder, kW	 ................................	 23
Figur 5.1	 	Kart over utvalg 1 (nord for Stokkeland) og utvalg 2 (nord for Bærheim)	 ...............	 31
Figur 6.1	 	Beregnede lastprofiler: 	landsgjennomsnitt (hel linje) og Stavanger (stiplet linje)	 ... 35
Tabeller
Tabell 2.1	 	Betalingsvillighet på referansetidspunktet, kr/avbrudd og k	r/kW	 ...........................	 17
Tabell 2.2	 	kP,ref 	som funksjon av avbruddets varighet (t timer), kr/kW	 ................................	....	 17
Tabell 2.3	 	Anslag for gjennomsnittlig betalingsvillighet på ulike tidspunkt (kr)	 .......................	 17
Tabell 3.1	 	Eksempel med metode A: 	kostnader ved avbrudd (som varer 2 timer) på ulike
tidspunkt	 ................................	................................	................................	..................	 20
Tabell 4.1	 	Gjennomsnittlige månedstemperaturer 2012	-2016 (	°C) ................................	.........	 22
Tabell 4.2	 	Korreksjons	faktorer for ulik last på hverdager (januar, hverdag kl. 17:00 = 1)	 ........	 25
Tabell 4.3	 	Korreksjonsfaktorer for ulik last på helgedager (ja	nuar, hverdag kl. 17:00 = 1)	 ......	 26
Tabell 4.4	 	Eksempel med metode B	: kostnader ved avbrudd på ulike tidspunkt med teoretiske
tall for avbrutt effekt (avbruddsvarighet 2 timer)	 ................................	....................	 28
Tabell 4.5	 	Eksempel 	med metode B: kostnader ved avbrudd på ulike tidspunkt med
utgangspunkt i historisk last i Stavanger (avbruddsvarighet 2 timer)	 ......................	 29
Tabell 5.1	 	Antall boliger, husholdninger og personer i utvalgene	 ................................	............	 31
Tabell 5.2	 	Eksempel med metode C: kostnader ved et avbrudd som var	er 2 timer	 ................	 32

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	5

Tabell 6.1	 	Gjennomsnittlige månedstemperaturer 2012	-2016 (	°C) ................................	.........	 34

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	7

Sammendrag	 og konklusjoner
Vi diskuterer 	formler for å beregne kvalitetsjusterte inntektsrammer ved ikke levert energi (KILE).
Formlene betegner ulike veier fra estimert betalingsvillighet til KILE. To 	av metodene er likevel
teoretisk identiske. I en praktisk situasjon er det datatilgjengelighet som bør bestemme hvilken av
dem som er mest 	anvendelig	. Den tredje metoden er teoretisk sett forskjellig. Hvorvidt man vil bruke
denne, kommer an på både datatil	gjengelighet og om man foretrekker dens teoretiske egenskaper.
KILE	-beregningen 	i dag
Kvalitetsjusterte inntektsrammer ved ikke levert energi	 (KILE) 	skal bidra til at nettselskapene tar
hensyn til avbruddskostnader i utbygging, vedlikehold og drift av kraftnettet. 	Nettselskapenes årlige
inntektsrammer justeres som følge av avbruddskostnader for tilknyttede sluttforbrukere. 	KILE	-
ordningen tr	ådte	 i kraft	 1. januar 2001, og har vært revidert flere ganger siden	.
Hvordan kostnader ved et strømavbrudd skal beregnes er fastsatt i 	Forskrift om økonomisk og teknisk
rapportering, inntektsramme for nettvirksomheten og tariffer	, kapittel 9.	1 Kostnaden ved et avbru	dd
av lengde 	l på tidspunkt 	j for en sluttbruker i kundegruppe 	K skal 	ifølge forskriften 	beregnes 	på
følgende 	måte	:2
�������=	���������	������������,���	�������,��������,��������,ℎ
Enkelt forklart beregner formelen totale kostnader som avbrutt effekt 	for kundegrupp	en	 (���������	, målt
i kW) ganget med en tilhørende kostnad (	������������,���	, målt kr/kW). Siden KILE	-kostnaden beregnes 	som
om	 	avbruddet hadde skjedd på et bestemt tidspunkt (referansetidspunktet), 	brukes
korreksjonsfaktorene (	�������,�,�������,�,�������,ℎ) for å ta hensy	n til at avbruddet faktisk skjedde på et annet
tidspunkt. 	������������,���	 og korreksjonsfaktorene 	er basert på 	betalingsvillighetsundersøkelsen (Vista
Analyse, 2017).
���������	 er definert som avbrutt effekt for berørt sluttbruker dersom avbruddet hadde skjedd	 på
referansetidspunktet. For husholdninger er referansetidspunktet 	kl. 17:00 	på en hverdag i januar.
���������	 er altså en beregnet størrelse, basert på historiske lastprofiler og temperaturer, og 	vil være den
samme for alle avbrudd, uansett når avbruddet 	skjer.
Etter at det har skjedd et avbrudd	 er det forholdsvis lett for et nettselskap å 	bruke formelen til å
beregne kostnadene ved avbruddet: nettselskapet vet da akkurat hvilke kunder 	som 	har vært berørt
(og dermed 	kan 	de relevante 	���������	-ene 	beregnes	) og når avbruddet har skjedd (og dermed hvilke
korreksjonsfaktorer	 som skal brukes).
Noen ganger kan det imidlertid være nyttig å anslå avbruddskostnadene før avbruddet har skjedd.
For eksempel kan man ønske å anslå kostnadene ved et avbrudd i et bestemt geografisk område på

1 https://lovdata.no/dokument/SF/forskrift/1999	-03-11-302/KAPITTEL_4	-3#KAPITTEL_4	-3
2 I formelen er det underforstått at tidspunkt 	j løper over måned 	m, dag	 d og time 	h. ������������,���	 varierer med lengde 	l, men
dette er per konvensjon ikke med som en fotskrift. 	K i fotskrift løper over kundegruppe. 	K i vanlig skrift betyr kostnad.
���������	 og 	������������,���	 løper over kundegruppe, dette er underforstått. I rapport	en gjengir vi formler fra forskriften og andre
direkte sitater 	slik 	som de står i kildene.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	8

et bestemt tidspunkt til bruk i	 investeringsa	nalyser	. Da har man ofte prognoser for hvor stort
avbruddet 	vil bli akkurat på dette tidspunktet. 	Vi 	ser 	i denne rapporten på om man kan bruke andre
beregningsmåter	 i slike tilfeller, og sammenligne	r tre alternative metoder for å beregne
avbruddskostnader	 i husholdninger	. Alternative beregningsmåter kan i prinsippet også være nyttig
ex post.
Metode A, med utgangspunkt i referansetidspunktet
Metode A	 tar utgangpunkt i dagens KILE	-formel. Den samlede avbruddskostnaden for et geografisk
område blir summen av 	avbruddskostnader til alle berørte 	husholdninger	 i det aktuelle området:
������	=	∑	�������	������1	, der fotskrift 	i løper over 	husholdninger.	3 Men leddet 	������������,���	�����ℎ er lik	t for alle
husholdninger; det er bare 	���������	,� som varierer mellom 	husholdningene	. Dermed blir de samlede
kostnadene ved et avbrudd som 	skjer i måned 	m, dag 	d, time 	h og 	rammer 	N sluttbrukere:
�������,�,ℎ=	������������,���	�����ℎ∑	���������	,�	�������=1	 	 	 	 	(A)
Metode B, 	med utgangspunkt i 	faktisk tidspunkt 	og 	faktisk omfang for avbruddet
Vi 	ser også på en 	annen metode	 som 	tar utgangspunkt i faktisk tidspunkt for avbrudde	t og 	faktisk
omfang 	(f.eks. 	200 MW	 avbrutt effekt for 	de berørte 	husholdningene	 i juli), istedenfor å gå veien om
��������� og referansetidspunktet. Vi kaller denne for metode B	.
Vi 	beregne	r et nytt sett 	(dvs	. to matriser) 	korreksjonsfaktorer	 ��,�,ℎ som kan brukes til å skalere
avbrutt effekt 	for sluttbruker 	i på 	et vilkårlig 	tidspunkt	 m,d,h	 (�������,�,ℎ,�) til referansetidspunktet. 	Da
kan 	man 	fortsatt bruke avbruddskostnaden 	������������,���	, som refererer til januar.	 De eksisterende
korreksjonsfaktorene 	��,��,�ℎ, som korrigerer for ulik betalingsvillighet, kommer i tillegg.
Kostnaden ved et 	avbrudd	 på tidspunkt	 m,d,h	 med metode B blir dermed:
�������,�,ℎ=	������������,���	�����ℎ��,�,ℎ∑	�������,�,ℎ,�	�������=1	 	 	(B)
Forskjellen mellom metode A og metode B er hvilket tidspunkt avbruddet refererer til: om
beregningen tar utgangspunkt i avbrutt effekt på referansetidspunktet eller på avbruddstidspunktet.
Både metode A og B bruker avbrutt effekt, målt i MW, til å skalere 	omfanget av 	avbruddet	.
M	etode 	C, 	med utgangspunkt i 	husholdningenes 	betalingsvillighet direkte
Både dagens beregningsmetode for avbruddskostnader 	(metode A) 	og alternativ metode	, som tar
utgang	spunkt i faktisk omfang og tidspunkt for avbruddet	 (metode 	B), går veien om husholdningens
effektforbruk (målt i kW). En annen tolkning av betalingsvillighetsundersøkelsen er at anslagene
angir 	verdien av å unngå ett strømbrudd av en viss varighet på et bestemt tidspunkt	 – mao. uavhengig
av hvor mye effekt hushold	ningen mister. Ved å ta utgangpunkt i denne tolkningen kan vi lage en ny
metode som tar utgangspunkt i betalingsvillighet (BV) direkte. Vi kaller denne for metode C.
Kostnaden ved et avbrudd på tidspunkt 	m,d,h	 for sluttbruker 	i vil da være:

3 Vi avgrenser studien til husholdninger, og dropper derfor fotskriften 	K (for kundegruppe) i formlene.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	9

�������,�,ℎ,�=	��	∙�����ℎ 	 	 	 	(C)
BV angir den gjennomsnittlige betalingsvilligheten per husholdning, og er den samme for alle
husholdninger. 	Siden betaling	svilligheten refererer til januar, må vi fortsatt gange med
korreksjonsfaktorene	 ��,��,�ℎ for å beregne kostnaden ved avbrudd som skjer på et annet
tidspunkt	.
For å beregne den totale kostnaden ved et avbrudd i et geografisk område, kan vi bare telle antallet
husholdninger (	N) i området og gange det med betalingsvillighet per 	husholdning	 (BV)	:
�������,�,ℎ=	������	∙�������,�,ℎ,�=	������	∙��	∙�� �� �ℎ 	 	 	(D)
I metode C justerer man altså ikke avbruddskostnadene for størrelsen på 	strømforbruket	, kun antall
husholdninger 	som blir berørt.
Metodene kan gi like resultater, avhengig av datagrunnlaget
Som et eksperiment 	har 	vi beregne	t kostnader med alle tre metodene for et område i Nord	-Jæren.
Vi har identifisert antallet husholdninger i området, og beregner deres samlede kostnader ved
strøm	brudd som skjer på ulike tidspunkt	 (metode C)	. For metode A og B har vi brukt anslag fra
Statnett på samlet avbrutt effekt for husholdningskunder i det samme område. 	Avbruddskostnadene
(������������,���	) og korreksjonsfaktorene	 (��,��,�ℎ) kommer fra fors	kriften og forslaget til den nye
forskriften som 	NVE 	sendt	e på høring i 2018.
Resultatene tyder på 	at 	de tre 	metodene 	i praksis kan gi temmelig like 	resultater, men alle avhenger
av hvor god	t data	grunnlaget er	. Forholdstallene	 for avbrudd på ulike tidspun	kt er 	per defin	isjon 	de
samme 	i alle tre metode	ne,	 fordi korreksjonsfaktorene som brukes for å justere betalingsvilligheten
fra referansetidspunktet til tidspunktet for avbrudd er de samme. Det betyr at hvis man kjenner til
kostnadene på ett tidspunkt kan man bruke korreksjonsfaktorene til å regne ut kost	naden	e på et
annet tidspunkt.
Treffsikkerheten av a	lle 	tre metode	ne	 avhenger av hvor gode data som brukes. Er det 	avbrutt effekt
på referansetidspunktet i januar (	���������	) eller 	på det faktiske avbruddstidspunktet (	�������,�,ℎ) man har
best anslag for? El	ler antall husholdninger som blir berørt av strømbruddet? Avhengig av svaret er
hhv. metode A, B eller C best egnet.
I tillegg avhenger treffsikkerheten av hvor gjennomsnittlig det aktuelle området er. Metode C bygger
på betalingsvilligheten til gjennomsn	ittshusholdningen, mens i metode A og B brukes 	nasjonale
gjennomsnittstemperaturer 	og stan	dardshusholdningens lastforbruk. 	 Dette går tydelig fram av
likning (E) under.
Tilpasning 	av metodene 	til lokale forhold
Beregningene og sammenligningen av de ulike	 metodene bygger på nasjonale lastprofiler og
temperaturer og gjennomsnittshusholdningens betalingsvillighet for strøm. 	I analyser av konkrete
geografiske områder kan man ta hensyn til forhold som påvirker husholdningenes energiforbruk 	i
det området 	(først	 og fremst temperaturene og sammensetningen av boliger).
Vi 	viser at 	ligning (	A) ovenfor 	kan omskrives 	til:

