The impact of weather on power grid failures in piedmont

Weather is a major driver of power-grid disruptions, yet quantifying its role is difficult because outages are recorded at specific grid assets while weather is observed at stations with uneven coverage, especially in complex terrain. As a result, the nearest station is often not representative of the conditions experienced at the affected site. Building on an existing national relational database, this work updates and extends a regional case-study dataset and develops a reproducible workflow that consolidates outage records, grid-site information, daily meteorological observations, and lightning detections into a single structure for analysis. Daily site-level weather exposure is reconstructed through spatial interpolation strategies designed to be transparent and robust under missing data and heterogeneous station availability. On top of these reconstructed series, the work builds higher-level indicators that better reflect how weather impacts infrastructure in practice. Beyond single-day extremes, the feature layer captures multi-day persistence and accumulation, abrupt transitions, and compound situations in which multiple drivers co-occur (e.g., wet conditions together with strong winds, or precipitation interacting with snow processes). These indicators support interpretable analyses at multiple scales, from seasonal patterns to daily and location-specific comparisons. Finally, the evidence is synthesised into an interpretable daily probability-based risk score, designed to help prioritise attention to periods and locations of highest risk. The score is evaluated with forward-in-time validation and probability calibration. Overall, the analyses suggest that disruption risk is more consistently linked to persistent and compound conditions than to isolated extremes, and the framework provides a scalable basis for future extensions with additional environmental or infrastructure information.

Il meteo è un importante fattore di disservizi della rete elettrica, ma quantificarne il ruolo è difficile perché i guasti sono registrati su specifici asset, mentre le osservazioni meteo provengono da stazioni con copertura irregolare, in particolare in aree a orografia complessa. Di conseguenza, la stazione più vicina può non rappresentare le condizioni del sito interessato. Partendo da un database nazionale già esistente, questo lavoro aggiorna un caso di studio regionale e sviluppa un flusso di lavoro riproducibile che integra dati di guasto, informazioni sui siti, osservazioni meteorologiche giornaliere e rilevamenti di fulmini in una struttura unica per l’analisi. L’esposizione meteo giornaliera per sito è ricostruita con interpolazione spaziale trasparente e robusta rispetto a dati mancanti e disponibilità eterogenea delle stazioni. Sulle serie ricostruite, il lavoro deriva indicatori che descrivono meglio lo stress meteorologico sulle infrastrutture. Oltre agli estremi giornalieri, le feature catturano persistenza e accumulo su più giorni, transizioni brusche e condizioni composte con più driver (ad es. bagnato con vento forte, o precipitazioni che interagiscono con la neve). Gli indicatori supportano analisi interpretabili, dai pattern stagionali ai confronti giornalieri per localizzazione. Infine, le evidenze sono sintetizzate in un punteggio di rischio giornaliero interpretabile e basato su probabilità, per prioritizzare periodi e località a rischio più elevato. Il punteggio è valutato con validazione forward-in-time e calibrazione probabilistica. Nel complesso, le analisi suggeriscono un legame più stabile con condizioni persistenti e composte rispetto a estremi isolati e che il framework è scalabile per future estensioni con ulteriori informazioni ambientali o infrastrutturali.