Analysis of the vulnerability of the Eletrical Power Grid under extreme climatic phenomena

Abstract

In recent years, climate change has undeniably become one of the most discussed top- ics of global discourse. Many worries arise from the far-reaching implications of this phenomenon on the planet, society, and future generations. Amongst many other conse- quences, extreme weather events are predicted to increase in the coming decades. These events can be destructive to most of society’s infrastructures, including the transport and distribution of energy. As access to electricity is vital to the proper functioning of society in most sectors, it is crucial that preventive actions are taken as soon as possible to increase the resilience of the electrical infrastructures and minimize the impact of possible future climates. To enable the development of a plan for the future it is essential to understand the frailties of the infrastructure and the impacts of prior extreme weather events. Machine Learning algorithms have an unparalleled ability to predict future events with accuracy, based on past events. Gathering data from past data and applying machine learning to real-life scenarios is crucial for a better understanding of our surroundings, resulting in an increase in the quality of life of human beings. For reliable and trustworthy results machine learning models rely on vast datasets to detect patterns and apply advanced algorithms to make informed predictions, guiding decision-makers across various fields. Taking the necessity of creating a plan for preventive measures into consideration, the project developed in the scope of this master’s is a machine learning model that enables the prediction of faults in the electrical infrastructure for future climate conditions. In this research it was possible to create a machine learning tool, with and accuracy of 91% considering the the dataset created. This machine learning enables the creation of maps of Portugal that clearly identify the most vulnerable areas for each method applied for the data interpretation.

Nos últimos anos, as alterações climáticas tornaram-se indiscutivelmente um dos temas mais presentes do discurso global do qual surgem bastantes preocupações sobre as im- plicações de longo alcance deste fenómeno quer seja na sociedade, no planeta e nas gerações futuras. Entre muitas outras consequências, prevê-se que o aumento de fenóme- nos meteorológicos extremos aumente nas próximas décadas. Estes fenómenos podem ser destrutivos para a maior parte das infra-estruturas da sociedade, incluindo as infra- estruturas que fazem o transporte de energia. Uma vez que o acesso à eletricidade é vital para o bom funcionamento da sociedade na maioria dos seus sectores, é crucial que sejam tomadas acções preventivas o mais rapidamente possível para aumentar a resiliência das infra-estruturas eléctricas e minimizar o impacto de possíveis climas futuros. Para permitir o desenvolvimento de um plano para o futuro, é essencial compreender as fragilidades da infraestrutura e os impactos de eventos climáticos extremos anteriores. Os algoritmos de machine learning têm uma capacidade inigualável de prever com precisão eventos futuros com base em eventos passados. A recolha de dados do passado e a aplicação de machine learning a cenários reais são cruciais para uma melhor compreensão do que nos rodeia, resultando numa maior qualidade de vida para os seres humanos. Para obter resultados fiáveis, estes modelos de aprendizagem baseiam-se em conjuntos de dados vastos para detetar padrões e aplicar algoritmos para fazer previsões ponderadas, orientando os decisores em vários domínios. Tendo em conta a necessidade de criar um plano de medidas preventivas, o projeto desenvolvido no âmbito desta tese de mestrado é um modelo de aprendizagem que permite a previsão de falhas em infra-estruturas eléctricas para condições meteorológicas futuras. Nesta investigação foi possível criar uma ferramenta de machine learning, com uma precisão de 91% considerando o conjunto de dados criado. Esta aprendizagem automá- tica permite a criação de mapas de Portugal que identificam claramente as zonas mais vulneráveis para cada método aplicado na interpretação dos dados.