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	10

�������,�,ℎ,�=	���������	,� ������������,���	�����ℎ=	���������	,�	�������
��������������������	�����ℎ=	�������∙��	∙�����ℎ 	(E)
Dersom 	�������=	1 tilsvarer metode (A) metode (C). 	Hvorvidt 	�������≶	1 avhenger av:
• 	Om 	temperaturer på stedet 	er høyere eller lavere enn landsgjennomsnittet, 	som igjen
avhenger av 	den geografiske beliggenheten til	 sluttbrukere	 som opplever 	avbruddet.	 For
eksempel	 er 	døgnmiddeltemperaturen i januar h	øyere i Stavanger enn landsgjennomsnittet	, og
isolert sett bidrar dette til	 �������<	1 for 	folk i 	Stavanger.
• 	Om energiforbruket til 	sluttbrukeren 	er større eller mindre enn standardhusholdningens. 	Det
avhenger av s	tørrelsen og typen husholdninge	r i området	. Her kan vi anta at sluttbrukere i
eneboliger har høyere energiforbruk enn gjennomsnittshusholdningen, mens sluttbrukere i
leiligheter har lavere energiforbruk enn gjennomsnittshusholdningen.
Siden	 ligning (	E) er	 lik 	ligning (C) justert med 	������� så k	an 	man 	tilpasse metode C ved å 	inkludere en
parameter 	som gjenspeiler egenskapene ved sluttbrukere 	i det aktuelle området	.
Også korreksjonsfaktorene	 ��,�,ℎ i metode B er basert på nasjonale profiler. Hvis det er store avvik
mellom de nasjonale og lokale profilene, burde man beregne korreksjonsfaktorer som tar hensyn til
lokale lastprofiler og temperaturer.
Det må understrekes at disse ulike metodene er fores	lått til bruk i f.eks. investeringsanalyser der
man trenger 	ex ante	 anslag for kostnader ved avbrudd. Vi har ikke vurdert hvorvidt selve KILE	-
ordninger bør endres. 	I offisielle KILE	-beregninger brukes fortsatt metode A, med utgangspunkt i
���������	 og refer	ansetidspunktet.	 Så lenge 	det 	er «fasiten», skal det være gode grunner til å avvike fra
metoden	.
Ny metode i framtiden?
���������	 , som er den sentrale størrelsen i KILE	-beregningene, 	er basert på generelle lastprofiler for 	ulike
kundegrupper, og parametere som ligger bak beregningen av 	���������	 stammer fra gamle
belastningsmålinger. Dette er fra en tid da det ikke fantes timesmålinger for enkeltkunder	, i alle fall
ikke for husholdninger. Da kunne man heller ikke vite hvor mye effe	kt som kunden hadde mistet ved
et avbrudd. Med automatisk måleravlesing og Elhub blir helt andre data tilgjengelige.
Med automatisk måleravlesing 	blir 	det 	enklere å beregne 	���������	 for alle sluttbrukere på grunnlag av
deres egne historiske forbruksdata, 	istedenfor generelle lastprofiler. Da blir metode A enklere og
mer treffsikker. I så fall blir metode A å foretrekke framfor metode B, som krever ett ekstra sett
korreksjonsfaktorer (med tilhørende mulighet for unøyaktigheter).
Nye måledata vil også gjøre	 det enklere å beregne 	�������, på grunnlag av faktiske lastmålinger for
aktuelle sluttbrukere. Dette kan brukes til å tilpasse metode C bedre til en analyse av et konkret
område.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	11

1	 	Innledning
Kvalitetsjusterte inntektsrammer ved ikke levert energi	 (KILE) 	skal bidra til at nettselskapene tar
hensyn til avbruddskostnader i 	utbygging, vedlikehold 	og drift av kraftnettet. 	Nettselskapenes årlige
inntektsrammer justeres som følge av avbruddskostnader for tilknyttede sluttforbrukere. 	For å få en
riktig forsyningssikkerhet i det norske kraftnettet 	er det viktig 	at 	tallene som brukes til å tallfest	e
avbr	uddskostnader 	i størst mulig grad reflekterer de samfunnsøkonomiske kostnadene ved avbrudd.
KILE	-ordningen 	trådte i kraft 1. januar 2001, og har vært revidert flere ganger siden	 (se f.eks. Kjølle,
2011)	. Hvordan kostnader ved et strømavbrudd skal beregnes	 er fastsatt i 	Forskrift om økonomisk
og teknisk rapportering, inntektsramme for nettvirksomheten og tariffer	, kapittel 9.	4 Fra 1. januar
2015 endret NVE KILE	-satsene for alle kundegrupper unntatt husholdninger. I 2017 leverte Vista
Analyse en rapport (Vis	ta Analyse, 2017) med anbefalinger for nye KILE	-satser for husholdninger,
basert på en ny spørreundersøkelse. 	NVE sendte forslaget 	til forskrift	sendring	 på 	høring i juni 2018.
Dette prosjektet 	tar utgangspunkt i arbeidet med de nye KILE	-satsene 	i 2017, 	og studerer kostnadene
ved strømbrudd videre. Prosjektet 	er en del av forskningsprosjektet 	Mot en bedre forståelse av
kostnad og ulempe av strømbrudd	. Delprosjekt 1 handler om alternative metoder 	for	 å beregne
kostnader ved 	et 	avbrudd. 	Målet er å 	sammenligne 	alternativ	e metode	r som kan brukes i analyser
av hypotetiske avbrudd (f.eks. i investeringsanalyser), ikke å foreslå en ny metode 	for NVE for
justering av nettselskapenes inntektsrammer	. Vi avg	renser studien til husholdninger.
Vi begynner med å redegjøre 	for dagens 	beregning av 	KILE	-kostnad	en i 	kapittel 	2. Denne
beregningen brukes etter at et 	avbrudd har skjedd	, og det er ganske enkelt å bruke formelen når
man kjenner til avbruddstidspunktet og 	-omfanget og hvem som har blitt rammet. 	Hvor korrekt
beregningen 	er, avhenger av dataenes kvalitet. 	Vi undersøker	 ulike alternativer til å anslå KILE	-
ko	stnader 	ex ante, 	uten å vite akkurat hvem som har blitt rammet	, for eksempel 	ved en analyse av
et strømbrudd i et større geografisk område	. Det 	kan være nyttig f.eks. 	i investeringsanalyser 	av ulike
nett	-tiltak	. Vi beregner KILE	-kostnaden for et 	geografisk	 område ved hjelp av dagens KILE	-formel
(som vi kaller for metode A her) 	i kapittel	 3. 	Dagens metode relaterer kost	na	dene til
referansetidspunktet (som 	for husholdning	er 	er 	kl. 17:00 	på en hverdag i januar). Kapittel 	4 beskriver
en alternativ	 me	tode 	(metode B) 	som tar utgangpunkt i faktisk tidspunkt 	og faktisk omfang 	for
avbruddet	 istede	nfor referansetidspunkte	t. Kapittel 	5 beskriver en tredje metode 	(metode C) 	som
bruke	r husholdningenes betalingsvillighet for å unngå strømbrudd direkte	, uten å gå veien om
avbrutt effekt	. Vi 	diskuterer også mulig	e tilpasninger til konkrete geografiske områder 	(kapittel 	6).
Fokuset i denne rapporten 	er 	på de ulike metodene. 	Vi 	lager 	noen beregningseksempler	5 og
utarbeider nye korreksjonsfaktorer som kan brukes i de ulike metodene. Hvilken metode	 som	 egner
seg best i en konkret analyse avhenger av datagrunnlaget som er tilgjengelig til denne analysen.

4 https://lovdata.no/dokument/SF/forskrift/1999	-03-11-302/KAPITTEL_4	-3#KAPITTEL_4	-3
5 Merk at vi bruker de nye KILE	-satsene (som ble foreslått i Vista Analyse, 2017) i beregningene.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	12

2	 	KILE	-beregningen 	i dag
Kostnaden 	ved 	et 	strøm	avbrudd for en sluttbruker 	på et 	bestemt	 tidspunkt 	kan i prinsippet beregnes
som avbrutt effekt (kW) 	ganget med 	avbruddskostnaden (kr/kW):
�������=	������������������� 	 	 	 	 	 	(1)
der
Kj 	= 	kostnad for en sluttbruker for et avbrudd på tidspunkt j 	(kroner)
Pj 	= 	avbrutt effekt for sluttbrukeren 	på tidspunkt j (kW)
kP 	= 	spesifikk 	avbruddskostnad for et avbrudd (kr/kW)
Ligning (1) viser hvordan KILE	-kostnaden kunne bli	tt beregnet hvis 	man 	hadde all nødvendig
informasjon. I praksis kjenner man ikke til avbruddskostnaden (	betalingsvilligheten for strøm	) til alle
forbruker	ne på alle tidspunkt, 	og 	heller ikke til deres 	kraft	forbruk 	(som blir avbrutt) 	på ethvert
tidspunkt.	6 I den faktiske tallfestingen må man ta til takke med tilgjengelig data. I KILE	-ordningen har
man valgt å implementere funksjonen (1) ved å knytte	 avbruddskostnaden til et bestemt tidspunkt
(referansetidspunktet	, som for husholdninger er kl. 17:00 på en 	hverdag i januar	).
Den spesifikke avbruddskostnaden per avbrudd	 	(������������)	 er tallfestet gjennom
betalingsvillighetsundersøkelser der man har spurt 	et representativt utvalg av 	strømbrukere 	om
deres verdsetting av 	strømmen.	7 For å kunne bruke de oppgitte avbru	ddskostnadene fra
betalingsvillighetsundersøkelsen for 	alle husholdninger	 (store og små husholdninger, med ulikt
kraftforbruk), må de oppgitte avbruddskostnadene bli normalisert, dvs. regnet om fra et kronebeløp
til kr/kW. I denne normaliseringen bruker ma	n 	standardhusholdningens effektforbruk på
referansetidspunktet	.
Vi kjenner heller ikke enkeltforbrukernes forbruk (effekt) som 	faktisk 	blir borte ved et avbrudd.
Avbrutt effekt i ligning (1) tallfestes vha. 	beregnet avbrutt effekt for hver sluttbruker på
referansetidspunktet.
For å kunne beregne avbruddskostnadene på 	alle andre tidspunkt enn referansetidspunktet	 brukes
korreksjonsfaktorer: disse justerer kostnadene 	for å ta hensyn til at avbruddet faktisk skjedde på et
annet tidspunkt enn i januar.	8
Som følge 	disse 	tilpasningene	 har man endt opp med en mer komplisert ligning	 (se ligning (2)
nedenfor	).

6 Iallfall 	var det slik 	på 2000	-tallet	, da K	ILE	-ordningen ble innført. Med timesmålere i alle husholdninger og Elhub får man
et helt annet informasjonsgrunnlag.
7 Se Vista Analyse (2017) for den siste betalingsvillighetsundersøkelsen for husholdninger og hvordan resultatene er omsa	tt
til KILE	-satser.
8 Ulike tolkninger av korreksjonsfaktorene blir 	diskutert i kapittel 	4 og 	5.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	13

Kostnaden ved et avbrudd på tidspunkt 	j for en sluttbruker i kundegruppe 	K skal 	jf. forskriften
beregnes 	på 	følgende 	måte	:9
�������=	���������	������������,���	�������,��������,��������,ℎ 	 	 	 	(2)
der:
Kj 	= 	totalkostnad 	(kroner) 	for en sluttbruker for 	et 	avbrudd på tidspunkt j
Pref 	= 	avbrutt effekt 	for sluttbrukeren 	dersom tilsvarende avbrudd hadde skjedd på
referansetidspunktet (kWh/h)
kP,ref	 = 	avbruddskostnad (kr/kW) på referansetidspunktet for et avbrudd av en gitt varighet
fK,m 	= 	korreksjonsfaktor for avbruddskostnad i måned m
fK,d 	= 	korreksjonsfaktor for avbruddskostnad på dag d
fK,h 	= 	korreksjonsfaktor for avbruddskostnad i time h
Denne formelen gir altså det totale beløpet (i kroner) for 	avbruddskostnad	 per sluttbruker per
avbrudd	. I utgangpunktet beregner formelen totale kostnader som avbrutt effekt (kW) ganget med
en 	kostnad 	(kr/kW).	 KILE	-kostnaden beregnes som om avbruddet skjer på et bestemt tidspunkt	: ���������
er avbrutt effekt for kunden som opplever avbruddet dersom avbruddet hadde skjedd på
referansetidspunktet. 	Avbruddskostnad 	������������,���	 er normalisert avbruddskostnad 	(dvs. 	målt i kroner
per kW	).10 Korreksjonsfaktorene (	�������,�,�������,�,�������,ℎ) justerer kostnade	ne	, for å ta 	hensyn til at
avbruddet 	faktisk 	skje	dde 	på et annet tidspunkt enn i januar.
Vi skal forklare elementene i formelen mer inngående nedenfor. 	Kapitte	l 2.1	 gjennomgår
utregningen av 	���������	 i detalj, mens kapittel 	2.2	 forklarer 	������������,���	 nærmere	 og kapittel 	2.3	 diskuterer
korreksjonsfaktorene 	�������,�,�������,�,�������,ℎ.
2.1	 	Pref	 – avbrutt effekt 	på referansetidspunktet
���������	 er definert som avbrutt effekt for berørt sluttbruker 	dersom avbruddet hadde skjedd på
referansetidspunktet	. For husholdninger er referansetidspunktet 	kl. 17:00 	på en hverdag i januar.
���������	 for 	en 	gitt 	husholdning v	il altså være den samme for alle avbrudd, uansett når avbruddet skjer.
���������	 beregnes i to trinn.	 11 I første trinn beregner man 	forventet last	 for sluttbrukeren 	i timen som
omfatter 	referansetids	punktet	 ved å ta utgangspunkt i 	historiske lastprofiler 	for	 den relevante
kundegruppen	 (husholdninger)	, sluttbrukerens energibruk i fjor og lokal temperaturserie	. I andre
trinn beregner man 	forventet avbrutt effekt	 ved å ta hensyn til om lasten i den	ne	 tim	en er stigende
eller synkende. Nedenfor	 (i avsnitt 	2.1.1	 og 	2.1.2	) gjennomgår vi disse to trinnene i detalj.	12

9 Se kapittel 9 i Forskrift om økonomisk og teknisk rapportering, inntektsramme for nettvirksomheten og tariffer,
https://lovdata.no/dokument/SF/forskrift/1999	-03-11-302/KAPITTEL_4	-3#KAPITTEL_4	-3
10 Avbruddskostnad 	������������,���	 er også en funksjon av avbruddets varighet, se nærmere i avsnitt 	2.2	.
11 Praktisk gjøres dette i godkjent FASIT	-programvare.
12 Framstillingen er basert på Energi Norge (2015), spesielt kapittel	 4.3.4	, 4.5.3 og 4.6, og Eggen (2014).

