Fernandes, Pedro AfonsoGalvagno, Chiara2025-11-252025-11-252025-06-232025-05-29http://hdl.handle.net/10400.14/55708This thesis investigates the impact of extreme weather events on electric transmission networks in Sicily. As climate change increases the frequency and intensity of such events, and as decarbonization and integration of renewable energy introduce new operational complexities, the need for resilient grid infrastructure has become increasingly urgent. Sicily presents a compelling case due to its central Mediterranean location, geological and island characteristics, aging infrastructure, and growing renewable capacity, all of which increase vulnerability to weather-induced disruptions. A three-stage modeling framework is developed to predict grid failure occurrence, severity, and economic impact using daily panel data from 2014 to 2023, combining high-resolution weather data with transmission outage reports. The first stage employs binary classification to forecast outage occurrence; the second, multiclass classification to assess severity; and the third, regression analysis to estimate unserved energy and associated economic loss. While acknowledging that outages may have multiple causes, the analysis identifies weather, especially wind, as a key driver. Results also show that interpretable models, such as logistic regression, can provide operational value for prioritization and planning. The study contributes to climate-resilient grid planning by demonstrating the utility of supervised learning for predictive diagnostics and highlighting the importance of improved data integration in critical infrastructure monitoring.A presente dissertação centra-se no impacto de eventos meteorológicos extremos nas redes de transmissão eléctrica da Sicília, Itália. Com o aumento da frequência e intensidade desses fenómenos e com a integração de energias renováveis, é urgente a necessidade de infraestruturas resilientes. A Sicília e um caso relevante devido à localização no Mediterrâneo, características climáticas e insulares, infraestrutura envelhecida e crescente incorporação de energias renováveis na produção de energia, fatores que aumentam a vulnerabilidade a perturbações induzidas pelos fenómenos atmosféricos. Neste contexto, foi desenvolvido um esquema de modelação em três etapas para prever a ocorrência de falhas na rede elétrica, sua gravidade e impacto económico, utilizando dados meteorológicos e registos de interrupção de energia, com periodicidade diária de 2014 a 2023. A primeira etapa recorreu à classificação binária para prever a ocorrência de falhas; a segunda etapa, à classificação em múltiplas classes para avaliar a gravidade dessas falhas; e a terceira, à análise de regressão para estimar a energia não fornecida e custos decorrentes. Embora se reconheça que as falhas podem ter múltiplas causas, a analise identifica os fenómenos atmosféricos, especialmente o vento, como fatores determinantes. Os resultados demonstram, ainda, que modelos interpretáveis, como a regressão logística, podem ter valor operacional em termos de identificação de prioridades e planeamento. Assim, este estudo contribui para a promoção de redes resilientes aos fenómenos atmosféricos, ao demonstrar a utilidade da aprendizagem automática supervisionada e a importância de uma melhor integração de dados na monitorização de infraestruturas críticas.engAprendizagem automática supervisionadaDados em painelEconomic impactEnergia não fornecida (ENS)Energy not supplied (ENS)Eventos meteorológicos extremosExtreme weather eventsImpacto económicoMachine learningOutage predictionOutage severityPanel dataPower grid resiliencePrevisão de falhas na rede elétrica e sua gravidadeResiliência da rede elétricaSicíliaSicilySupervised learningmaster thesis203972619