This study uses a simulation to gather data regarding a payment disruption. The simulation is part of a project called CCRAAAFFFTING, which examines what happens to a society when a payment disruption occurs. The purpose of this study is to develop a measure for resilience in the simulation and use machine learning to analyse the attributes in the simulation to see how they affect the resilience in the society. The resilience is defined as “the ability to bounce back to a previous state”, and the resilience measure is developed according to this definition. Two resilience measurements are defined, one which relates the simulated value to the best-case and worst-case scenarios, and the other which takes the pace of change in values into consideration. These two measurements are then combined to one measure of the total resilience. The three machine learning algorithms compared are Neural Network, Support Vector Machine and Random Forest, and the performance measure of these are the error rate. The results show that Random Forest performs significantly better than the other two algorithms, and that the most important attributes in the simulation are those concerning the customers’ ability to make purchases in the simulation. The developed resilience measure proves to respond logically to how the situation unfolded, and some suggestions to further improve the measurement is provided for future research. / I denna studie används en simulering för att samla in data. Simuleringen är en del i ett projekt som kallas för CCRAAAFFFTING, vars syfte är att undersöka vad som händer i ett samhälle om en störning i betalsystemet inträffar. Syftet med denna studie är att utveckla ett mått för resiliens i simuleringen, samt att använda machine learning för att analysera attributen i simuleringen för att se hur de påverkar resiliensen i samhället. Resiliensen definieras enligt ”förmågan att snabbt gå tillbaka till ett tidigare stadie”, och resiliensmåttet utvecklas i enlighet med denna definition. Två resiliensmått definieras, där det ena måttet relaterar det simulerade värdet till de värsta och bästa scenarierna, och det andra måttet tar i beaktning hur snabbt värdena förändrades. Dessa två mått kombineras sedan till ett mått för den totala resiliensen. De tre machine learning-algoritmerna som jämförs är Neural Network, Support Vector Machine och Random Forest, och måttet för hur de presterar är felfrekvens. Resultaten visar att Random Forest presterar märkbart bättre än de andra två algoritmerna, och att de viktigaste attributen i simuleringen är de som berör kunders möjlighet att genomföra köp i simuleringen. Det utvecklade resiliensmåttet svarar på ett logiskt sätt enligt hur situationen utvecklar sig, och några förslag för att vidare utveckla måttet ges för vidare forskning.

A growing use of sensors on the electric grid has opened the door to new methods of asset management: Distribution System Operators are now looking into conditionbased maintenance, as opposed to the traditional corrective or time-based methods. As an emerging field, the methodology must be constructed from the ground, with the little data available. The focus is put on cross-linked polyethylene medium voltage overhead lines (XLPE MVOHL)asthe asset to manage, and the aim of this work is to study under which conditions the use of sensors to improve maintenance scheduling on those lines is economically profitable. Solving this problem starts with a necessary review of key ageing mechanisms of XLPE MV overhead lines, followed by the identification of sensors which can monitor the quantities behind these mechanisms. Statistical models for the lifetime of electrical assets and economic models for the analysis of investments are also described. From this preliminary study, a condition-based maintenance methodology was devised using the concept of Health Index to gather data from multiple types of sensors into one unique indicator. Using existing literature, this health index is used to dynamically estimate the failure rate of the line. This failure rate is the key to condition-based maintenance scheduling: maintenance operations are triggered when the failure rate reaches a threshold. Selecting one ageing mechanism- electrical stress-, and one type of sensorpartial discharge inductive sensors-, a Python simulation was built (and is shared at the end of this thesis) allowing to compare the cost of predictive maintenance to the cost of corrective maintenance over several decades, with the key parameters clearly identified and analysed. Beyond the methodology in itself, the main result of the work is that the use of sensors is economically profitable in most of the studied conditions. This project also reveals the strong influence of some parameters on this profitability: condition monitoring is particularly justified for short-lived assets, with a narrow distribution of failures. The failure rate threshold must be set carefully as it has a major impact on the analysis: setting it too high leads to an unprofitable scenario. / Den ökande användningen av sensorer i elnätet har öppnat dörren för nya metoder för förvaltning av tillgångar: Distributionsnätsoperatörer tittar nu på tillståndsbaserat underhåll, i motsats till de traditionella korrigerande eller tidsbaserade metoderna. Eftersom det rör sig om ett nytt område måste metoden byggas upp från grunden, med de få data som finns tillgängliga. Fokus ligger på luftledningar av tvärbanden polyeten med medelhög spänning (XLPE MV OHL) som den tillgång som ska förvaltas, och syftet med detta arbete är att undersöka under vilka förhållanden det är ekonomiskt lönsamt att använda sensorer för att förbättra underhållsplaneringen på dessa ledningar. För att lösa detta problem börjar man med en nödvändig genomgång av de viktigaste åldringsmekanismerna för XLPE MV luftledningar, följt av identifiering av sensorer som kan övervaka de kvantiteter som ligger bakom dessa mekanismer. Statistiska modeller för livslängden för elektriska tillgångar och ekonomiska modeller för analys av investeringar beskrivs också. Utifrån denna preliminära studie utarbetades en metod för tillståndsbaserat underhåll med hjälp av begreppet hälsoindex för att samla data från flera olika typer av sensorer till en unik indikator. Med hjälp av befintlig litteratur används detta hälsoindex för att dynamiskt uppskatta felfrekvensen för ledningen. Denna felfrekvens är nyckeln till en tillståndsbaserad underhållsplanering: underhålls åtgärder utlöses när felfrekvensen når ett tröskelvärde. Genom att välja en åldringsmekanism- elektrisk belastning- och en typ av sensor- induktiva sensorer med partiell urladdning- byggdes en Python-simulering (som delas i slutet av denna avhandling) som gör det möjligt att jämföra kostnaden för förebyggande underhåll med kostnaden för korrigerande underhåll under flera decennier, med de viktigaste parametrarna tydligt identifierade och analyserade. Utöver själva metoden är det viktigaste resultatet av arbetet att användningen av sensorer är ekonomiskt lönsam under de flesta av de studerade förhållandena. Projektet visar också att vissa parametrar har ett starkt inflytande på denna lönsamhet: tillståndskontroll är särskilt motiverat för tillgångar med kort livslängd och en snäv fördelning av fel. Tröskelvärdet för felfrekvensen måste sättas med omsorg eftersom det har stor inverkan på analysen: om det sätts för högt leder det till ett olönsamt scenario.