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	14

2.1.1	 	Trinn 1: Regn ut forventet last i 	en 	time
Forventet last for en sluttbruker beregnes med utgangspunkt i sluttbrukerens målte årlige
energiforbru	k, lokal døgnmiddeltemperatur	 og beregnede lastprofiler	.
Forventet last 	�������,�,ℎ i time 	h dag 	d for 	en 	sluttbruker 	i som tilhører kundegruppe 	K (her: K=
husholdning)	, målt i kWh/h	:
�������,�,ℎ=	(�������,�,ℎ��������+	�������,�,ℎ)��
�������,� 	 	 	(3)
der:
AK,d,h	 	= konstant for kundegruppe	 K, døgn (d) og time (h) [kWh/(h˚C)]
B K,d,h	 	= konstant for kundegruppe	 K, døgn (d) og time (h) [kWh/h]
�������� 	= døgnmiddeltemperatur fra lokal temperaturserie [˚C].
W	i/W	N,i 	= forholdet mellom sluttbrukerens energiforbruk og 	beregnet energiforbruk for
standard	husholdninge	n i samme geografiske område
W	i 	= levert energi siste måleperiode for sluttbruker 	i [kWh]
W	N,i 	 	= beregnet energi for siste måleperiode 	for standardkunde	n i samme geografiske
område som sluttbruker i (	med lokal temperaturserie	) [kWh]
Parametere	 A og B er 	spesifisert 	for hver time	 i døgnet for 	hverdag/helg og sommer/vinter	 (se
vedlegg 	A.1	), men 	A og B 	er 	like	 for alle husholdninger	. Disse parameter	ne er basert på 	studier fra
slutten av 1990	-tallet.
Temperaturvariabelen 	�������� varierer mellom sluttbrukere, men er lik for sluttb	rukere som er i samme
geografiske område. Man skal benytte gjennomsnittstemperaturen for hele januar (fra 30 års
standardserie for middeltemperatur fra «meteorologisk nærmeste» målestasjon	).13 Det finnes 	over
600 målestasjoner	.14
Wi og	 WN,i er energiforbruket til 	hhv. 	den aktuelle 	husholdningen 	i og «standard	husholdningen	» i
samme område, 	i siste måleperiode	. Siste måleperiode er 	typisk 	året før eller siste 365 dager.	 WN,i
for en periode på 	n dager beregnes etter følgende formel:
�������,�=	∑	∑	(�������,�,ℎ��������+	�������,�,ℎ)
ℎ=24
ℎ=1
�=�
�=1

(4)
Siden 	WN,i skal beregnes med utgangspunkt i den samme temperaturserien som 	husholdning	 i
opplevde i forrige måleperiode, kan vi tolke 	WN,i som energiforbruket til standardhusholdningen som
bor i samme geografiske område som 	husholdning	 i. Forholdstallet 	Wi / W	N,i avhenger altså av om
fjorårets energiforbruk til 	husholdning	 i var større eller 	mindre enn standardhusholdningens
energiforbruk 	i samme område.
Pi,d,h skal oppdateres hver gang det kommer nye måledata (energiforbruk og temperatur), minst en
gang i kvartalet.

13 Se Eggen (2014).
14 På met.no stasjonskart for 2007 er det 630 stasjoner som met.no drifter og som tilfredsstiller met.no sine krav til drift
og eksponering, se 	http://sharki.oslo.dnmi.no/Help/stationmap2007.	pdf	.

Alternative måter	 å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	15

2.1.2	 	Trinn 2: Regn ut forventet avbrutt effekt i 	en 	time
Forventet a	vbrutt effekt 	i en time 	beregnes som den effekten (kW) som ville ha blitt levert hvis
avbruddet ikke hadde inntruffet. 	Det er ikke nødvendigvis 	det samme som 	effekten som ble borte i
avbruddet	 – man 	må 	også ta hensyn til 	hvordan lasten ville utviklet seg 	i tiden 	etter 	avbruddet. I
beregningen tar man mao. hensyn til 	om lasten er stigende eller synkende på 	avbrudd	stidspunktet	.
For dette må man i tillegg til forventet last i timen 	som omfatter r	eferansetidspunktet 	(trinn 1
beskrevet i avsnitt 	2.1.1	) beregne forventet effekt 	i timen før	 og 	i timen etter	 timen 	som omfatter
referansetidspunktet	. Med andre ord	: hvis avbrutt effekt skal beregnes for 	kl. 17:00 	(som er 	i
begynnelsen av 	time 18)	, må det tas hensyn til forventet last også 	i time 	17 og 1	9.
Dersom forventet last i timen før avbruddstimen er mindre og 	i time	n etter a	vbruddstimen større
enn 	forventet last 	i avbruddstimen, kan man anta at også forventet avbrutt effekt vil øke i løpet av
den aktuelle avbruddstimen. Tilsvarende kan man resonnere dersom verdiene er synkende i løpet
av disse timene. Dette er beskrevet 	i avs	nittet «I timer der gradienten ikke skifter fortegn» i kap.
4.6.1 i FASIT	-dokumentasjon	 (Energi Norge, 2015)	. Siden referansetidspunktet er kl. 17:00 (altså
minutter over hele timen), innebærer formelen i kap. 4.6.1 i FASIT	-dokumentasjonen at 	���������	 i dette
tilfelle 	blir 	middel	verdien 	av forventet last i time 17 og time 18 (formelen kollapser til et enkelt
gjennomsnitt	 av disse to timene	).
Dersom 	forventet 	last i 	avbruddstimen er større enn 	i timen 	før og 	i timen 	etter avbruddstimen, er
dette et «toppunkt». Tilsvarende blir det et «bunnpunkt» dersom verdien for timen før og etter er
høyere enn i avbruddstimen. Dette er beskrevet 	i avsnittet «I timer der gradienten skifter fortegn» i
kap. 4.6.1 i FASIT	-dokumentasjon	. I dette 	tilfelle 	blir 	���������	 lik 	forventet last i 	timen som omfatter
referansetidspunktet (dvs. 	time 18	).
2.1.3	 	���������	 oppsummert
���������	 for en sluttbruker 	er definert som avbrutt effekt for sluttbruker	en	 dersom avbruddet hadde
skjedd på refe	ransetidspu	nktet. For husholdninger er referansetidspunktet 	kl. 17:00 	på en 	hverdag i
januar. 	���������	for en sluttbruker	 vil altså være den samme for alle avbrudd, uansett når avbruddet
faktisk 	skjer, fram til sluttbrukerinformasjonen oppdateres med nye måledata (minst en gang i
kvartalet).
���������	 beregnes i to trinn. I første trinn beregner man 	forventet last	 for sluttbrukeren 	i den aktuelle
timen 	ved å ta 	hensyn til temperaturen i det geogra	fiske området som husholdningen bor i, samt
husholdningens energiforbruk i forrige måleperiode. I andre trinn regner man 	forventet avbrutt
effekt	 på referansetidspunktet 	ved å ta hensyn til om lasten i den aktuelle timen er stigende eller
synkende.
2.2	 	kP,ref	 – normalisert avbruddskostnad
Avbruddskostnad 	������������,���	 gir 	kostnad	en	 per 	avbrudd	, målt i kroner per kW	. Denne satsen er
differensiert mellom ulike kundegrupper (husholdninger, jordbruk, industri, handel og private
tjenester, offentlige tjenester), men	 lik for alle kunder innenfor samme sluttbrukerkategori.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	16

2.2.1	 	Normalisering av avbruddskostnaden
Avbruddskostnad 	������������,���	 er utledet fra betalingsvilligheten til ulike kundegrupper.	15 Til slutt blir
betalingsvilligheten beregnet som funksjon av tiden avbruddet varer (	Tabell 	2.2).
Tabell 	2.1 viser husholdningenes betalingsvillighet for strøm 	på referansetidspunktet 	i janua	r for
strømbrudd	 	av 	ulik varighet.	 	Men for å kunne anvende kostnadsanslagene 	fra
betalingsvillighetsundersøkelsen 	på 	alle forbrukere, store og små, blir 	tallene regnet om fra 	total
betalingsvillighet per avbrudd	 (BV) 	til 	betalingsvillighet per kW	. Denne såkalte normaliseringen skjer
vha. 	standardhusholdningens effektforbruk 	på referansetidspunktet	 (������������������������������	):
������������,���	=	�������
��������������������	 	 	 	 	(5)
������������������������������	 regnes ut på 	samme måte som beskrevet i avsnitt 	2.1	. ������������������������������	 for dag 	d, time
h er:
�������,ℎ=	(��,ℎ��������+	��,ℎ)�
������� 	 	 	 	(6)
Siden 	������������������������������	 er effektforbruket til standardhusholdningen, blir
• 	W/W	N = 1	 per definisjon
• 	For temperatur 	T brukes 	befolknings	veid gjennomsnitt for hele landet	 (-2,7	 °C ble brukt 	for
januar	 i Vista Analyse, 2017	).
Ved å 	sette inn 	verdiene for A og B for hverdag, 	januar 	(høylast) time 17	, 18 og 	19 fra 	vedlegg	 A.1	 i
ligning (	6) får vi	 forvente	t last	 til standardhusholdningen	 i disse timene	:
������ℎ�����������	,17	=	(�ℎ�����������	,17��������+	�ℎ�����������	,17)�
�������=	(−0,06	·(−2,7)+	3,20	)·1=	3,36
������ℎ�����������	,18=	(�ℎ�����������	,18��������+	�ℎ�����������	,18)�
�������=	(−0,06	·(−2,7)+	3,37	)·1=	3,54
������ℎ�����������	,19	=	(�ℎ�����������	,19��������+	�ℎ�����������	,19)�
�������=	(−0,06	·(−2,7)+	3,49	)·1=	3,66
Lasten er altså stigende i disse timene	, og 	man 	må 	benytte framgangsmåten for timer der gradienten
ikke skrifter fortegn (jfr. 	trinn 2 beskrevet i 	avsnitt 	2.1.2	). Forventet avbrutt effekt 	blir middelverdie	n
av forventet last i time 17 og time 18	: ������������������������������	=	3,45	 for husholdninger.
Både betalingsvilligheten per avbrudd og r	esultat	et av normalisering 	(betalingsvillighet	 per kW)	 er
vist i 	Tabell 	2.1. Til slutt blir betalingsvilligheten beregnet som funksjon av tiden avbruddet varer
(Tabell 	2.2).

