Overhead Transmission Line Fragility, Climate-Induced Risks and Geospatial Artificial Intelligence: A Systematic Bibliometric Review

Stellen Sie sich ein riesiges, unsichtbares Netz aus Stromleitungen vor, das sich über Kontinente erstreckt und den Strom trägt, der unsere Häuser beleuchtet und unsere Städte mit Energie versorgt. Jahrzehntelang haben Ingenieure diese Leitungen so entworfen, dass sie dem Wetter standhalten, das sie kannten: den typischen Stürmen, der üblichen Hitze und den Standardwinden. Doch die Welt verändert sich. Das Klima wandelt sich und bringt häufigere und heftigere Extreme mit sich – intensive Hitzewellen, heftige Stürme und tobende Waldbrände –, für die diese alten Designs nie gebaut wurden. Wenn diese Leitungen versagen, ist das Ergebnis nicht nur ein flackerndes Licht; es sind weiträumige Blackouts, wirtschaftliche Verluste und eine Bedrohung für die Sicherheit der Gemeinschaften. Um diese kritische Infrastruktur zu schützen, wenden Wissenschaftler ein mächtiges neues Werkzeug ein: künstliche Intelligenz. Diese Technologie kann aus massiven Datenmengen lernen, um vorherzusagen, wo und wann eine Leitung brechen könnte, aber sie muss die komplexe Geschichte der sie umgebenden Umwelt verstehen, um effektiv arbeiten zu können.

Ein Team von Forschern der University of Pretoria in Südafrika machte sich daran zu untersuchen, wie gut die wissenschaftliche Welt diese beiden Welten miteinander verbindet: die hochtechnologische Untersuchung der künstlichen Intelligenz und die physische Realität des Klimawandels. Sie führten eine systematische Übersichtsarbeit durch, eine methodische Suche in tausenden wissenschaftlichen Arbeiten, die zwischen 2004 und 2026 veröffentlicht wurden. Ihr Ziel war es zu sehen, ob Forscher erfolgreich Computer-Modelle, die Leitungsfehler vorhersagen, mit den realen Daten von Wetter und Geografie kombinieren. Sie betrachteten globale Trends, wer die Forschung betreibt und welche Themen am häufigsten diskutiert werden. Sie wollten wissen, ob die entwickelten Werkzeuge tatsächlich bereit sind, Energieunternehmen beim Überleben im sich verändernden Klima zu helfen.

Die Forscher fanden eine Landschaft vor, die schnell wächst, aber fragmentiert bleibt. Die Anzahl der Studien zu diesem Thema ist in den letzten Jahren explosionsartig gestiegen, insbesondere seit 2022, angetrieben durch ein wachsendes Interesse an der Nutzung von maschinellem Lernen zur Fehlererkennung. Die Übersichtsarbeit offenbarte jedoch eine signifikante Lücke. Während eine starke Dominanz der Forschung in den Bereichen KI, Fehlerdiagnose und Energietechnik besteht, ist die Integration von Perspektiven aus Klima, Umwelt und Geowissenschaften begrenzt. Die meisten Studien konzentrieren sich nur auf einen Aspekt. Einige betrachten rein die Seite der Elektrotechnik und nutzen Computer, um einen gebrochenen Draht zu entdecken, während andere die Wetterseite betrachten und untersuchen, wie Wind oder Hitze einen Mast belasten. Nur sehr wenige Studien schaffen es, diese Perspektiven zu einem einzigen, vollständigen Bild zu verschmelzen, das berücksichtigt, wie Klima und Umwelt zusammenwirken, um Ausfälle zu verursachen.

Diese Diskrepanz ist nicht nur eine Frage des akademischen Interesses; sie hat reale Konsequenzen. Die Analyse zeigte, dass die Forschung stark in einigen wenigen spezifischen Regionen konzentriert ist, wobei China, die Vereinigten Staaten und das Vereinigte Königreich die Führung übernehmen. Im Gegensatz dazu ist der afrikanische Kontinent, auf dem der Bedarf an resilienten Stromsystemen dringend ist und in dem sich das Klima schnell verändert, in der globalen Forschungslandkarte unterrepräsentiert. Die Autoren merkten an, dass zwar das südafrikanische Energieunternehmen Eskom Tausende von Kilometern an Leitungen verwaltet, die zunehmend anfällig für extremes Wetter sind, es jedoch kaum veröffentlichte Forschung gibt, die sich mit den spezifischen Herausforderungen dieser Region befasst. Dies hinterlässt einen gefährlichen blinden Fleck, da die Literatur fragmentiert bleibt und es an umfassenden End-to-End-Geospatial Artificial Intelligence (Geo-AI)-Frameworks mangelt, die die kumulativen Multi-Hazard-Auswirkungen von Klima- und Umweltvariablen auf die Zuverlässigkeit von Freileitungen angemessen adressieren.

Die Studie hob auch hervor, dass aktuelle Methoden zur Vorhersage von Ausfällen oft zu simpel sind. Viele bestehende Modelle betrachten ein einzelnes Ereignis, wie etwa einen einzelnen Sturm oder eine Hitzewelle, anstatt den kumulativen Schaden zu verstehen, der durch jahrelange verändernde Bedingungen entsteht. Sie neigen dazu, die Umwelt als Hintergrundfaktor zu behandeln, statt sie als zentralen Akteur in der Geschichte darüber, warum eine Leitung ausfällt, zu begreifen. Die Forscher fanden, dass es zwar fortschrittliche Werkzeuge wie Deep Learning und digitale Zwillinge – virtuelle Modelle, die reale Systeme nachahmen – gibt, diese jedoch noch nicht in einer Weise eingesetzt werden, die die chaotischen, komplexen Daten der natürlichen Welt vollständig integriert. Das Ergebnis ist eine Sammlung fragmentierter Studien, die Teile des Puzzles bieten, aber nicht das ganze Bild.

Letztlich kommt die Arbeit zu dem Schluss, dass sich das Feld an einem kritischen Wendepunkt befindet. Die Technologie zum Bau smarterer, resilienterer Stromnetze existiert, aber die wissenschaftliche Gemeinschaft hat noch nicht die Brücken gebaut, die nötig sind, um die Daten der Klimawissenschaft mit den Algorithmen der künstlichen Intelligenz zu verbinden. Die Autoren argumentieren, dass wir für das Überleben der Stromsysteme in der Zukunft einen neuen Ansatz benötigen, der die Umwelt und die Technologie als ein miteinander verbundenes System betrachtet. Dies bedeutet, Frameworks zu entwickeln, die verfolgen können, wie eine Kombination aus Hitze, Wind und Vegetation über die Zeit eine Leitung schwächt, und dieses Wissen dann zu nutzen, um Wartungen zu steuern, bevor ein Ausfall eintritt. Bis diese Integration erfolgt, wird die globale Bemühung, unsere Stromnetze gegen ein sich veränderndes Klima abzusichern, unvollständig bleiben und viele Gemeinschaften der nächsten großen Sturm gegenüber verwundbar zurücklassen.