Suppe og analyse: Strømforbruket del 2: mer å spare ved å bytte leverandør, enn å kutte forbruket?

Enkelt, ja nesten banalt sagt, kan en kan få ned strømprisen på to måter: få en billigere strømpris, eller redusere strømforbruket. Nå ser jeg på kostnaden - forrige gang så jeg på strømforbruket.

Kort oppsummert: det ser ut til at å kutte utgiftene til strømleverandøren gir en større innsparing enn et kutt i forbruket på 10 %. Som så mange kjappe analyser gir det flere spørsmål: skyldes dette at leverandørene opererer med lokketilbud? Hvor stor strømsparing kan vi egentlig få til? Og hvorfor får jeg ikke strømprisene fra Nordpool til å matche med strømprisene i regninga mi?

library(tidyverse)
library(here)

#settings
theme_set(theme_minimal())
set.seed(1106)
options(scipen = 100)

#data

#strømregninger
df_bill <- read_delim("bills.csv", ";", escape_double = FALSE, 
                 locale = locale(decimal_mark = ",", grouping_mark = "|", encoding = "ISO-8859-1"),
                 col_types = cols(
                   periode_start = col_date(format = "%d.%m.%Y"), 
                   periode_stopp = col_date(format = "%d.%m.%Y")
                   ),
                 trim_ws = TRUE)

#strømpriser
temp1 <- read_delim("nordpool_elspotprices_2019_hourly.csv", ";", escape_double = FALSE, locale = locale(decimal_mark = ",",grouping_mark = "|", encoding = "ISO-8859-1"), trim_ws = TRUE)

temp2 <- read_delim("nordpool_elspotprices_2020_hourly.csv", ";", escape_double = FALSE, locale = locale(decimal_mark = ",",grouping_mark = "|", encoding = "ISO-8859-1"), trim_ws = TRUE)

df_elpris = bind_rows(temp1, temp2) %>%
  separate(Hours, into = c("hour_start", NA), sep = 2) %>%
  mutate(periode_start = paste0(...1, "-", hour_start, ":00"),
         periode_start = as.POSIXct(periode_start, format = "%d.%m.%Y-%H:%M"),
         ore_kwh = round(Oslo/10, digits = 2)
         ) %>%
  select(periode_start, ore_kwh)

#strømforbruk
files= list.files(path = "consumption", pattern = "*.csv", full.names = TRUE) 
df_consumption = map_df(files, read_delim, delim = ";", escape_double = FALSE,
  skip = 1,
  col_names = c("fra", "til", "forbruk"),
  col_types = cols(
    fra = col_datetime(format = "%d.%m.%Y %H:%M"), 
    til = col_datetime(format = "%d.%m.%Y %H:%M")
    ), 
  locale = locale(decimal_mark = ",", grouping_mark = ""), 
  trim_ws = TRUE)

df_consumption = select(df_consumption, fra, forbruk) %>%
  distinct(., fra, .keep_all = TRUE)

rm(files, temp1, temp2)

Kostnaden var lav i juli 2019, på 500 kroner. I november var det nærmere 1800 kroner. Over disse ni månedene har jeg totalt betalt 10 323 kroner i strømregninger.

Modell/teori/forforståelse:

Utgiften til strømleverandøren kan bestemmes på ulike måter (fastpris, spotpris). Jeg har spotpris, som Forbrukerrådet anbefaler som billigst på sikt. Strømleverandørens strømpris er spotprisen på strøm i markedet, pluss et påslag. Påslaget inneholder også kostnaden til elsertifikat. I tillegg tar strømleverandøren en fast sum. Dvs. at kostnaden for strøm = fast_strømleverandør + strømleverandør_strømpris * strømforbruk. Etter en kikk i regningene fant jeg også ut at jeg fra oktober 2019 til mars 2020 betalte for en unødvendig garantiordning.

Nettleie har en fast komponent og en variabel del som avhenger av forbruket, altså nettleie = fast_nettleie + nettleie_strømpris * strømforbruk. Den variable komponenten henger sammen med netteiers variable kostnader, særlig knytta til tap fra nettet.