15 Se Vista Analyse (2017) for undersøkelsen som er grunnlaget for betalingsvillighetsanslag for husholdninger, og hvordan
den blir brukt i KILE	-funksjoner.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	17

Tabell 	2.1 	Betalingsvillighet på referansetidspunktet	, kr/avbrudd og kr/kW
Scenario	 	1 min	 	2 timer	 	6 time	 	24 timer	 	72 timer
Betalingsvillighet
per avbrudd
37	 	138	 	434	 	1032	 	2814
Betalingsvillighet
per kW
11	 	40	 	126	 	299	 	816
Kilde: Vista Analyse (2017), tabell 	4.15 og 	5.4.
Tabell 	2.2 	kP,ref 	 som funksjon av avbruddets varighet	 (t timer), 	kr/kW
(0,1 min)	 	[1 min, 2 t)	 	[2 t, 6 t)	 	[6 t, 24 t)	 	[24 t, 72)	 	[72 t, ∞)
11	 	11+13,7*t	 	38+21,9*(t	-2) 	126+13,0*(t	-6) 	360+13,0*(t	-24)	 	984+13,0*(t	-72)
Kilde: Vista Analyse (2017), tabell 5.5.
2.3	 	Korreksjonsfaktorer	 fm, f	d, f	h
Vi kjenner ikke husholdningenes betalingsvillighet 	for å unngå strømbrudd 	på alle tidspunkt gjennom
hele året.	 Betalingsvillighetsundersøkelsen gir 	likevel 	anslag for 	husholdningenes betalingsvillighet
på 	noen 	tidspunkt: januar og juli, hverdag og helg, kl. 9:00 og kl. 17:00 (se 	Tabell 	2.3 nedenfor).
Variasjonen i betalingsvilligheten på 	disse 	tidspunkt	ene	 brukes til å beregne korreksjonsfaktorene
��,��,�ℎ. Streng	t tatt	 tolke	s altså variasjonen i betalingsvillighetstallene som uttrykk for ulik
betalingsvillighet, og bare det.	 Vi kan ikke utelukke at respondentene har også tenkt på hvor mye
strøm de bruker på ulike tidspunkt, og 	denne 	variasjonen i lasten er «	inne	bakt» i svarene	, men vi har
ingen mulighet til å skille mellom d	isse to 	basert på svarene fra spørreundersøkelsen.
Tabell 	2.3 	Anslag for gjennomsnittlig betalingsvillighet 	på ulike tidspunkt 	(kr)
Scenario	 	1 min	 	2 timer	 	6 timer	 	24 timer	 	72 timer
Tirsdag kl. 17
i januar
37 kr	 	138 kr	 	434 kr	 	1032 kr	 	2814 kr
Tirsdag kl. 09
i januar
 	 	331 kr
Tirsdag kl. 01
i januar
 	 	280 kr
Lørdag kl. 17 i
januar
 	 	506 kr	 	 	2482 kr
Tirsdag kl. 17
i juli
 	 	265 kr	 	 	1863 kr
Tirsdag kl. 17
i januar,
varslet
 	 	210 kr	 	 	1555 kr
Kilde: Vista Analyse (2017), tabell 4.15.
Basert på tallene i 	Tabell 	2.3 beregnes korreksjonsfaktorer. 	Korreksjonsfaktor 	�� justerer 	for måned:
��	=	��������
�������	���	, der 	��	� er betalingsvillighet vedkommende måned, og 	��	���	 refererer til januar.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	18

Korreksjon	sfaktoren for juli blir dermed 	�����	=	�������	����
�������	���	=	265
434	=	0,6. Korreksjonsfaktorer for de andre
månedene blir interpolert.
Tilsvarende 	korrigerer 	�� for dag: 	��=	�������	�
�������	���	, der 	��	� er betalingsvillighet vedkommende dag, og
��	���	 refererer til tirsdag. 	�ℎ korrigerer for time: 	�ℎ=	�������	ℎ
�������	���	, der 	��	ℎ er betalingsvillighet
vedkommende time, og 	��	���	 refererer til kl. 17:00.
Nærmere detaljer om utregning finnes i kap. 5.5 i Vista Analyse (2017). Både d	e nye 	og de n	åværende
korreksjonsfaktorene er gjengitt i vedlegg 	B.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	19

3	 	M	etode A	: 	A	vbruddskostnader
med dagens KILE	-formel (	med
referansetidspunkt)
Beregningen av avbruddskostnader i kapittel 	2 gjelder for hver sluttbruker (husholdning). KILE	-
kostnader for et nettselskap er summen av avbruddskostnadene for alle tilkn	yttede sluttbrukere 	og
alle hendelsene 	i løpet av et år. 	Dette beregnes med godkjent 	programvare 	for hvert år.
Noen ganger kan det 	imidlertid 	være behov for å anslå avbruddskostnader for et større område	, uten
detaljert kjennskap til alle 	forbrukere	 i omr	ådet	. Vi skal her se hvordan avbruddskostnader kan
beregnes for et område med utgangspunkt i dagens KILE	-formel. 	Vi avgrenser analysen til
husholdninger.
Den	 samlede 	avbruddskostnaden 	for et geografisk område 	for tidspunkt 	m,d,h	 blir 	summen av
avbruddskost	nader til 	alle 	berørte 	sluttbrukere i det aktuelle området	: �������,�,ℎ=	∑	�������,�,ℎ,�	�������=1	. Men
som diskusjonen	 i kapittel 	2 har vist	, er ledde	ne	 ������������,���	�����ℎ i ligning (2) lik	e for	 alle husholdninger;
det er bare 	���������	 som varierer	 mellom sluttbrukere	. Vi betegner avbrutt effekt til sluttbruker 	i med
���������	,� . Dermed 	blir de samlede	 kostnadene ved et av	brudd som rammer 	N sluttbrukere:
�������,�,ℎ=	������������,���	�����ℎ∑	���������	,�	�������=1	 	 	 	(7)
Vi bruker 	ligning	 (7)	 til å beregne	 samlede KILE	-kostnader i 	Nord	-Jæren som eksempel	 for metode A	.
Vi har fått oppgitt fra Statnett at den maksimale lasten inn til i området er 700 MW, og husholdninger
står for 41	 % av forbruket i området i gjennomsnitt. 	Vi bruker 700 MW 	× 41 % = 287 MW som	 anslag
for a	vbrutt effekt 	til husholdningene i området	.16
Tabell 	3.1 viser 	resultater av 	regneeksempler 	for 	avbrudd som varer to timer på 	ulike tidspunkt	.
Avbruddskostnad for et avbrudd som varer to timer er 38 kr/kW	 (fra	 Tabell 	2.2). Korreksjonsfaktoren
for time 1	8 er 1,05	 (fra 	vedlegg 	B). Totalkostnad for dette avbruddet i januar er 	287	 MW 	× 38 kr/kW
× 1,05 	= 11,5	 mill. kroner.
Hvis avbruddet skjer på et 	annet tidspunkt, brukes fortsatt avbrutt effekt og avbruddkostnad for
referansetidspunktet. Det skal imidlertid korrigeres for betalingsvilligheten på ulike tidspunkt. F.eks.
hvis avbruddet skjer kl. 17	:00	 på en hverdag 	i juli, justeres kostnaden ned med 	fm = 0,6, slik at
totalkostnaden blir knappe 6	,9 mill. kroner. Tilsvarende justeres kostnaden med 	fh = 0,75 hvis
avbruddet skjer kl. 9 på en hverdag, istedenfor kl. 17. Da blir totalkostnaden 	i området	 knapp	e 8,2
mill. kroner	 i januar og 4,9 mill. kroner i 	juli	. Hvis avbruddet skjer på lørdag eller søndag	, skal
kostnaden justeres opp for husholdninger, med 	fd = 1,15. Samlet kostnad ved et to	-timers avbrudd
blir da 7,9 mill. kroner.

16 Her ser vi bort fra at ved beregningen av 	���������	 tas det hensyn til stigende eller synken	de last.

Alternative måter å regne KILE	-kostnaden 	på

Vista Analyse	 | 2019/26	 	20

Tabell 	3.1 	Eksempel	 med metode A	: kostnader ved avbrudd (som varer 2 timer) på ulike
tidspunkt
 	Januar
hverdag
kl. 17
Juli
hverdag
kl. 17
Januar
hverdag
kl. 9
Juli
hverdag
kl. 9
Juli
helg
kl. 9
Avbrutt effekt (MW) 	 	287	 	287	 	287	 	287	 	287
kP,ref	 for et avbrudd som
varer 2 timer (kr/kW)
38	 	38	 	38	 	38	 	38
Korreksjonsfaktor for
måned (	fm)*
1 	0,6	 	1 	0,6	 	0,6
Korreksjonsfaktor for
time (	fh) *
1,05	 	1,05	 	0,75	 	0,75	 	0,75
Korreksjonsfaktor for
dag (hverdag/	helg	) (fd) *
1 	1 	1 	1 	1,15
Totalkostnad per
avbrudd (kr)
11 451 300	 	6 870 780	 	8 179 500	 	4 907 700	 	7 901 397
* Vi bruker de nye foreslåtte korreksjonsfaktorene her	, se vedlegg B	.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	21

4	 	Metode B: 	Avbruddskostnader
med faktisk 	avbrudds	tidspunkt
og 	-omfang
Metode A, som 	bygger på dagens KILE	-funksjon, beregner avbruddskostnaden med utgangspunkt i
referansetidspunktet: 	���������	 er definert som 	avbrutt effekt 	hos en sluttbruker 	dersom avbruddet
hadde skjedd 	på referansetidspunktet (	som er 	kl. 17:00 på en hverdag i januar).	 Med andre ord:
���������	 er det samme tallet for alle avbrudd, uansett 	når 	avbruddet	 skjer	. I dagens KILE	-formel brukes
korreksjonsfaktorer 	��,��,�ℎ for 	å justere kostnaden fra referansetidspunkt til tidspunktet for
avbruddet (f.eks. kl. 12:00 en hverdag i juli).
I prinsippet kan korreksjonsfaktorene tenkes å korrigere for to ting:
• 	ulik betalingsvillighet på ulike tidspunkt (	fordi 	elektrisiteten verdsette	s mer i januar enn i juli)
• 	ulik avbrutt effekt på ulike tidspunkt (	fordi 	lasten er høyere i januar enn i juli).
Siden 	korreksjonsfaktore	ne	 ��,��,�ℎer beregnet ut fra forskjeller i betalingsvillighet på ulike
tidspunkt	 (se kapittel 	2.3	), kan vi tolke dem som uttrykk for ulik verdsetting (det første kulepunktet
ovenfor	). Det kan ikke utelukkes at de som svarte på spørreundersøkelse 	oppgav	 lavere
betalingsvillighet i	 juli fordi de bruker mindre strøm i juli og er dermed mindre avhengig av strømmen.
Men vi har ingen mulighet til å skille mellom disse to 	– lavere verdsetting og lavere forbruk 	– ut fra
tallene vi har.
Vi 	ser på 	en ny metode 	(metode B) 	som bruker data for 	faktisk avbrudd (MW og tidspunkt) direkte i
beregningen av avbruddskost	nader	. Vi begynner med å 	beregne et nytt sett korreksjonsfaktorer 	som
kan brukes til å skalere avbrutt effekt på et vilkårlig tidspunkt til referansetidspunktet 	(kap	ittel 	4.1	).
I kapittel 	4.2	 beregner vi avbruddskostnader med den nye metod	en og sammenligner med metode
A.
4.1	 	Nye k	orreksjonsfaktorer for 	ulik 	forventet last 	på	 ulike tidspunkt
Variasjonen i betalingsvillighet 	blir 	i dag 	tolket som uttrykk for ulik betalingsvilje for å unngå
strømbrudd på ulike tidspunkt, ikke	 som	 uttrykk for forskjeller i 	last eller 	avbrutt effekt. 	Derfor
trenger 	vi 	noen andre 	korreksjonsfaktorer som kan justere for forskjeller i 	last og 	avbrutt effekt i
ulike perioder.
Som vist i avsnitt 	2.2	 blir 	resultatene fra 	betalingsvillighet	sundersøkelsen	 regnet om fra 	total
betalingsvillighet 	per avbrudd 	(BV) til 	betalingsvillighet per kW	. Denne normaliseringen skjer 	vha.
standardisert effekt på referansetidspunktet: 	������������,���	=	�������
��������������������	, der 	������������������������������	=	3,45	.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	22

Vi kan 	imidlertid 	bruke 	den samme 	ligning 	(6) 	til å beregne	 forventet last (kW) i hver time gjennom
hele uken 	i hver måned	.17 Ved å utnytte variasjonen i 	forventet last	 gjennom året	 kan vi beregne 	nye
korreksjonsfaktorer	 som kan korrigere for ulik 	last på ulike tidspunkt	 (det andre kulepunktet ovenfor)	:
��,�,ℎ=	��������������������������
�����������������������	 �,�,ℎ 	 	 	(8)
Disse korreksjonsfaktorene 	��,�,ℎ, som korrigerer for last på ulike tidspunkt, kommer i tillegg til de
eksisterende	 ��,��,�ℎ, som korrigerer for ulik betalingsvillighet.	18 Utregningen av 	��,�,ℎ blir forklart
nærmere i avsnittene 	4.1.1	 og 	4.1.2	 nedenfor	.
4.1.1	 	Forventet last 	i en vilkårlig time
Vi kan regne ut forventet last for standardhusholdningen vha. 	ligning (6)	 som vist i a	vsnitt 	2.2	.
Parametere 	A og 	B i formelen 	er spesifisert for hver time for hverdag/helg og sommer/vinter	 (se
vedlegg 	A.1	). For 	temperaturvariabelen	 �������� kan vi bruke b	efolkningsveid middeltemperatur 	for hver
måned	 (se	 Tabell 	4.1). Vi forutsetter som før at 	W/W	N = 1	 for standardhusholdningen.
Resultatene for forventet last for alle timene i uken	 for hver måned	, basert på disse forutsetningene,
er vist på 	Figur 	4.1 og 	Figur 	4.2 og 	i vedlegg 	A.2	. Vi ser at nivået på kurvene varierer (pga. ulik
temperatur	 i ulike måneder	), men også formen på kurvene varierer (fordi 	paramete	rne A og B er
forskjellige i 	ulike måneder	).
Tabell 	4.1 	Gjennomsnittlige månedstemperaturer 2012	-2016 (	°C) 	 	Jan	 	Feb	 	Mars	 	Apr 	Mai	 	Juni	 	Juli	 	Aug	 	Sept	 	Okt	 	Nov	 	Des
Landsgjennomsnitt
(befolkningsveid)	 	-2,7	 	-0,6	 	2,0	 	4,7	 	9,9	 	12,8	 	15,6	 	14,8	 	11,9	 	6,6	 	2,7	 	0,2
Landsgjennomsnittet er b	asert på temperatur fra én målestasjon per fylke, vektet gjennomsnitt etter befolkning.
Kilde: Vista Analyse (2017), figur 5.1

