Sweden’s residential electricity demand varies strongly by region due to the differences in climate, housing stock, and population density. Since 2011, the country’s electricity market has been divided into four bidding zones to reflect these regional differences. This thesis aims to understand the main factors driving residential electricity demand within each bidding zone.

The literature review shows that similar independent variables are widely used to explain residential electricity demand. Some of these variables are economic indicators, housing stock, and energy prices. Following this approach, this thesis investigates which variables explain the residential electricity demand in Sweden and whether current public data can support reliable forecasts.

The analysis is carried out at the bidding zone level for the period 2015–2023. A dataset was built using variables such as GDP, income, electricity price by contractand building type, population, useful floor area, number of dwellings, and seasonal variation measured through the number of night hours. Pearson’s correlation was first used to identify linear relationships between electricity demand and the selected variables. Then, Ordinary Least Squares (OLS) regression was applied to determine which variables could statistically explain demand in each bidding zone. The Variance Inflation Factor (VIF) was used to check for multicollinearity.

The results show that residential electricity demand in Sweden behaves differently across the four bidding zones. In bidding zone SE1, GDP and population explain most of the demand variation, while SE3 responds to models combining economic and long-term price contract variables. SE4 reacts to multiple factors, including income and seasonal variables, while SE2 shows no statistically significant results.

The analysis is limited by the available data. With only nine years of annual observations per bidding zone and missing information on key factors like heat pumps, model precision remains low. To move toward reliable forecasts, Sweden’s public data must offer more observations over time, more spatial detail, and a broader set of explanatory variables.

Sveriges bostäders elförbrukning varierar kraftigt mellan regioner på grund avskillnader i klimat, bostadsbestånd och befolkningstäthet. Sedan 2011 har landets elmarknad delats in i fyra elområden för att återspegla dessa regionala skillnader. Denna avhandling syftar till att förstå de viktigaste faktorerna bakom bostäders elförbrukning inom varje elområde.

Litteraturgenomgången visar att liknande oberoende variabler används i stor utsträckning för att förklara bostäders elförbrukning. Några av dessa variabler är ekonomiska indikatorer, bostadsbestånd och energipriser. Genom att följa detta tillvägagångssätt undersöker denna avhandling vilka variabler som förklarar bostäders elförbrukning i Sverige och om tillgängliga offentliga data kan stödja tillförlitliga prognoser.

Analysen genomförs på elområdesnivå för perioden 2015–2023. En datauppsättning byggdes med hjälp av variabler som BNP, inkomst, elpris per kontrakt och byggnadstyp, befolkning, användbar golvyta, antal bostäder och säsongsvariation mätt genom antalet nattimmar. Pearsons korrelation användes först för att identifiera linjära samband mellan elförbrukning och de valda variablerna. Därefter tillämpades OLS-regression (Ordinary Least Squares) för att avgöra vilka variabler som statistiskt kunde förklara efterfrågan i varje elområde. Variansinflationsfaktorn (VIF) användes för att kontrollera multikollinearitet.

Resultaten visar att bostäders elförbrukning i Sverige beter sig olika mellan de fyra elområdena. I SE1 förklarar BNP och befolkning merparten av variationen i efterfrågan, medan SE3 reagerar på modeller som kombinerar ekonomiska och långsiktiga priskontraktsvariabler. SE4 reagerar på flera faktorer, inklusive inkomst och säsongsvariabler, medan SE2 inte visar några statistiskt signifikanta resultat.

Analysen begränsas av tillgängliga data. Med endast nio års årliga observationer per elområde och brist på information om viktiga faktorer som värmepumpar förblir modellernas precision låg. För att kunna gå mot tillförlitliga prognoser måste Sveriges offentliga data erbjuda fler observationer över tid, mer rumslig detaljrikedom och en bredare uppsättning förklarande variabler.