Machine Learning Machine Learning afslører lækager i oliekabler En kombination af Machine Learning og sporstoffer har optimeret Energinets udbedring af olielækager i 132 kV-forbindelser. Andre forsyningsselskaber vil også kunne have glæde af metoden. Af Joel Goodstein – Foto Utilise Energinet har cirka 115 km ældre 132 kV transmissionsledninger i København. Transmissionsforbindelserne er etableret fra midten 1960erne til slutningen af 1980erne, og kablerne er isoleret med olie og papir, som var datidens teknologi til formålet. Men tidens tand bider i kablerne og de egetræssenge, som understøtter kablerne. Transmissionsledningerne er svejset og muffet sammen for hver 300 meter og understøttet af egetræssenge, hvor af flere i tidens løb er smuldret væk. Herved knækker lednin- gerne i svejsningerne, og der opstår olielækager. »Når vi konstaterer et tryktab på en transmissionsforbindelse, er mistanken altid en lækage. Herefter går et større arbejde i gang med at identificere det præcise sted for lækagen. Der er tale om kabler af 3-11 kilometers længde, og 6 OPTIMERING · 2019 Energinet samarbejder med Utilise om detektering af olielækager i 132 kV-nettet i København. Det sker vha. sporstoffet PFT – Perflourocarbon Tracer – som afsløres af en gaskromatograf i et specialbygget køretøj.
Download PDF fil