17 Egentlig 	i hver time på 	en representativ hverdag og representativ helgedag i hver måned.
18 Vi kunne også bruke 	Pavbruddstidspunktet	 til å regne ut 	kP for alle timene. Det blir ekvivalent til metode B her. Vi synes det er
ryddigere å beregne ny	e korreksjonsfaktorer og beholde 	kPref som den er.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	23

Figur 	4.1 	Lastprofiler for husholdninger	, hverdag i	 ulike måneder, kW

Kilde:	 Vista Analyse 	(egne beregninger)
Figur 	4.2 	Lastprofiler for husholdninger, 	helgeda	g i ulike måneder, kW

Kilde: Vista Analyse 	(egne beregninger) 	 0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
4,0
1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24
kW
Time
januar
februar
mars
april
mai
juni
juli
august
september
oktober
november
desember

Alternati	ve måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	24

4.1.2	 	Utregning av 	korreksjons	faktorer 	��,�,ℎ
Ved å utnytte variasjonen i forventet last 	på ulike tidspunkt 	kan vi beregne 	nye korreksjonsfaktorer
som kan korrigere for ulik avbrutt effekt	:
��,�,ℎ=	��������������������������
�������,�,ℎ	 	 	 	 	(9)
For eksempel blir korreksjonsfaktoren for kl. 17:00 	(som er time 18) 	på en tirsdag i juli	 (se vedlegg
A.2	):
�����	,ℎ�����������	,18	=	��������������������	������
�����������������������	 =	 ������������	,ℎ������	,18
 ����������	,ℎ������	,18	=	3,54
1,56	=2,27
Ved hjelp av 	��,�,ℎ kan man 	skalere avbrutt effekt opp eller ned fra avbrutt effekt på tidspunkt 	m,d,h
til avbrutt effekt p	å referansetidspunktet.	19 Dette fordi avbruddskostnaden per 	kW refererer til
januar (nevneren i 	������������,���	 er for januar).
Tabell 	4.2 og 	Tabell 	4.3 viser de nye korreksjonsfaktorene 	for hhv. hverdager og helger	/helligdager.
Vi har valg	t å lage en matrise 	for 	korreksjonsfaktorer 	som komb	inerer måned og time 	(istedenfor en
vektor for måned og en vektor for	 time	), fordi det blir mer presist. 	Fra 	Tabell 	4.2 kan vi f.eks. se at
effektforbruket 	kl. 17	:00	 på 	en 	hverdag 	i januar 	(referansetidspunktet) 	er 	1,2	6 ganger høyere enn
effektforbruket i kl. 17	:00	 på en hverdag i april, og hele 	2,2	7 ganger 	hø	yere e	nn 	effektforbruket 	kl.
17	:00	 på en hverdag 	i juli. 	Disse 	talle	ne	 kan brukes 	til å beregne 	kostn	aden 	av et hypotetisk avbrudd
på et bestemt tidspunkt	.

19 Merk at vi ser her bort fra om lasten er stigende eller synkende på avbruddstidspunktet.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	25

Tabell 	4.2 	Korreksjon	sfaktorer for ulik last på hverdager (januar, hverdag kl. 17	:00	 = 1)
Time	 	1 	2 	3 	4 	5 	6 	7 	8 	9 	10	 	11	 	12	 	13	 	14	 	15	 	16	 	17	 	18	 	19	 	20	 	21	 	22	 	23	 	24
Januar	 	1,32	 1,36	 1,37	 1,37	 1,35	 1,29	 1,17	 1,09	 1,11	 1,14	 1,16	 1,18	 1,23	 1,25	 1,24	 1,15	 1,05	 1,00	 0,97	 0,96	 0,98	 1,00	 1,06	 1,20
Februar	 	1,38	 1,43	 1,44	 1,45	 1,42	 1,36	 1,23	 1,15	 1,17	 1,20	 1,21	 1,24	 1,29	 1,31	 1,30	 1,20	 1,09	 1,04	 1,00	 0,99	 1,01	 1,03	 1,10	 1,25
Mars	 	1,68	 1,77	 1,80	 1,81	 1,81	 1,76	 1,59	 1,42	 1,40	 1,41	 1,44	 1,48	 1,54	 1,55	 1,52	 1,39	 1,29	 1,23	 1,21	 1,20	 1,20	 1,21	 1,28	 1,45
April	 	1,72	 1,82	 1,85	 1,86	 1,86	 1,81	 1,63	 1,46	 1,43	 1,44	 1,47	 1,52	 1,58	 1,59	 1,56	 1,42	 1,32	 1,26	 1,24	 1,22	 1,22	 1,24	 1,30	 1,49
Mai	 	2,17	 2,35	 2,42	 2,45	 2,47	 2,40	 2,10	 1,86	 1,81	 1,83	 1,87	 1,95	 2,04	 2,07	 2,04	 1,83	 1,68	 1,60	 1,57	 1,55	 1,53	 1,52	 1,60	 1,84
Juni	 	2,54	 2,81	 2,92	 2,96	 3,01	 2,93	 2,51	 2,20	 2,13	 2,14	 2,21	 2,32	 2,44	 2,48	 2,47	 2,19	 1,97	 1,88	 1,85	 1,82	 1,77	 1,75	 1,83	 2,13
Juli	 	3,05	 3,47	 3,64	 3,72	 3,83	 3,73	 3,09	 2,67	 2,56	 2,58	 2,67	 2,84	 3,01	 3,07	 3,09	 2,69	 2,38	 2,27	 2,23	 2,18	 2,10	 2,04	 2,13	 2,50
August	 	2,89	 3,25	 3,40	 3,47	 3,55	 3,46	 2,90	 2,52	 2,42	 2,43	 2,52	 2,67	 2,82	 2,87	 2,88	 2,52	 2,24	 2,14	 2,11	 2,06	 1,99	 1,95	 2,03	 2,38
September	 2,42	 2,65	 2,74	 2,78	 2,82	 2,74	 2,37	 2,08	 2,02	 2,03	 2,09	 2,19	 2,30	 2,33	 2,32	 2,06	 1,87	 1,79	 1,75	 1,72	 1,69	 1,67	 1,75	 2,03
Oktober	 	1,86	 1,98	 2,02	 2,04	 2,04	 1,99	 1,77	 1,58	 1,55	 1,56	 1,60	 1,65	 1,73	 1,74	 1,71	 1,55	 1,43	 1,37	 1,34	 1,33	 1,32	 1,33	 1,40	 1,60
November	 1,59	 1,67	 1,70	 1,71	 1,70	 1,65	 1,50	 1,35	 1,32	 1,34	 1,36	 1,40	 1,46	 1,46	 1,43	 1,31	 1,22	 1,17	 1,14	 1,13	 1,14	 1,15	 1,22	 1,38
Desember	 	1,40	 1,46	 1,47	 1,47	 1,45	 1,39	 1,25	 1,17	 1,19	 1,22	 1,23	 1,26	 1,31	 1,33	 1,32	 1,22	 1,11	 1,05	 1,02	 1,00	 1,02	 1,04	 1,11	 1,27
Kl. 17.00 er i starten på time 18.
Kilde: egne beregninger.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	26

Tabell 	4.3 	Korreksjon	sfaktorer for ulik last på helgedager (januar, hverdag kl. 17	:00	 = 1)
Time	 	1 	2 	3 	4 	5 	6 	7 	8 	9 	10	 	11	 	12	 	13	 	14	 	15	 	16	 	17	 	18	 	19	 	20	 	21	 	22	 	23	 	24
Januar	 	1,27	 1,35	 1,38	 1,39	 1,37	 1,36	 1,33	 1,28	 1,19	 1,09	 1,05	 1,06	 1,08	 1,10	 1,09	 1,05	 1,03	 1,01	 0,98	 0,96	 0,97	 1,01	 1,05	 1,18
Februar	 	1,32	 1,41	 1,44	 1,45	 1,44	 1,42	 1,39	 1,34	 1,24	 1,13	 1,09	 1,10	 1,12	 1,13	 1,13	 1,08	 1,07	 1,04	 1,01	 0,99	 1,00	 1,05	 1,10	 1,23
Mars	 	1,59	 1,74	 1,79	 1,81	 1,81	 1,79	 1,76	 1,69	 1,54	 1,39	 1,31	 1,30	 1,35	 1,36	 1,32	 1,29	 1,26	 1,24	 1,21	 1,20	 1,20	 1,22	 1,29	 1,44
April	 	1,63	 1,78	 1,83	 1,85	 1,86	 1,84	 1,81	 1,73	 1,57	 1,42	 1,34	 1,33	 1,38	 1,40	 1,35	 1,32	 1,29	 1,27	 1,24	 1,23	 1,23	 1,25	 1,31	 1,47
Mai	 	2,06	 2,29	 2,38	 2,42	 2,45	 2,45	 2,39	 2,25	 2,00	 1,77	 1,69	 1,69	 1,75	 1,77	 1,73	 1,69	 1,66	 1,63	 1,59	 1,56	 1,53	 1,53	 1,61	 1,82
Juni	 	2,42	 2,72	 2,84	 2,92	 2,97	 3,00	 2,91	 2,71	 2,36	 2,06	 1,97	 1,98	 2,06	 2,07	 2,04	 2,00	 1,97	 1,94	 1,89	 1,83	 1,77	 1,76	 1,84	 2,10
Juli	 	2,91	 3,33	 3,51	 3,64	 3,73	 3,82	 3,68	 3,37	 2,86	 2,44	 2,35	 2,37	 2,48	 2,49	 2,47	 2,43	 2,41	 2,37	 2,31	 2,20	 2,10	 2,04	 2,14	 2,46
August	 	2,75	 3,12	 3,29	 3,40	 3,47	 3,54	 3,42	 3,15	 2,69	 2,32	 2,22	 2,24	 2,34	 2,36	 2,33	 2,29	 2,27	 2,23	 2,17	 2,08	 1,99	 1,95	 2,05	 2,34
September	 2,30	 2,57	 2,68	 2,74	 2,78	 2,80	 2,73	 2,55	 2,24	 1,96	 1,87	 1,88	 1,95	 1,97	 1,93	 1,89	 1,86	 1,83	 1,79	 1,73	 1,69	 1,68	 1,76	 2,00
Oktober	 	1,77	 1,94	 2,00	 2,03	 2,04	 2,03	 1,99	 1,89	 1,71	 1,53	 1,45	 1,45	 1,50	 1,51	 1,47	 1,43	 1,41	 1,38	 1,35	 1,33	 1,32	 1,34	 1,41	 1,58
November	 1,51	 1,64	 1,69	 1,70	 1,71	 1,69	 1,66	 1,59	 1,46	 1,32	 1,25	 1,24	 1,28	 1,29	 1,25	 1,22	 1,19	 1,17	 1,15	 1,14	 1,14	 1,17	 1,23	 1,37
Desember	 	1,34	 1,44	 1,47	 1,48	 1,47	 1,45	 1,41	 1,36	 1,26	 1,15	 1,10	 1,11	 1,13	 1,15	 1,14	 1,10	 1,08	 1,06	 1,02	 1,00	 1,01	 1,06	 1,11	 1,26
Kl. 17.00 er i starten på time 18.
Kilde: egne beregninger.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	27

