De alltmer påtagliga klimatförändringar som sker runt om i världen ställer allt större krav på varje enskilt land att minska utsläppen av fossila bränslen. Därav jobbar både Sverige och många andra länder för de globala målen, som bland annat innebär att lösa klimatkrisen innan år 2030. För att uppnå detta mål krävs en stor omställning i samhället, varav en viktig del är att bygga ut landets elnät så att mer förnybara energikällor kan brukas. Att bygga ut elnäten är en stor utmaning som kräver bra geografisk information som kan skapa underlag för en effektiv planering. I nuläget är det dock brist på geografisk information över alla typer av ledningar, och den minimala datamängd som finns saknar viktig höjdinformation som behövs vid planering och olika typer av analyser. På så vis har denna studie utförts i syfte att försöka utveckla en djupinlärningsmodell som ska kunna klassificera främst lokala- och regionala luftledningar utifrån Lantmäteriets ”laserdata nedladdning, skog”. Det klassade punktmolnet ska sedan kunna användas för att skapa en 3D-modell över luftledningarna och omkringliggande miljö, för att bättre kunna visualisera verkligheten. För att utföra detta har de två djupinlärningsmodellerna PointCNN och RandLA-Net testats i ett område öster om Degerfors, där punkttätheten är tillräckligt hög samt att det finns både lokala- och regionala ledningar i området. Den färdigtränade modellen har sedan testats i ett nytt område i Olofström för att kontrollera hur väl generaliserad modellen blev. För att ta reda på hur lönsamt det är att ta fram en egenutvecklad djupinlärningsmodell, har den även jämförts med Esris förtränade modell. Samtliga processer har utförts i ArcGIS Pro. Resultatet visar att den framtagna modellen enligt RandLA-Net arkitekturen är något överanpassad för att kunna leverera bra klassificeringsresultat på andra områden än där modellen tränades. Det har även visat sig att den framtagna modellen inte kan ge avsevärt bättre resultat jämfört med Esris förtränade modell. Dock uppnådde ingen modell bra klassificeringsresultat, vilket innebär att en fortsatt studie med vissa förbättringar skulle behöva utföras för att kunna fortsätta arbetet framåt.  Sammanfattningsvis har studien visat att punktavståndet har en påverkande roll för hur bra klassificeringsresultat som kan uppnås. I de områden där punktätheten är tillräckligt bra och klassificeringen är korrekt, kan en tillförlitlig 3D-modell skapas. En förbättring skulle vara att använda en laserdatamängd med mer mångfald vid träning. Därmed skulle det kunna utvecklas en mer generell modell som kan leverera bra resultat över fler laserskannade områden. På så vis skulle en fortsatt studie vara relevant när Lantmäteriet utfört sin tredje laserskanning över Sverige. / The increased climate change that occurring around the world requires even more from each individual country to reduce the emissions of fossil fuels. Thus, both Sweden and many other countries are working towards the global goals, including solving the climate crisis before 2030. To achieve this goal, a major change in society is required. One major part of this is to expand the electricity network so more renewable energy sources can be used. Expanding the electricity networks is a big challenge that requires good geographical information that can create a basis for effective planning. Furthermore, there is a lack of geographic information about all types of powerlines, and the minimal amount of data that exists missing important height information that is needed for planning and different types of analyses. In this way, the purpose with this study is to develop a deep learning model that should be able to classify primarily local and regional overhead powerlines based on the Land Survey´s "Laserdata nedladdning, skog". The classified point cloud should then be used to create a 3D model of the overhead powerlines and the surrounding environment to better visualize reality. To do this, the two deep learning models PointCNN and RandLA-Net have been tested in an area east of Degerfors, where the point density is high enough. The fully trained model has then been tested in a new area in Olofström to check how well the model was generalized. In order to find out how profitable it is to develop a deep learning model, the developed model has also been compared with Esri's pre-trained model. All processes have been carried out in ArcGIS Pro. The result shows that the developed model according to the RandLA-Net architecture is somewhat over-adapted to be able to deliver good classification results in areas other than where the model was trained. The study has also shown that the developed model cannot provide significantly better results compared to Esri's pretrained model. However, no model achieved good classification results, which means that a further study with some improvements would be appropriate to continue the work forward.To summarize, the study has shown that the point distance has a great impact for the classification results. In areas where the point density is high enough and the classification is correct, a reliable 3D model can be created. An improvement would be to use a lidar dataset with more diversity in training to be able to develop a more general model that can deliver good results over more scanned areas. In this way, a continued study would be relevant when the Land Survey has performed the third scan of Sweden.