Å designe, analysere og teste strømnettstrukturer i dag krever topologier og geografisk informasjon om de ekte strømnettene. Tilgang til disse dataene er begrenset på grunn av sikkerhetsproblemer rundt kritisk infrastruktur. Dette prosjektet har som mål å generere syntetiske strømnettdata med maskinlæring som verktøy i samarbeid med Volue. Volue, et norsk teknologiselskap, leverte konfidensiell strømnettdata for å utvikle den syntetiske datageneratoren. Disse dataene representerte strømnettets infrastruktur i en liten by i Nord-Norge. Analyse av strømnettdata ble gjort ved å inspisere datafilene og konsultere Volue. Representanter fra Volue tilbød strømnettekspertise når det var nødvendig. Dataene levert av Volue ble behandlet for å passe kravene til maskinlæringsmodellen. Behandling av dataene var nødvendig siden dataformatet til strømnettet ikke kan tolkes av maskinlæringsmodeller. Databehandlingen bestod i å fjerne ubetydelige objekter som ikke hadde noen innvirkning på strømnettets struktur. Strømnettdataene ble deretter transformert til lister bestående av noder og kanter for å bli representert som grafer for grafbasert maskinlæring. Strømnettdata har store variasjoner i størrelse og innhold, noe som skaper inkonsistent input for opplæring. Dette var utfordrende ettersom maskinlæring krever en fast dimensjon for å fungere bra. De transformerte grafene ble brukt som input for de valgte geometriske dyplæringsmodellene, en grafautokoder og en variasjonsgrafautokoder. Teamet klarte å generere syntetiske strømnettstopologier, med en lignende struktur som de virkelige topologiene, ved hjelp av maskinlæring. Volue hadde ingen evaluator for de genererte strømnetttopologiene. Uten noe mål for suksess, er det ingen måte å si om de genererte topologiene er til noen nytte. Volue informerte at utviklingen vil fortsette etter prosjektet. Med dette i tankene vil forfatterne av denne rapporten presentere anbefalinger for fremtidig arbeid.