4.2	 	Eksempel med metode B
I dag må man bruke referansetidspunktet i januar til å beregne kostnaden ved avbruddet (metode
A). Hvis man heller ønsker å bruke (faktisk eller antatt) avbrutt effekt på avbruddstidspunktet i
beregningen, må den skaleres opp eller ned vha. de nye korreksj	onsfaktorene 	��,�,ℎ. Da får man
avbrutt effekt (MW) dersom avbruddet hadde skjedd på referansetidspunktet, og kan fortsatt bruke
avbruddskostnaden 	������������,���	, som refererer til januar.	 De eksisterende korreksjonsfaktorene
(��,��,�ℎ), som 	korrigerer for ulik betalingsvillighet, kommer i tillegg.
Kostnaden ved et avbrudd med metode B blir dermed:
�������,�,ℎ=	������������,���	�����ℎ��,�,ℎ∑	�������,�,ℎ,�	�������=1	 	 	(10	)
der 	�������,�,ℎ,� er avbrutt effekt 	til sluttbruk	er 	i på tidspunkt	 m,d,h	.
Tabell 	4.4 viser noen regneeksempler	 med denne metoden	. De første kolonnene 	viser beregningen
med metode A, og 	er de samme som vist i 	Tabell 	3.1. Eksempelvis: h	vis man 	antar 	at 	det skjer et
avbrudd	 som varer i to timer 	i juli kl. 17	:00	, skale	res 	antatt avbrutt effekt opp	 med en
korreksjonsfaktor	 �����	,ℎ�����������	,18 = 2,27	 (fra 	Tabell 	4.2), til avbrutt effekt i januar.	 Hvis avbrutt effekt
i juli 	er 126 MW, blir dette skalert opp til 126 MW 	× 2,27 = 287 MW 	på referansetidspunktet. 	De
andre korreksjonsfaktorene 	(��,��,�ℎ) tar hensyn til forskjellen mellom 	betalingsvillighet 	i juli og
januar. 	Da blir den samlede kos	tnaden ved avbruddet 	126 	MW 	× 38 kr/kW 	× 1,05	 × 2,27	 = 6,9 mill.
kroner, 	det samme som ved beregning 	med metode A 	via referansetidspunktet	. Tilsvarende, h	vis
avbruddet skjer i januar kl. 9	:00	 og 	man anslår at 	avbrutt effekt 	da 	er 	251 	MW, 	vil
korreksjonsfaktor	en 	1,1	4 (fra 	Tabell 	4.2) skalere avbrutt effekt 	opp fra kl. 9 til kl. 17 (	til
referansetidspunktet	). Kostnaden blir 251 	MW 	× 38 kr/kW 	× 0,75 	× 1,14	 = 8,2 mill. kroner. 	Hvis
avbruddet skjer kl. 9	:00	 på en hverdag i juli, skal det skaleres opp med en faktor på 2,5	8 (fra 	Tabell
4.2).
Kostnadene ved avbrudd av 	ulik varighet beregnes på samme måte. Siden a	vbruddskostnaden 	������������,���
er en funksjon av avbruddets varighet (se 	Tabell 	2.2), vil verdien av 	������������,���	 vil være noe anne	t enn 38
kr/kW	, men fremgangsmåten vil være den samme.
Resultatene 	for metode A og metode B 	i Tabell 	4.4 samsvarer 	perfekt	. D	et 	er 	fordi vi 	i dette 	stiliserte
eksempelet 	har antatt perfekt informasjon og 	perfekt 	samsvar mellom avbrutt effekt på ulike
tidspunkt.
Tabell 	4.5 viser et annet eksempel der vi har tatt utgangspunkt i 	historiske lastmålinger i Stavanger.
Vi har tilgang til lastmålinger for hver time i 2013.	 Vi anslår avbrutt effekt i en gitt time som
gjennomsnittet av disse timene i en måned (f.eks. anslag for avbrutt effekt på hverdag kl. 17:00 i
januar er gjennomsnit	tet av lasten kl. 17:00 i 23 hverdager i januar, og tilsvarende for andre
tidspunkt). 	Ellers bruker vi samme fremgangsmåte som beskrevet ovenfor. Resultatene viser at mens
totalkostnadene samsvarer ganske godt mellom metode A og B for juli kl. 17:00 (avvik	et mellom
metode A og B er mindre enn 1%), er det større avvik for andre tidspunkt: metode B gir 19 % høyere
kostnader for januar kl. 9:00 og 24 % høyere kostnader for juli kl. 9:00	 enn metode A	.
Disse eksemplene er ment som en illustrasjon av metoden og 	viser hvor viktig det er med gode data.
Det kan være ulike grunner til avvikene. For det første har vi brukt tall fra bare ett år 	– men 	vi vet

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	28

ikke om 	både januar og juli i 2013 	var 	representative	. For det andre har vi antatt at husholdningene
står for 41 	% av lasten i området 	– dette sjablongmessige tallet gjelder for årlig energiforbruk i det
aktuelle området, men ikke nødvendigvis 	for 	hver 	time gjennom 	året. 	Heller ikke
korreksjonsfaktorene 	��,�,ℎ, som er beregnet på bakgrunn av nasjonale data, er nød	vendigvis riktige
for Stavanger	-området.
Tabell 	4.4 	Eksempel	 med metode B	: kostnader ved avbrudd på ulike tid	spunkt 	med teoretiske
tall for avbrutt effekt 	(avbruddsvarighet 2 timer)
 	Refe	-
ranse	 	Metode A	 	Metode B
 	Januar
kl. 17
Juli
kl. 17
Januar
kl. 9
Juli
kl. 9
Juli
kl. 17
Januar
kl. 9
Juli
kl. 9
Avbrutt effekt (MW) 	 	287	 	287	 	287	 	287	 	126	 	251	 	111
kP,ref	 for et avbrudd
som vare 2 timer
(kr/kW), som i dag
38	 	38	 	38	 	38	 	38	 	38	 	38
Gamle korreksjonsfaktorer	 fm, fd, fh:
Korreksjonsfaktor for
ulik BV i hver måned
(fm), som i dag
1 	0,6	 	1 	0,6	 	0,6	 	1 	0,6
Korreksjonsfaktor for
ulik BV i hver time
(fh), som i 	dag
1,05	 	1,05	 	0,75	 	0,75	 	1,05	 	0,75	 	0,75
Nye 	korreksjonsfaktorer	 gm,d,h	:
Korreksjonsfaktor for
ulik last i hver måned
(juli kl. 17 vs. jan. kl.
17), ny
 	 	 	 	2,27	 	1 	1
Korreksjonsfaktor for
ulik last i hver time
(kl. 17 vs. kl. 9), ny
 	 	 	 	1 	1,1	4 	1
Korreksjonsfaktor for
ulik last i måned og
klokkeslett (juli kl. 9
vs. jan. kl. 17), ny
 	 	 	 	1 	1 	2,5	8
Totalkostnad per
avbrudd (kr)
11 451 300	 	6 870 780	 	8 179 500	 	4 907 700	 	6 870 780	 	8 179 500	 	4 907 700

Alternative måter å regne KILE	-ko	stnaden på

Vista Analyse	 | 2019/26	 	29

Tabell 	4.5 	Eksempel	 med metode B	: kostnader ved avbrudd på ulike tid	spunkt 	med
utgangspunkt 	i historisk last i Stavanger 	(avbruddsvarighet 2 timer)
 	Refe	-
ranse	 	Metode A	 	Metode B
 	Januar
kl. 17
Juli
kl. 17
Januar
kl. 9
Juli
kl. 9
Juli
kl. 17
Januar
kl. 9
Juli
kl. 9
Avbrutt effekt (MW) 	 	234	 	234	 	234	 	234	 	104	 	243	 	113
kP,ref	 for et avbrudd
som vare 2 timer
(kr/kW), som i dag
38	 	38	 	38	 	38	 	38	 	38	 	38
Gamle korreksjonsfaktorer	 fm, fd, fh:
Korreksjonsfaktor for
ulik BV i hver 	måned
(fm), som i dag
1 	0,6	 	1 	0,6	 	0,6	 	1 	0,6
Korreksjonsfaktor for
ulik BV i hver time
(fh), som i dag
1,05	 	1,05	 	0,75	 	0,75	 	1,05	 	0,75	 	0,75
Nye 	korreksjonsfaktorer	 gm,d,h	:
Korreksjonsfaktor for
ulik last i hver måned
(juli kl. 17 vs. jan. kl.
17), ny
 	 	 	 	2,27	 	1 	1
Korreksjonsfaktor for
ulik last i hver time
(kl. 17 vs. kl. 9), ny
 	 	 	 	1 	1,1	4 	1
Korreksjonsfaktor for
ulik last i måned og
klokkeslett (juli kl. 9
vs. jan. 	kl. 17), ny
 	 	 	 	1 	1 	2,5	8
Totalkostnad per
avbrudd (kr)
9 336 600 	 	5 601 960 	 	6 669 000 	 	4 001 400 	 	5 656 401 	 	7 919 416 	 	4 978 904
Hvorvidt metode A eller B er best i en konkret analyse avhenger av hvilket tidspunkt det 	er 	best
informasjon om (referansetidspunktet eller faktisk avbruddstidspunkt). H	vis man mener at man har
bedre anslag for avbruddsomfanget på et annet tidspunkt enn re	feransetidspunktet, kan man bruke
metode B. 	Videre avhenger treffsikkerheten av metode B av hvor godt de beregnede
korreksjonsfaktorene, som 	her 	er basert på nasjonale profiler, stemmer med det aktuelle området.
Hvis det er store avvik, burde man beregne k	orreksjonsfaktorer som tar hensyn til lokale lastprofiler
og temperaturer. Regionale tilpasninger blir nærmere omtalt i kapittel 	6. Så lenge 	metode A, med
utgangspunkt 	i ���������	 og referansetidspunktet	, er «fasiten», skal det være gode grunner til å avvike fra
det	.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	30

5	 	Metode C: 	Avbruddskostnader
med 	utgangspunkt i
betalingsvillighet 	direkte
Både dagens beregningsmetode for avbruddskostnader (kapittel	 3) og alternativ beregningsmetode
B, som tar utgangpunkt i faktisk tidspunkt 	og 	omfang 	for avbruddet (kapittel 	4), går veien om
husholdningens effektforbruk	 og avbruddskostnader per kW	.
En annen tolkning av betalingsvillighetsundersøkelsen er at anslagene angir 	verdien av å unngå ett
strømbrudd 	av en viss varighet 	på et bestemt	 tidspunkt	 – uavhengig 	av hvor mye effekt
husholdningen mister. 	Denne tolkningen støttes 	delvis 	av 	betalingsvillighets	undersøkelsen: 	det er
ingen tydelig sammenheng mellom oppgitt betalingsvillighet og boligtype	 eller 	boligareal	 (se avsnitt
4.5.1 i 	Vista Analyse, 2017)	. Videre er høyere inntekt 	(og derigjennom høyere forbruk) 	assosiert med
høyere betalingsvillighet (som forventet), men denne sammenhengen er kun statistisk signifikant for
de lengste avbruddene (over 24 timer og over 72 timer).
Ved å 	ta utgangpunkt i denne tolkningen kan vi lage en ny metode som tar 	utgangspunkt i
betalingsvillighet	 (BV)	 direkte. Istedenfor å gå veien om forventet last og avbrutt effekt 	(målt i kW)
og kostnaden per kW (kr/kW), kan vi anta at betalingsvillighetsundersøk	elsen gir oss husholdningens
samlede kostnad ved avbrudd direkte	. Kostnaden ved et avbrudd på tidspunkt 	m,d,h	 for 	husholdning
i vil da være:
�������,�,ℎ,�=	��	∙�����ℎ 	 	 	(11	)
 Siden betaling	svilligheten refererer til januar, må vi fortsatt gange med korreksjonsfaktorene
��,��,�ℎ for å beregne kostnadene på andre tidspunkt	.
BV angir den gjennomsnittlige betalingsvilligh	eten for husholdningskunder, og er altså den samme
for alle husholdninger. 	For å beregne den totale kostnaden ved et avbrudd i et 	geografisk 	område,
kan vi bare telle antallet husholdninger 	(N) i området og gange 	det 	med 	betalingsvillighet	 per
husholdning	 (BV)	:
�������,�,ℎ=	������	∙�������,�,ℎ,�=	������	∙��	������∙��,��,�ℎ. 	 	 	(12	)
Vi gjennomfører et eksperiment	 for å teste hvordan resultatene ved denne metoden samsvarer med
de andre metodene	.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	31

5.1	 	Eksempel med 	metode C: 	Eksperiment med GIS	-data i Nord	-Jæren
Vi har 	brukt 	datasettet «	Demografi100m uttrekk» 	fra Geodata	20 til 	å identifiser	e husholdninger i
Stavanger	-området	 vha. GIS	-data	. Vi har identifisert to utvalg av husholdninger:
• 	Utvalg 1 er område	t nord for Stokkeland/Fagrafjell transformatorstasjon
• 	Utvalg 2 er område	t nord for Bærheim transformatorstasjon
Figur 	5.1 viser utvalgene på kartet. 	I begge tilfeller har vi tatt et snitt av kartet i øst	-vest	-retningen
ved hhv. Stokkeland og Bærheim stasjoner. Øyene nord for Stavanger er også med.
Figur 	5.1 	Kart over 	utvalg 1 	(nord for Stokkeland) 	og 	utvalg 2	 (nord for Bærheim)

I begge utvalgene er det flere boliger enn husholdninger	 (Tabell 	5.1). I området nord for Stokkeland
er det omtrent 83	 000 husholdninger, mens i område nord for Bærheim er det 6	5 700 husholdninger.
Siden det i gjennomsnitt bor 2,17 personer i en husholdning i Stavanger, blir det hhv. 180	 000 og
142	 600 innbyggere	 i de to utvalgene.	21
Tabell 	5.1 	Antall boliger, husholdninger og personer i utvalgene
Boliger	 	Husholdninger	 	Personer
Utvalg 1	 	89 429	 	82 952	 	180	 006
Utvalg 2	 	70 831	 	65 701	 	142	 571

20 Tjenesten inneholder et omfattende grid med demografiske data innen temaene inntekt, formue, folketall, alder,	 kjønn,
eiendomspriser, boligtyper, familiesammensetning, sivilstand, eie	- og leieform, ansettelse, sysselsetting og pendling,
utdanningsnivå og 	-område, m.m. Tjenesten er basert på demografisk statistikk fra Statistisk Sentralbyrå, på bygnings	-
og eiendom	sinformasjon fra Matrikkelen, på bildata fra Motorvognregisteret, og på inntekts	- og formuesdata fra
Skattedirektoratet (levert av IPER).
21 Statistikkbanken tabell 09747, 	https://www.ssb.no/statbank/t	able/09747

