GÖTEBORG ENERGI - EN DEL AV GÖTEBORGS STAD
Personerna bakom projektet Maskinlärning: Özüm Durgun, Erik Weihs, Claes Sandels.

20-09: Prediktiv tillståndsbedömning av kablar i elnät baserat på dataanalys och maskininlärning

Syftet med projektet är att med maskininlärning och data om tidigare avbrott i elnätet bedöma vilka markkablar som bör prioriteras i elnätbolagets underhållsarbete. Bedömningen utgår från tidigare avbrott som orsakats av föråldrade och felaktiga kablar, tidigare skarvade kablar, ej gynnsamma markförhållanden och andra riskfaktorer. Projektet är avgränsat till markkablar på upp till 10 kV. 

De resulterande maskininlärningsmodellerna ska beräkna kablarnas hälsa givet data för de olika riskfaktorerna. Denna information ska bidra till att nätbolaget byter kablarna i rätt ordning. I slutändan ger det ett mer effektivt underhåll som minskar kostnader och avbrottstider för kunderna. Hälsobedömningen reducera även risken för att man ersätter kablar som är friska trots att de har nått sin tekniska livslängd.

icon-closeicon-stopchevron-lefticon-magnifychevron-disc-rightmenuicon-magnifyicon-plus