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

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 ledningerne 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 kablerne ligger flere meter nede i jorden, så det kan være en stor og kostbar opgave at identificere og udbedre en lækage. Hertil kommer udslip af olie til miljøet og forstyrrelse af den københavnske trafik, da transmissionsledningerne typisk er gravet ned langs gader og veje,« fortæller Steffan Morrison, Afdelingsleder for Asset Beredskab Fyn & Sjælland hos Energinet.

Machine Learning
Hidtil har man opsporet lækagerne ved at ”sætte propper” i transmissionskablerne ved at fryse kablerne ned, så olien blev isoleret i bestemte sektioner. Denne sektionering ved hjælp af nedfrysning har man fortsat, indtil stedet for lækagen er fundet. Opgaven har nogle gange krævet adskillige opgravninger langs kablet. En tidskrævende, kostbar og meget trafikforstyrrende øvelse.
»Nogle gange kan man være heldig og ramme lækagen hurtigt, men andre gange kan vi risikere at skulle bruge 2-3 måneder på hele processen, og i hele den periode skal der hældes olie på kablet for at holde trykket. Oveni kan man heller ikke have last på kablet, men må tage det helt ud af drift,« siger Steffan Morrison.
Derfor har Energinet prøvet at finde en metode, som hurtigere kunne identificere lækagerne, og det er nu lykkedes: En kombination af Machine Learning og sporstoffet PFT har optimeret hele processen, så der nu bruges langt mindre tid og langt færre ressourcer på opgaven. Samtidig er generne for miljøet og den københavnske trafik også minimeret.
»Vi holdt et internt kursus i Machine Learning, og herefter begyndte vi at udvikle et værktøj, som ud fra nogle bestemte fysiske og tekniske parametre kunne give os en meget sikker indikation for, at et givet trykfald skyldes en lækage af olie,« siger Steffan Morrison.
De fysiske parametre er jord- og lufttemperaturer, olietryk og strøm målt i Ampere. Til sammen giver disse data en mulighed for at registrere en afvigelse fra normalen, når algoritmen kender normaltilstanden.
»De forskellige parametre spiller ind på hinanden. Temperatur og tryk hænger sammen og påvirker hinanden. Strømmen gennem kablerne påvirker trykket. Vi ved, hvad trykket bør være i forhold til omgivelsestemperaturen. Vi kender de normale årstidsvariationer. Alt dette og mere indgår i algoritmerne og giver os meget præcise alarmer« siger Steffan Morrison.

Benhård statistik
Machine Learning er benhård statistik, som man kan bruge til at lave prognoser og etablere grænser for både acceptable og uacceptable afvigelser. Med Machine Learning fodrer man sin algoritme med data, og hvis data er valide og relevante, bliver algoritmen hele tiden dygtigere og giver dig dermed bedre og bedre informationer.
Der er ikke tale om anvendelsen af nye data. Alle data, som er anvendt til at påvise trykfald og lækager i 132 kV-nettet, har været til rådighed tidligere. Men med Machine Learning udnytter man sine eksisterende data bedre.
»Med ML-værktøjet kan vi forædle vores data i langt højere grad. Vi kan kombinere data og lave en vægtning af, hvordan de påvirker hinanden, og hvor meget de enkelte parametre derfor skal betyde i beregningerne,« fortæller Steffan Morrison.
ML-værktøjet hos Energinet er udviklet i programmeringssproget Python. Efter indledende undervisning af Venzo har Energinet nu selv fortsat videreudviklingen af Machine Learning-værktøjet.

Sporing af sporstof
Når Machine Learning-værktøjet har identificeret et trykfald på en transmissionsledning, som afslører en lækage, går næste fase i gang: Detektering af lækagens præcise placering.
Til den opgave samarbejder Energinet med den engelske leverandør Utilise, som har specialiseret sig i at arbejde med Perflourocarbon Tracer - PFT - som er et ekstremt følsomt sporstof. Først blandes sporstoffet med olien, og herefter kører Utilise langs kablet med en gaskromatograf, som kan registrere sporstoffet, når det er sivet fra lækagen op til overfladen.
Bilen med måleudstyret kører med en hastighed på maks. 5 km/t og opererer i 120 sekunders loop, når den leder efter stedet for lækagen, så man er højst to minutter forbi lækagen, når den opdages. På få timer kan lækagen således været præcist identificeret. Herefter kan gravearbejdet gå i gang. Samtidig spares store ressourcer til miljøoprensning, fordi olien ikke har lækket så længe.
»Vores hidtidige erfaring med at bruge PFT som sporstof er en meget høj grad af præcision. Når vi graver ned dér, hvor Utilise udpeger lækagen, finder vi den også,« siger Steffan Morrison.
Det er ikke gratis at bruge PFT, så indtil videre har Energinet valgt først at hælde sporstof i kablerne, når der med ML-værktøjet er konstateret et trykfald, som skyldes en lækage.
Når først sporstoffet er blandet med olien, bliver den der, så længe der er olie i kablerne. Så denne del af opgaven er en éngangsinvestering.
Sporstoffets følsomhed svarer populær sagt til at kunne opspore en golfbold, som nogen har gemt et sted i Paris.
»Vores leverandør Utilise er en af de førende specialister, når det gælder anvendelsen af PFT. Det er et ekstremt følsomt sporstof, og derfor kræver det nogle helt bestemte forholdsregler at arbejde med, fordi det meget nemt kontaminerer omgivelserne, og det kan risikere at give falsk-positive målinger, hvilket kunne betyde, at vi gravede et forkert sted. Men indtil nu har der været en hitrate på 100 procent, når vi graver ned,« siger Steffan Morrison, som understreger, at sporstoffet ikke på nogen måde er til fare for mennesker og miljø.

Billigere levetidsforlængelse
10 af Energinets 132 kV-kabler i København er nu udstyret med permanent overvågning af Machine Learning-værktøjet.
For Energinet betyder den nye kombinerede metode af ML og sporstof, at man i værste fald undgår 2-3 måneders arbejde med at detektere en lækage. Nu kan hele opgaven være løst på få dage, hvilket er en kæmpe fordel økonomisk, men også af hensyn til det omgivende miljø og den trafik som bliver forstyrret af gravearbejdet.
»Vores kabler ligger langs nogle af de mest trafikerede veje i København, så jo kortere tid vi skal grave og forstyrre trafikken, desto bedre. I runde tal vurderer jeg, at vi med de nye værktøjer sparer cirka 50 procent af omkostningerne, når der opstår en lækage plus alle de andre afledte fordele,« siger Steffan Morrison.
På sigt skal de gamle 132 kV-kabler skiftes til nye PEX-kabler uden olieisolering, men med de nye værktøjer bliver det billigere at holde liv i de gamle kabler i den nødvendige tid, til de bliver udskiftet.
»Man vil nemmere kunne udskyde en reinvestering i nye kabler, fordi det nu er billigere at holde liv i de gamle kabler, og dermed kan man prioritere sine nyinvesteringer anderledes, end man ellers ville have gjort,« siger Steffan Morrison.
Andre forsyningsselskaber vil også kunne have glæde af ML og sporstoffer, vurderer han.
»Kravet er, at man har anlæg, som har en høj frekvens i sin drift, så det kan betale sig, og så man har mange valide, historiske data at arbejde med. Udgangspunktet er, at man skal kende sin normaltilstand rigtig godt, før man kan lave gode prognoser og sætte relevante alarmgrænser. Alle steder, hvor teknologien bedre end mennesker kan overskue og sammenligne komplekse informationer og se mønstre, som har kritisk betydning for din drift, skal man overveje Machine Learning,« siger Steffan Morrison.