Totalt sitter vi da igjen med at kostnad = nettleie_fast + (nettleie_strømpris * strømforbruk) + strømleverandør_fast + (strømleverandør_strømpris * strømforbruk).

Her er det to observasjoner som er viktige: - nettleia kan ikke justeres ved å bytte leverandør, hverken den faste eller variable kostnaden. Den variable delen påvirkes av strømforbruket. - den faste delen av strømkostnaden blir ikke påvirka av strømforbruket, men kun av bytte av leverandør.

Samla sett gir dette et litt uoversiktelig bilde. Hvis jeg ønsker lavere strømkostnader, hvor mye får jeg igjen for å bytte strømleverandør som bl.a. Forbrukerrådet anbefaler? Og hvor mye får jeg igjen for å spare på strømmen?

Data

For å svare på dette spørsmålet trenger jeg noen data på utgifter og strømbruk, satt opp på en slik måte at jeg kan teste ut ulike alternative mønstre.

Strømprisene per time hentes fra Nordpool. Strømforbruket per time kan hentes fra Elhub. Strømregningene er fra min strømleverandør, og inkluderer også utgifter til nettleie.

I utgangspunktet hadde jeg tenkt å bruke data i den høyeste tidsoppløsningen jeg kunne finne. Imidlertid viste en liten sjekk at jeg ikke klarte å regne ut månedsprisen på strømregninga ved hjelp av strømprisene og strømforbruket på timesnivå. Beregningene må dermed ta utgangspunkt i strømregninga, og det månedlige forbruket.

Nettleie er størst i 7 av 9 måneder

I alle månedene unntatt november og desember er nettleia den største komponenten. Strømleverandøren tar fra 35 % til 55 %, og 150 til 1000 kr.

Strømprisen per time

temp = mutate(df_elpris, 
  time = lubridate::hour(periode_start),
  dag = lubridate::wday(periode_start, label = TRUE, abbr = FALSE),
  ukedag = ifelse(dag %in% c("lørdag", "søndag"), "helg", "arbeidsdag"))

ggplot(data = temp, aes(x = periode_start, y = ore_kwh)) + 
  geom_line() + 
  labs(title = "Prisen per kwH har falt gjennom perioden", x = "Dato", y = "Øre pr. kwH")

ggplot(data = temp, aes(x = time, y = ore_kwh)) + 
  geom_smooth() + 
  labs(title = "Strømmen koster mest rundt kl. 9 og kl. 18", subtitle = "Øre pr. kwH gjennom døgnet", x = "Time", y = "Øre pr. kwH")

Hvordan er fordelinga mellom faste og variable komponenter?

temp = group_by(df_bill, periode_start, produkt) %>%
  summarise(kostnad = sum(sum)) %>%
  mutate(`månedskostnad` = sum(kostnad),
         kostnad_andel = kostnad/`månedskostnad`,
         `måned` = lubridate::month(periode_start, label = TRUE)
         )

ggplot(aes(x = fct_reorder(måned, periode_start), y = kostnad, colour = produkt, group = produkt), data = temp) + 
  geom_line() + 
  labs(x = "Måned", y = "Kostnad")

ggplot(aes(x = fct_reorder(måned, periode_start), y = kostnad_andel, colour = produkt, group = produkt), data = temp) + 
  geom_line() + 
  labs(x = "Måned", y = "Andel av total kostnad")

Den faste delen av nettleia (“fastledd”) gikk opp fra 160 til 180 i fjor høst. Andelen av totalbeløpet faller rimelig nok med økte totalkostnader. Fastbeløpet til energiselskapet er mindre, og har ligget rundt 25 kroner i hele perioden. Men jeg hadde også en “trippelgaranti” på regninga mi, som var en unødvendig forsikringsordning. Det var også i praksis en fastkostnad, som fra oktober til mars kosta meg 50 kroner i måneden.