In the rapidly evolving landscape of the Internet of Things (IoT), ensuring consistency and reliability becomes a top priority for a seamless user experience. In many instances, reliability is assessed through Quality of Service (QoS) metrics, sidelining traditional reliability metrics that thrive on time-dependent failure rates. The lack of a comprehensive framework that fully integrates all layers of an IoT system adds to the complexity. This gap makes it difficult to pinpoint specific areas that need improvement and to conduct a thorough assessment of the system’s reliability. This project addresses this intricate challenge, which holds significant relevance for industry professionals but remains unresolved. The project introduced an IoT architecture spanning the Power, Device, Edge, Application, and Cloud Layers. Within each layer, potential failure points were identified, and the reliability was analysed deploying time-based failure rates with an exponential distribution. Reliability Block Diagrams (RBDs) were employed to map the intricate inter-dependencies, though the framework’s adaptive nature allows for other system reliability methodologies. One of the primary outcomes of this research is the development of a new framework tailored for evaluating the reliability of various IoT system components. This framework yields insights into both system reliability and availability over time, serving as a pivotal tool for stakeholders such as device manufacturers, system integrators, network providers, and research institutions. The results show how the framework emerges as a pivotal starting point for IoT system reliability evaluation. Before this thesis, the feasibility of such a framework was uncertain, with concerns about its potential bias – being either too pessimistic or optimistic. Yet, the tangible results from this work affirm its capability to provide a balanced and reasonable reliability estimation, given the intricacies of IoT devices. This paves the way for subsequent research, enabling a deeper dive into targeted enhancements and fostering a nuanced understanding of IoT reliability. / I det snabbt föränderliga IoT-landskapet (Internet of Things) är det av högsta prioritet att säkerställa konsekvens och tillförlitlighet för en sömlös användarupplevelse. I många fall bedöms tillförlitligheten med hjälp av QoSmått (Quality of Service), vilket innebär att traditionella tillförlitlighetsmått som bygger på tidsberoende felfrekvenser åsidosätts. Avsaknaden av ett heltäckande ramverk som integrerar alla lager i ett IoT-system bidrar till komplexiteten. Denna brist gör det svårt att identifiera specifika områden som behöver förbättras och att göra en grundlig bedömning av systemets tillförlitlighet. Detta projekt tar itu med denna komplicerade utmaning, som har stor relevans för branschfolk men som fortfarande inte har lösts. Projektet introducerade en IoT-arkitektur som spänner över kraft-, enhets-, Edge-, applikationsoch molnlagren. Inom varje lager identifierades potentiella felpunkter och tillförlitligheten analyserades med hjälp av tidsbaserade felfrekvenser med en exponentiell fördelning. Tillförlitlighetsblockdiagram (RBD) användes för att kartlägga de komplicerade ömsesidiga beroendena, även om ramverkets adaptiva natur möjliggör andra metoder för systemtillförlitlighet. Ett av de främsta resultaten av denna forskning är utvecklingen av ett nytt ramverk som är skräddarsytt för att utvärdera tillförlitligheten hos olika IoT-systemkomponenter. Detta ramverk ger insikter om både systemets tillförlitlighet och tillgänglighet över tid, och fungerar som ett viktigt verktyg för intressenter som tillverkare av enheter, systemintegratörer, nätverksleverantörer och forskningsinstitutioner. Resultaten visar hur ramverket framstår som en viktig utgångspunkt för utvärdering av IoT-systemens tillförlitlighet. Före den här avhandlingen var det osäkert om ett sådant ramverk var genomförbart, med farhågor om dess potentiella partiskhet - att vara antingen för pessimistisk eller optimistisk. De konkreta resultaten från detta arbete bekräftar dock ramverkets förmåga att ge en balanserad och rimlig uppskattning av tillförlitligheten, med tanke på IoT-enheternas komplexitet. Detta banar väg för efterföljande forskning, vilket möjliggör en djupare analys av riktade förbättringar och främjar en nyanserad förståelse av IoT-tillförlitlighet.