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	32

5.1.1	 	Resultater
Vi bruker 	antallet husholdninger	 i utvalg 1 	og 	ligning (1	2) til å beregne kostnader ved et strømbrudd
som varer 2 timer.
Tabell 	5.2 viser 	resultatene. K	ostnadene ved	 et 	strømbrudd på en hverdag i januar kl. 17	:00	 blir
beregnet til drøye 12 mill. kroner	 (138 kr 	× 82	 95	2 husholdninger 	× 1,05	 korreksjon for kl. 17	:00	). For
å beregne kostnadene for avbrudd på 	andre tidspunkt må fortsatt korreksjonsfaktorene 	(��,��,�ℎ)
brukes. 	Kostnadene ved et 2	-timers avbrudd i juli blir 7,2 mill. kroner (60	 % av kostnadene i januar).
Kostnadene ved et avbrudd kl. 9	:00	 om morgenen blir drøye 8,5 mill. kroner januar (71	 % av
referansetidspunktet) og 5,2 mill. kroner i juli (43	 % av referansetidspunktet).
Tabell 	5.2 	Eksempel med metode C: kostnader ved et avbrudd som varer 2 timer
 	Metode C
 	Januar kl. 17	 	Juli kl. 17 	 	Januar kl. 9	 	Juli kl. 9
BV (kr per avbrudd)	 	138	 	138	 	138	 	138
Husholdninger (antall) 	 	82	 95	2 	82	 95	2 	82	 95	2 	82	 95	2
Korreksjonsfaktor for ulik BV i
hver måned (	fm), som i dag
1 	0,6	 	1 	0,6
Korreksjonsfaktor for ulik BV i
hver time (	fh), som i 	dag
1,05	 	1,05	 	0,75	 	0,75
Totalkostnad per avbrudd (kr)	 	12 019 	745	 	7 211 	847	 	8 585 	532	 	5 151 3	19
Kostnadene med metode C 	(Tabell 	5.2) er 	litt høyere enn det vi 	fant med metode A	 (Tabell 	3.1).
Forholdstallene 	for avbrudd	 på ulike tidspunkt er 	imidlertid 	de samme for metode A og metode C	.
Det er 	fordi korreksjonsfaktorene som brukes for å justere betalingsvilligheten fra
referansetidspunktet til 	avbrudds	tidspunktet er de samme. Det betyr at hvis man kjenner til
kostnadene 	på ett tidspunkt kan man bruke korreksjonsfaktorene til å regne ut kostnaden på et
annet tidspunkt.
Hvorvidt metode A eller metode C er best i et konkret	 tilfelle avhenger av datagrunnlaget (på samme
måte som 	for	 metode B). Det er et spørsmål om hvilket tall er riktigst eller hvilket tall kjenner man
best	: er 	287 MW (	41 % av 700 MW	) riktigere anslag enn 82	 95	2 husholdninger	 som blir rammet	? En
kritisk vurde	ring av datagrunnlaget er viktig.
Et annet viktig moment er hvorvidt husholdningene i området er gjennomsnittlige når det gjelder
strømforbruk og betalingsvillighet for strøm. 	Anslag for husholdningenes betalingsvillighet er basert
på en landsdekkende und	ersøkelse og gjelder for gjennomsnittshusholdningen. Når man studerer et
konkret geografisk område kan man også vurdere hvorvidt husholdningene der er
«gjennomsnittlige»: består området av blokker eller eneboliger? 	Hvis husholdningene i området ikke
er gje	nnomsnittlige (f.eks. kun villabebyggelse eller kun blokker), 	vil kostnadsanslaget underestimere
eller overestimere kostnadene. 	Dette blir nærmere diskutert i kapittel 	6.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	33

6	 	Mulige forenklinger og
t	ilpasning	er	 av parametere til 	et
konkret geografisk område
Beregningene 	og sammenligningen av de ulike metodene i kapittel 	3–5 bygger på nasjonale
lastprofiler og temperaturer	 samt	 gjennomsnittshusholdningens betalingsvillighet for strøm	. Både
������������������������������	 (som brukes til å normalisere	 ������������,���	) og de nye korreksjonsfaktorene 	��,�,ℎ er
beregnet på grunnlag av nasjonale tall. 	I en analyse av avbruddskostnader i et konkret område kan
man også ta hensyn til lokale forhold.
Ve	d å sette inn 	for 	������������,���	 fra 	ligning (	5) i ligning (2)	, får vi 	følgende:
�������,�,ℎ,�=	���������	,� ������������,���	�����ℎ=	���������	,�	�������
��������������������	�����ℎ=	�������∙��	∙�����ℎ 	(13	)
der
�������=	���������	,�
��������������������	 	 	 	 	 	(14	)
Både 	���������	,� og 	������������������������������	 handler om husholdningers effektforbruk og beregnes etter samme
formel	 (jfr. 	ligning (3)	 og ligning (6)	 i kapittel	 2). Begge gjelder for referansetidspunktet.
���������������	���������������	 er 	beregne	t last	 for standardhusholdningen	, mens 	���������	,� er 	forventet 	last 	for hver
enkelt	husholdning	. ���������	 varierer 	mellom sluttbrukere, 	avhengig av temperatur og 	sluttbrukerens
energiforbruk	. Om (og hvor mye) 	���������	,� avviker fra 	������������������������������	 (eller alternativt: 	om 	�������≶	1)
avhenger av:	 22
• 	Om 	temperaturvariabelen 	�������� er høyere eller lavere enn landsgjennomsnittet, 	som igjen
avhenger av 	den geografiske beliggenheten til kunden som opplever 	avbruddet.
• 	Om 	W	i/W	N,i er større eller mindre enn 1, dvs. om energiforbruket til kunden er større eller
mindre enn standardhusholdningens.
Lokale temperaturer
��������, som brukes i 	������������������������	������	, er befolkningsveid gjennomsnittstemperatur for hele landet. 	Om
�������� for en konkret husholdning 	er høyere eller lavere enn landsgjennomsnittet	, avhenger av hvor
husholdninge	n som opplever 	avbruddet	 bor	. For eksempel var 	døgnmiddeltemperaturen 	i januar i
2012	-2016 2,02 	°C i Stavanger, men 	-3,14 	°C i Oslo og 	-8,62 	°C i Alta	 (se Tabell 	6.1).23 ���������	 blir med
disse temperaturene hhv. 3,16 	kW, 3,47 kW og 3,8 kW	. Med andre ord: 	∝<	1 for Stavanger, 	∝≈	1
for Oslo og 	∝>	1 for Alta.

22 Her ser vi bort fra at ved beregningen av 	���������	 tas det hensyn til stigende eller synkende last.
23 Basert på data for middeltemperaturer for utvalgte målestasjoner i årene 2012	-2016: Oslo	 – Blindern, Stavanger 	– Våland
og Alta Lufthavn.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	34

Tabell 	6.1 	Gjennomsnittlige månedstemperaturer 2012	-2016 (	°C) 	 	Jan	 	Feb	 	Mars	 	Apr 	Mai	 	Juni	 	Juli	 	Aug	 	Sept	 	Okt	 	Nov	 	Des
Lands	-
gjennomsnitt	* 	-2,7	 	-0,6	 	2,0	 	4,7	 	9,9	 	12,8	 	15,6	 	14,8	 	11,9	 	6,6	 	2,7	 	0,2
Alta	 	-8,6	 	-5,1	 	-2,5	 	0,9	 	6,8	 	10,3	 	13,8	 	12,5	 	9,2	 	2,7	 	-2,3	 	-4,5
Oslo 	 	-3,1	 	-0,8	 	2,9	 	6,0	 	11,7	 	15,1	 	17,8	 	16,0	 	12,7	 	7,0	 	2,7	 	-0,5
Stavanger	 	2,0	 	2,5	 	4,3	 	6,3	 	10,4	 	12,7	 	15,4	 	15,3	 	13,3	 	9,3	 	6,3	 	4,5
* Landsgjennomsnittet er b	asert på temperatur fra én målestasjon per fylke, vektet gjennomsnitt etter befolkning.
Kilde: Vista Analyse (2017), figur 5.1
I spesialtilfellet der temperaturvariabelen 	�������� er lik i 	���������	 og 	������������������������������	 (sluttbrukeren bor på
et sted der temperaturen er lik landsgjennomsnittet), blir 	�������=	��
�������,�. Da blir	 avbruddskostnaden lik
det generelle leddet for betalingsvillighet for husholdninger, justert opp eller ned avhengig av o	m
sluttbrukeren har høyere eller lavere forbruk enn standardhushold	ningen.
Sammensetningen av boliger i bydelen/området
En viktig tilpasning kan være å ta hensyn til sammensetningen av boliger i området man studerer.
Leddet 	W	i/W	N,i, som inngår 	i ���������	, gjenspeiler den relative størrelsen til husholdningen: 	om
energiforbruket til 	sluttbrukeren 	er større eller mindre enn standardhusholdningens.
• 	For det første avhenger det av størrelsen og typen til husholdningen. Her kan vi anta at
sluttbrukere i eneboliger har høyere energiforbruk enn gjennomsnittshusholdningen, mens
sluttbrukere i leiligheter har lavere energiforbruk enn gjennomsnittshusholdningen. 	Hvis et
område består av blokker, vil 	W	i/W	N,i < 1. Motsatt, i en bydel med eneboliger	 vil 	W	i/W	N,i > 1.
• 	For det andre kan det påvirkes av «været i fjor». 	���������	 oppdateres minst en gang i kvartalet med
nye måledata for energiforbruk og temperatur. Været i forrige måleperiode kan endre
forholdstallet 	W	i/W	N,i fra år til år: en ekstra kald 	vinter kan øke energiforbruket til den aktuelle
sluttbrukeren mer eller mindre enn standardhusholdningens energiforbruk (	W	N,i ).
������������������������������	 på sin side vil være uendret til neste revidering av KILE	-satsene.
For 	���������������������������	���	 er 	W	i/W	N,i,=1 per definisjon.
6.1	 	Tilpasning av m	etode B
Temperaturer er også viktige for beregning av korreksjonsfaktorer 	��,�,ℎ	 i metode B.
Korreksjonsfaktorene i 	Tabell 	4.2 og 	Tabell 	4.3 er beregnet fra nasjonale lastprofiler, med nasjonale
gjennomsnittstemp	eraturer. Hvis man studerer et konkret geografisk område, kan man bruke
temperaturserier fra det området til å beregne korreksjonsfaktorer. For eksempel kan man beregne
forventet last for standardhusholdningen i Stavanger på samme måte som nasjonalt	 (se ka	pittel 	4.1	),
men bruke temperaturserien for Stavanger istedenfor landsgjennomsnittet. 	Resultatene er vist på
Figur 	6.1. Siden t	emperaturen i Stavanger er høyere enn landsgjennomsnittet	, særlig i vinterhalvåret,
blir 	avviket mellom 	forventet last 	nasjonalt og i Stavanger størst i vintermånedene	.

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	35

Figur 	6.1 	Beregnede lastprofiler	: landsgjennomsnitt 	(hel linje) og Stavanger (stiplet linje)

Sammensetningen av boliger i området, 	som ble diskutert ovenfor	, er også viktig for metode B.
6.2	 	Tilpasning av m	etode C
Metode C tar utgangspunkt i den gjennomsnittlige husholdningens betalingsvillighet, uten å veie den
med størrelsen på forbruket. 	Hvis husholdninger i det relevante området avviker fra
standardhusholdningen, vil metode C gi feil anslag for avbruddskostnader	. Sannsynligvis vil metode
C overvurdere avbruddskostnadene i et område som hovedsakelig består av boligblokker, mens den
vil undervurdere kostnadene for en bydel med eneboliger.
Vi ser 	imidlertid 	at ligning (1	3) er nesten det samme som (1	1) i metode C	: d	en eneste forskjellen er
parameteren 	�������, som 	nettopp 	gjenspeiler forholdet mellom den aktuelle husholdningens og
representative husholdningens effektforbruk.	 Denne parameteren 	kan	 dermed 	brukes 	til å tilpasse
metode C 	bedre 	til området man studerer.