Energileddet i nettleia er en god del høyere, og utgjør fra 30 % til over 50 % av hele regninga. Innkjøpsprisen til strømselskapet utgjorde den største delen til og med desember i fjor, men etter det har den falt under energileddet. Som vi ser av figuren har strømprisen falt en del, og utgjør en stadig lavere andel av totalregninga.

temp = filter(df_bill, produkt == "innkjøpspris") %>%
  mutate(kwh_pris_øre = (sum / forbruk_kwh)*100) %>%
  arrange(periode_start)
  
ggplot(aes(x = fct_reorder(periode, periode_start), y = kwh_pris_øre, group = 1), data = temp) + 
  geom_line() + 
  labs(x = "måned", y = "kostnad", title = "Strømpris øre pr. kwh")

Litt simulering

Så hvor stor del av kostnaden blir påvirket av strømforbruket, og hvor stor del blir påvirka av hvilket strømselskap en velger?

I utgangspunktet kunne en jo sett for seg å svare på dette spørsmålet med en regresjonsanalyse eller liknende, f.eks. noe slikt der en modellerer den månedlige kostnaden som en funksjon av strømforbruket:

temp = select(df_bill, periode_start, forbruk_kwh) %>%
  filter(is.na(forbruk_kwh) == FALSE) %>%
  distinct(., .keep_all = TRUE)

temp_total = group_by(df_bill, periode_start) %>%
  summarise(., totalkostnad = sum(sum))

temp = left_join(temp, temp_total)

modell_1 = lm(data = temp, totalkostnad ~ forbruk_kwh)

summary(modell_1)

temp = broom::augment(modell_1)
ggplot(data = temp) + 
  geom_line(aes(x = forbruk_kwh, y = totalkostnad)) +
  geom_point(aes(x = forbruk_kwh, y = totalkostnad)) + 
  geom_line(aes(x = forbruk_kwh, y = .fitted), colour = "grey")

Dette er ikke den verste sammenhengen jeg har sett, med ca. 80 % forklart variasjon med forbruksleddet, og en sammenheng som tilsier at for hver brukte kilowatt-time, går kostnaden opp med 93 øre.

Men det er også en regresjon med temmelig få observasjoner, og den gir meg ikke mulighet til å skille mellom ulike typer av faste kostnader: nettleie (som jeg ikke får endra), og utgifter til leverandøren (som jeg kan endre).

For å svare på det spørsmålet jeg er interessert i å besvare, trenger jeg derfor heller:

Hvor mye er det rimelig å tenke at en kan redusere strømforbruket sitt? Vanskelig å si - vi begynner med å gjette på 10 %.

Ut ifra Strømpris.no ser det ut til 7 strømselskaper faktisk betaler meg for å velge dem, og garanterer den prisen i et halvt år. Her inngår det da 0 kroner i fastbeløp til leverandøren, og et negativt påslag. For et første forsøk nuller vi denne utgiftsposten.

Som vi ser av figuren over, er innsparingseffekten av å bytte strømleverandør til noen som ikke tar betalt utover strømprisen, mer lønnsomt enn å redusere strømforbruket med 10 %.

innsparing = group_by(temp, scenario) %>%
  summarise(kostnad = sum(kostnad)) %>%
  arrange(kostnad)

knitr::kable(innsparing)

Innsparinga tilsvarer 1000 kroner over denne perioden vi ser på her, 9 måneder.

Konklusjon

Ut ifra beregningene over, har vi sett at strømforbruket varierer en del, men også kostnadene. Kostnadene henger tett sammen med strømforbruket, men ettersom markedet for leverandører i dag er slik at strømselskaper betaler deg for å velge dem - så er det (med vårt forbruk over de siste ni månedene) mer å spare på å bytte strømleverandør enn å kutte forbruket med 10 %.

scenario	kostnad
scenario_3_kostnad	9345.638
scenario_2_kostnad	9501.317
faktisk_totalkostnad	10323.090

Strømforbruket del 2: mer å spare ved å bytte leverandør, enn å kutte forbruket?

Author

Affiliation

Published

DOI