suppressPackageStartupMessages(library(tidyverse))
suppressPackageStartupMessages(library(janitor))
library(readxl)

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

For å komme til bunns i dette starter jeg med å hente forbruksdataene for målepunktet fra elhub.no.

#data
files= list.files(path = "data", pattern = "*.csv", full.names = TRUE) 
df = 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)

#tester om det finnes duplikater her
duplikater = get_dupes(df, fra, til)
rm(duplikater, files)

#legger til informasjon om datoer

df = mutate(df,
  dato = as.Date(fra),
  time = lubridate::hour(fra),
  dag = lubridate::wday(fra, label = TRUE, abbr = FALSE),
  ukedag = ifelse(dag %in% c("lørdag", "søndag"), "helg", "arbeidsdag"),
  uke = lubridate::week(fra),
  month = lubridate::month(fra),
  natt = ifelse(time %in% c(23, 00, 01, 02, 03, 04, 05), "natt", "dag")
)

Kilowatt-time er begrepet en må forholde seg til i denne sammenhengen. En kilowatt-time er måleenheten for å måle energi, og 1 kilowatt-time tilsvarer energien som en effekt på 1 kilowatt utvikler på 1 time.

Her ser jeg at gjennomsnittsforbruket ligger på ca. 19 kilowatt-timer (kwt) pr. døgn, eller 810 watt per time. Det vil da tilsvare at vi har stående på 13,5 lyspærer på 60 watt hele døgnet (og ingenting annet).

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  3.924  14.222  19.451  19.240  24.449  40.355

Sist jeg kikket på dette (del 1 og del 2) lærte jeg at strømforbruket varierer mye fra dag til dag, men

det er gjerne topper på morgenen rundt kl. 8 og ettermiddagen (rundt kl. 16-18),
det er større variasjoner i helgene, men tendenser til jevnt høyere forbruk,
når det blir kaldere, bruker en mer strøm - men også variasjonen i forbruket øker,

ggplot(data = df, aes(x = time, y = forbruk, colour = ukedag)) +
  geom_smooth() +
  scale_x_continuous(breaks = seq(0, 24, 2)) +
  labs(x = "Tid på døgnet", y = "Forbruk (kwt)", title = "Strømforbruket er høyest om morgenen og ettermiddagen", subtitle = "I hvert fall på hverdagene - i helgene er det på dagtid")

ggplot(data = df, aes(x = fra, y = forbruk)) +
  geom_point(alpha = 0.2) +
  geom_smooth() +
  labs(x = "Forbrukstidspunkt", y = "Forbruk (kwt)", title = "Høyere strømforbruk utover høsten", subtitle = "Fra 0,75 kwt pr time i august til 1,5 kwt/time i oktober")

For å forstå dette litt bedre, noterte jeg meg over noen dager tidspunktene hvor vi satte på vaskemaskin, oppvaskmaskin og dusjen:

apparatbruk <- read_excel("data/apparatbruk.xlsx", col_types = c("date", "text"))

temp = filter(df, dato > "2021-10-13" & dato < "2021-10-18") %>%
  left_join(., apparatbruk, by = c("fra" = "Tid"))

ggplot(data = temp, aes(x = fra, y = forbruk)) +
  geom_line() +
  geom_point(data = filter(temp, is.na(Hendelse) == FALSE), aes(x = fra, y = forbruk, colour = Hendelse))

Her lærte jeg forøvrig også at POSIXct-objekter har tidssone som attributt, som left_join ser på.

De fleste hendelsene kommer sammen med en stigning i forbruket, naturlig nok. Men for at dette skulle gitt mer mening, burde jeg nok ha notert litt mer - med kun 7 datapunkter blir det rett og slett litt fattig for å forstå alle svingningene. Jeg er heller ikke helt sikker på hva vi gjorde som utløste de store toppene rundt kl. 16.00 torsdag 14. oktober og kl. 8 søndag 17. oktober. Oppvarming i kombinasjon med matlaging og barne-TV på søndag?

Men hva så?

Strømforbruket om natta?

Dette er jo greit nok, og det er morsomme data å leke seg med. Men hva er implikasjonen? Finner jeg noe her som gir meg noe å gå på for å bruke mindre strøm? Kan en for eksempel si at strømbruk om natta bør være lav - og så se om vi holder oss til det?

temp = filter(df, natt == "natt") %>%
  mutate(natt_til = as.Date(fra + (60*60*1))) %>% #for å få gruppert datoene riktig må jeg legge til litt tid her
  group_by(natt_til) %>%
  summarise(forbruk = sum(forbruk))

ggplot(data = temp, aes(x = natt_til, y = forbruk)) +
  geom_line() +
  geom_smooth() +
  labs(x = "Dato", y = "Forbruk (kwt)", title = "Strømforbruket om natta stiger når været blir kaldere")

Ikke spesielt overraskende, kanskje - men strømforbruket natterstid er større når temperaturen faller. Men det er ikke store summer vi snakker om - fra kanskje 1 kwt til rundt 6 kwt. Til sammenlikning ligger forbruket på dagtid rundt 15-16 kwt i snitt i samme periode, og øker opp 25-35 mot slutten av perioden her. Men det er jo også flere timer dag enn natt, i hvert fall slik jeg har definert det over.

Unormalt høyt strømforbruk?

Kan en i stedet se og flagge tidspunkt hvor strømforbruket har blitt unormalt høyt over en dag? Vel, også her er det en sterk økning i forbruket inn i oktober.

temp = group_by(df, dato) %>%
  summarise(forbruk = sum(forbruk))

ggplot(data = temp, aes(x = dato, y = forbruk)) +
  geom_line() +
  labs(x = "Forbrukstidspunkt", y = "kilowatt-timer forbruk")

For å identifisere et avvik, må jeg altså først identifisere trenden, og så avviket isolert fra det. Dermed må vi inn i dekomponering igjen, som vi også forsøkte sist med blandede resultater - så da lar jeg det ligge.

Sagt på en anna måte: strømdataene i seg selv forteller deg ikke om du bruker for mye eller for lite strøm. En god gammeldags gjennomgang av hvilke apparater som står på når - særlig ovner - vil en nok komme lengre med.

En ny kikk på strømforbruk med R

Men hva så?

Strømforbruket om natta?

Unormalt høyt strømforbruk?