0
1
2
3
4
1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17	18	19	20	21	22	23	24
kW
Time
januar landsgjen nomsnitt
januar Stav anger
april landsgjen nomsnitt
april Stavan ger
jul i Stav anger
jul i landsgjenn omsnitt

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	36

Referanser
Eggen, A.O. (2014): Beregning av Pref. Prosjektnotat 14.12.31, SINTEF Energi
Energi Norge (2015): 	FASIT kravspesifikasjon versjon 2016	. Energi Norge AS 	– EnergiAkademiet,
publikasjonsnummer 388	-2015
Kjølle, G. (2011): KILE	-satsene og hva de dekker. Prosjektnotat AN11.12.01, SINTEF Enegi
Vista Analyse (2017): Nye KILE	-funksjoner for husholdninger. Vista Analyse rapport 2017/32

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	37

A	 	Vedlegg	: 	Standardiserte
lastprofiler

Alternative måter å regne	 KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	38

A.1	 	Parametere A og B for utregning av generelle lastprofiler for husholdninger
Tabell A.	1 	Parametere A og B 	for 	utregning av generelle lastprofiler	 for husholdninger
 	 	 	Time
Dag 	Last 	Parameter	 	01 	02 	03 	04 	05 	06 	07 	08 	09 	10 	11 	12 	13 	14 	15 	16 	17 	18 	19 	20 	21 	22 	23 	24
Hverdag	 	Høy 	A 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,07	 	-0,07	 	-0,08	 	-0,07	 	-0,07	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,06	 	-0,05	 	-0,06	 	-0,06
Hverdag	 	Høy 	B 	2,54	 	2,44	 	2,42	 	2,41	 	2,46	 	2,56	 	2,84	 	3,04	 	2,99	 	2,91	 	2,89	 	2,81	 	2,71	 	2,67	 	2,68	 	2,90	 	3,20	 	3,37	 	3,49	 	3,54	 	3,47	 	3,40	 	3,19	 	2,80
Helg	 	Høy 	A 	-0,06	 	-0,06	 	-0,05	 	-0,05	 	-0,06	 	-0,06	 	-0,05	 	-0,06	 	-0,06	 	-0,05	 	-0,05	 	-0,06	 	-0,05	 	-0,05	 	-0,05	 	-0,05	 	-0,05	 	-0,06	 	-0,06	 	-0,05	 	-0,06	 	-0,06	 	-0,06	 	-0,07
Helg	 	Høy 	B 	2,64	 	2,47	 	2,42	 	2,40	 	2,42	 	2,46	 	2,52	 	2,61	 	2,81	 	3,09	 	3,21	 	3,19	 	3,13	 	3,10	 	3,11	 	3,24	 	3,27	 	3,35	 	3,46	 	3,53	 	3,50	 	3,34	 	3,19	 	2,83
Hverdag	 	Lav 	A 	-0,08	 	-0,08	 	-0,09	 	-0,09	 	-0,09	 	-0,09	 	-0,09	 	-0,10	 	-0,10	 	-0,10	 	-0,10	 	-0,10	 	-0,10	 	-0,10	 	-0,10	 	-0,11	 	-0,11	 	-0,11	 	-0,12	 	-0,12	 	-0,11	 	-0,10	 	-0,10	 	-0,09
Hverdag	 	Lav 	B 	2,44	 	2,34	 	2,32	 	2,30	 	2,32	 	2,39	 	2,62	 	2,90	 	2,94	 	2,92	 	2,87	 	2,79	 	2,69	 	2,68	 	2,75	 	2,99	 	3,19	 	3,34	 	3,41	 	3,43	 	3,41	 	3,35	 	3,17	 	2,79
Helg	 	Lav 	A 	-0,09	 	-0,08	 	-0,08	 	-0,09	 	-0,09	 	-0,09	 	-0,09	 	-0,09	 	-0,09	 	-0,10	 	-0,10	 	-0,11	 	-0,10	 	-0,10	 	-0,11	 	-0,11	 	-0,12	 	-0,12	 	-0,12	 	-0,12	 	-0,11	 	-0,10	 	-0,10	 	-0,09
Helg	 	Lav 	B 	2,58	 	2,38	 	2,32	 	2,31	 	2,31	 	2,34	 	2,38	 	2,47	 	2,68	 	2,94	 	3,12	 	3,15	 	3,04	 	3,01	 	3,12	 	3,21	 	3,28	 	3,34	 	3,41	 	3,42	 	3,40	 	3,30	 	3,14	 	2,82
Høylast	: januar, februar, desember. Lavlast	: alle andre måneder.
Kilde: 	Generelle lastprofiler for FASIT	 (http://fasit.nsp01cp.nhosp.no/kravspesifikasjon	-fasit	-nis	-og-kis/category183.html	)

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	39

A.2	 	Beregnet last i ulike timer
Tabell A.	2 	Beregnet last for standardhusholdningen 	på hverdager	, kWh/h
Time	 	1 	2 	3 	4 	5 	6 	7 	8 	9 	10	 	11	 	12	 	13	 	14	 	15	 	16	 	17	 	18	 	19	 	20	 	21	 	22	 	23	 	24
Januar	 	2,69	 2,60	 2,58	 2,58	 2,63	 2,74	 3,02	 3,26	 3,18	 3,09	 3,06	 2,98	 2,88	 2,83	 2,85	 3,07	 3,36	 3,54	 3,66	 3,69	 3,63	 3,55	 3,34	 2,95
Februar	 	2,57	 2,47	 2,46	 2,45	 2,49	 2,60	 2,87	 3,08	 3,03	 2,95	 2,92	 2,85	 2,75	 2,70	 2,72	 2,94	 3,23	 3,40	 3,53	 3,57	 3,50	 3,43	 3,22	 2,83
Mars	 	2,11	 2,00	 1,96	 1,95	 1,95	 2,01	 2,23	 2,49	 2,53	 2,51	 2,46	 2,39	 2,29	 2,28	 2,33	 2,55	 2,75	 2,87	 2,93	 2,96	 2,96	 2,92	 2,77	 2,43
April	 	2,06	 1,95	 1,91	 1,90	 1,90	 1,96	 2,18	 2,43	 2,48	 2,45	 2,40	 2,33	 2,24	 2,22	 2,27	 2,49	 2,68	 2,81	 2,86	 2,89	 2,89	 2,86	 2,72	 2,38
Mai	 	1,63	 1,50	 1,46	 1,45	 1,43	 1,48	 1,68	 1,90	 1,95	 1,94	 1,89	 1,81	 1,73	 1,71	 1,73	 1,93	 2,11	 2,21	 2,25	 2,28	 2,32	 2,32	 2,21	 1,92
Juni	 	1,39	 1,26	 1,21	 1,19	 1,18	 1,21	 1,41	 1,61	 1,66	 1,65	 1,60	 1,52	 1,45	 1,43	 1,43	 1,62	 1,79	 1,88	 1,91	 1,95	 2,00	 2,02	 1,93	 1,66
Juli	 	1,16	 1,02	 0,97	 0,95	 0,92	 0,95	 1,14	 1,32	 1,38	 1,37	 1,32	 1,24	 1,18	 1,15	 1,14	 1,31	 1,49	 1,56	 1,58	 1,62	 1,69	 1,73	 1,66	 1,42
August	 	1,23	 1,09	 1,04	 1,02	 1,00	 1,02	 1,22	 1,40	 1,46	 1,45	 1,40	 1,33	 1,25	 1,23	 1,23	 1,40	 1,58	 1,65	 1,68	 1,71	 1,78	 1,82	 1,74	 1,49
September	 1,46	 1,33	 1,29	 1,27	 1,26	 1,29	 1,49	 1,70	 1,75	 1,74	 1,69	 1,61	 1,54	 1,52	 1,53	 1,71	 1,89	 1,98	 2,02	 2,05	 2,10	 2,12	 2,02	 1,74
Oktober	 	1,90	 1,78	 1,75	 1,73	 1,73	 1,78	 1,99	 2,23	 2,28	 2,26	 2,21	 2,14	 2,05	 2,03	 2,07	 2,28	 2,47	 2,59	 2,64	 2,67	 2,68	 2,66	 2,53	 2,21
November	 2,22	 2,11	 2,08	 2,07	 2,08	 2,14	 2,36	 2,63	 2,67	 2,65	 2,60	 2,53	 2,43	 2,42	 2,47	 2,70	 2,90	 3,03	 3,09	 3,12	 3,11	 3,07	 2,91	 2,55
Desember	 	2,52	 2,43	 2,41	 2,40	 2,45	 2,54	 2,82	 3,02	 2,97	 2,90	 2,87	 2,80	 2,70	 2,66	 2,67	 2,89	 3,19	 3,36	 3,48	 3,53	 3,46	 3,39	 3,18	 2,79
Kl. 17	:00 er i starten på time 18.
Kilde: egne beregninger

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	40

Tabell 	A.3 	Beregnet last for standardhusholdningen 	på 	helgedager, kWh/h
Time	 	1 	2 	3 	4 	5 	6 	7 	8 	9 	10	 	11	 	12	 	13	 	14	 	15	 	16	 	17	 	18	 	19	 	20	 	21	 	22	 	23	 	24
Januar	 	2,80	 2,62	 2,56	 2,55	 2,58	 2,61	 2,67	 2,76	 2,97	 3,24	 3,36	 3,34	 3,27	 3,22	 3,24	 3,37	 3,42	 3,51	 3,62	 3,67	 3,65	 3,49	 3,35	 3,01
Februar	 	2,67	 2,50	 2,45	 2,43	 2,46	 2,49	 2,55	 2,64	 2,84	 3,12	 3,24	 3,22	 3,16	 3,12	 3,14	 3,26	 3,30	 3,39	 3,50	 3,56	 3,53	 3,37	 3,22	 2,87
Mars	 	2,22	 2,03	 1,98	 1,96	 1,95	 1,97	 2,01	 2,10	 2,30	 2,55	 2,70	 2,71	 2,62	 2,60	 2,68	 2,75	 2,80	 2,85	 2,92	 2,95	 2,95	 2,89	 2,75	 2,45
April	 	2,17	 1,98	 1,93	 1,91	 1,90	 1,92	 1,95	 2,04	 2,25	 2,50	 2,64	 2,65	 2,56	 2,54	 2,61	 2,68	 2,73	 2,78	 2,84	 2,88	 2,88	 2,83	 2,69	 2,40
Mai	 	1,72	 1,54	 1,49	 1,46	 1,44	 1,44	 1,48	 1,57	 1,77	 2,00	 2,10	 2,10	 2,02	 2,00	 2,05	 2,10	 2,13	 2,17	 2,22	 2,27	 2,31	 2,31	 2,20	 1,94
Juni	 	1,46	 1,30	 1,24	 1,21	 1,19	 1,18	 1,22	 1,31	 1,50	 1,72	 1,80	 1,79	 1,72	 1,71	 1,73	 1,77	 1,79	 1,82	 1,87	 1,93	 1,99	 2,01	 1,92	 1,69
Juli	 	1,22	 1,06	 1,01	 0,97	 0,95	 0,93	 0,96	 1,05	 1,24	 1,45	 1,51	 1,49	 1,43	 1,42	 1,43	 1,45	 1,47	 1,49	 1,53	 1,61	 1,69	 1,73	 1,65	 1,44
August	 	1,29	 1,13	 1,08	 1,04	 1,02	 1,00	 1,03	 1,12	 1,31	 1,53	 1,59	 1,58	 1,51	 1,50	 1,52	 1,55	 1,56	 1,59	 1,63	 1,70	 1,78	 1,81	 1,73	 1,51
September	 1,54	 1,38	 1,32	 1,29	 1,27	 1,26	 1,30	 1,39	 1,58	 1,80	 1,89	 1,88	 1,81	 1,80	 1,83	 1,87	 1,90	 1,93	 1,98	 2,04	 2,09	 2,10	 2,00	 1,77
Oktober	 	2,00	 1,82	 1,77	 1,74	 1,73	 1,74	 1,78	 1,87	 2,07	 2,31	 2,44	 2,45	 2,36	 2,34	 2,41	 2,47	 2,51	 2,56	 2,61	 2,66	 2,67	 2,64	 2,51	 2,23
November	 2,34	 2,15	 2,10	 2,08	 2,07	 2,10	 2,13	 2,22	 2,43	 2,69	 2,84	 2,86	 2,76	 2,74	 2,83	 2,90	 2,96	 3,02	 3,08	 3,11	 3,10	 3,03	 2,88	 2,58
Desember	 	2,63	 2,46	 2,41	 2,39	 2,41	 2,45	 2,51	 2,60	 2,80	 3,08	 3,20	 3,18	 3,12	 3,09	 3,10	 3,23	 3,26	 3,34	 3,45	 3,52	 3,49	 3,33	 3,17	 2,82
Kl. 17	:00 er i starten på time 18.
Kilde: egne beregninger

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	41

B	 	Vedlegg	: Korreksjonsfaktorer 	fm	,
fd	, f	h
Tabellene nedenfor viser korreksjonsfaktorer 	��,��,�ℎ for husholdninger som ble foreslått i Vista
Analyse (2017) og 	som 	danner grunnlaget for utkastet til nye KILE	-funksjoner som ble sendt til høring
av NVE i 2018	, samt dagens korreksjonsfaktorer	.
Tabell 	B.1 	Ny korreksjonsfaktor 	fm
Jan	 	Feb	 	Mar	 	Apr	 	Mai	 	Jun	 	Jul	 	Aug	 	Sep	 	Okt	 	Nov	 	des
Ny 	fm 	1,0	 	1,0	 	0,9	 	0,9	 	0,8 	0,7	 	0,6	 	0,6 	0,7	 	0,9	 	0,9	 	1,0
Dagens 	fm 	1,0	 	1,0	 	0,9	 	0,9	 	0,9	 	0,8	 	0,8	 	0,8	 	1,0	 	1,0	 	1,0	 	1,0
Kilde: 	Vista Analyse (2017), tabell 	5.3

Tabell 	B.2 	Ny korreksjonsfaktor 	fd
Ukedag	 	Lørdag	 	Søn	-/helligdager
Ny 	fd 	1,0	 	1,15	 	1,15
Dagens	 fd 	1,0	 	1,1	 	1,1
Kilde: Vista Analyse (2017), tabell 5.2

Tabell 	B.3 	Ny korreksjonsfaktor 	fh
00	-06	 	06	-09	 	09	-12	 	12	-16	 	16	-18	 	18	-21	 	21	-24
Ny 	fh 	0,65	 	1,05	 	0,75	 	0,75	 	1,05	 	1,05	 	0,8
Dagens 	fh 	0,9	 	1,0	 	1,0	 	1,0	 	1,1	 	1,1	 	1,1
Kilde: Vista Analyse (2017), tabell 5.1

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	43

Alternative måter å regne KILE	-kostnaden på

Vista Analyse	 | 2019/26	 	44

Vista Analyse AS
Meltzers	 gate 4
0257 Oslo

post@vista	-analyse.no
www.vista	-analyse.no