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

Stel je een uitgestrekt, onzichtbaar web van hoogspanningslijnen voor dat zich over continenten uitstrekt en de elektriciteit vervoert die onze huizen verlicht en onze steden van stroom voorziet. Decennialang hebben ingenieurs deze lijnen ontworpen om bestand te zijn tegen het weer dat zij kenden: de typische stormen, de gebruikelijke hitte en de standaardwinden. Maar de wereld verandert. Het klimaat verschuift en brengt vaker voorkomende en extremere fenomenen met zich mee — intense hittegolven, hevige stormen en woeste bosbranden — waar deze oude ontwerpen nooit voor gebouwd waren. Wanneer deze lijnen falen, is het resultaat niet slechts een flikkerend licht; het is grootschalige stroomuitval, economisch verlies en een bedreiging voor de veiligheid van gemeenschappen. Om deze kritieke infrastructuur te beschermen, wenden wetenschappers zich tot een krachtig nieuw hulpmiddel: kunstmatige intelligentie. Deze technologie kan leren van enorme hoeveelheden data om te voorspellen waar en wanneer een lijn kan breken, maar het moet de complexe geschiedenis van de omgeving eromheen begrijpen om effectief te kunnen werken.

Een team onderzoekers van de Universiteit van Pretoria in Zuid-Afrika begon te onderzoeken hoe goed de wetenschappelijke wereld deze twee werelden met elkaar verbindt: de hoogtechnologische studie van kunstmatige intelligentie en de fysieke realiteit van klimaatverandering. Zij voerden een systematische review uit, een methodische zoektocht door duizenden wetenschappelijke artikelen die tussen 2004 en 2026 zijn gepubliceerd. Hun doel was om te zien of onderzoekers er succesvol in slaagden om computermodellen die lijnstoringen voorspellen te combineren met de real-world data van weer en geografie. Ze keken naar wereldwijde trends, wie het onderzoek uitvoert en welke onderwerpen het vaakst worden besproken. Ze wilden weten of de tools die worden gebouwd daadwerkelijk klaar zijn om energiebedrijven te helpen overleven in het veranderende klimaat.

De onderzoekers troffen een landschap aan dat snel groeit maar nog versnipperd is. Het aantal studies over dit onderwerp is in de afgelopen jaren geëxplodeerd, met name sinds 2022, gedreven door een sterke belangstelling voor het gebruik van machine learning om defecten te detecteren. De review onthulde echter een aanzienlijke kloof. Hoewel er een sterke dominantie is van onderzoek naar AI, foutdiagnose en elektrotechniek, is er een beperkte integratie van klimaat-, milieu- en geowetenschappelijke perspectieven. De meeste studies richten zich slechts op één aspect. Sommige kijken puur naar de kant van de elektrotechniek, waarbij computers worden gebruikt om een gebroken draad te spotten, terwijl andere naar de kant van het weer kijken, door te bestudelen hoe wind of hitte een mast belast. Zeer weinig studies slagen erin om deze perspectieven te versmelten tot één enkel, compleet beeld dat rekening houdt met hoe klimaat en milieu samenwerken om defecten te veroorzaken.

Deze ontkoppeling is niet alleen een kwestie van academische interesse; het heeft reële gevolgen in de praktijk. De analyse toonde aan dat het onderzoek zwaar geconcentreerd is in enkele specifieke regio's, waarbij China, de Verenigde Staten en het Verenigd Koninkrijk voorop lopen. In contrast hiermede is het Afrikaanse continent, waar de behoefte aan veerkrachtige energiesystemen urgent is en het klimaat snel verandert, ondervertegenwoordigd op de wereldwijde onderzoekskaart. De auteurs merkten op dat, hoewel Zuid-Afrikaanse nutsbedrijf Eskom duizenden kilometers aan lijnen beheert die steeds kwetsbaarder zijn voor extreem weer, er zeer weinig gepubliceerd onderzoek beschikbaar is dat de specifieke uitdagingen van deze regio adresseert. Dit laat een gevaarlijk blind gebied achter, aangezien de literatuur gefragmenteerd blijft en het ontbreken heeft aan uitgebreide end-to-end geospatial artificial intelligence (Geo-AI) frameworks die de cumulatieve multi-hazard effecten van klimaat- en omgevingsvariabelen op de betrouwbaarheid van bovengrondse transmissielijnen adequaat aanpakken.

De studie benadrukte ook dat huidige methoden voor het voorspellen van defecten vaak te simpel zijn. Veel bestaande modellen kijken naar een enkele gebeurtenis, zoals één storm of één hittegolf, in plaats van het cumulatieve effect van jarenlange veranderende omstandigheden te begrijpen. Ze hebben de neiging de omgeving te behandelen als een achtergrondfactor in plaats van als een centrale speler in het verhaal van waarom een lijn faalt. De onderzoekers vonden dat, hoewel er geavanceerde tools zijn zoals deep learning en digitale tweelingen — virtuele modellen die real-world systemen nabootsen — deze nog niet worden gebruikt op een manier die de rommelige, complexe data van de natuurlijke wereld volledig integreert. Het resultaat is een verzameling gefragmenteerde studies die stukjes van de puzzel bieden, maar niet het hele plaatje.

Uiteindelijk concludeert het artikel dat het vakgebied zich op een kritiek kruispunt bevindt. De technologie om slimmere, meer veerkrachtige elektriciteitsnetten te bouwen bestaat, maar de wetenschappelijke gemeenschap heeft nog niet de bruggen gebouwd die nodig zijn om de data van klimaatwetenschap te verbinden met de algoritmen van kunstmatige intelligentie. De auteurs betogen dat voor de overleving van energiesystemen in de toekomst een nieuwe aanpak nodig is die de omgeving en de technologie als één onderling verbonden systeem behandelt. Dit betekent het ontwikkelen van frameworks die kunnen volgen hoe een combinatie van hitte, wind en vegetatie over een langere periode een lijn verzwakt, en vervolgens die kennis te gebruiken om onderhoud te sturen voordat een defect optreedt. Totdat deze integratie plaatsvind vindt, zal de wereldwijde inspanning om onze elektriciteitsnetten te beveiligen tegen een veranderend klimaat incompleet blijven, waardoor veel gemeenschappen kwetsbaar blijven voor de volgende grote storm.