UNIVERSITA DEGLI STUDI DI FIRENZE FACOLTA DI INGEGNERIA C.D.L INGEGNERIA AMBIENTE E TERRITORIO Corso di Teoria dei Sistemi Prof. A.
|
|
- Raffaella Leone
- 8 anni fa
- Visualizzazioni
Transcript
1 UNIVERSITA DEGLI STUDI DI FIRENZE FACOLTA DI INGEGNERIA C.D.L INGEGNERIA AMBIENTE E TERRITORIO Corso di Teoria dei Sistemi Prof. A.Casavola Annalisa Romiti Raffaella Iacocca Riccardo Bojola a.a. 2/21
2 INDICE Introduzione 2 Capitolo 1 Gas naturale: consumi normative Aspetto energetico Normative e delibere Consumi di gas e variabilità climatica 5 Capitolo 2 Presentazione dei dati Comune di Civitella della Chiana Consumi Temperature 7 Capitolo 3 Richiami teorici sui modelli ARIMA Trasformazione dei dati Analisi delle funzioni di autocorrelazione Inferenza delle funzioni di autocorrelazione Genesi e proprietà dei modelli ARIMA La procedura di Box & Jenkins 12 Capitolo 4 Modello ARIMA delle temperature 12 Capitolo 5 Modello ARIMA dei consumi 19 Capitolo 6 Modello ARIMA multivariato Cross-correlazione Taratura di un modello ARIMA Modello a media mobile sulle temperature Modello autoregressivo dei consumi e a media mobile delle temperature 28 Conclusioni 38 Bibliografia 39 2
3 Introduzione Con questo lavoro ci proponiamo un duplice obiettivo: creare un modello che schematizzi l andamento dei consumi di gas metano del Comune di Civitella della Chiana e individuare la dipendenza di questi dalle temperature. I dati delle temperature sono relativi alla stazione metereologica A.R.P.A.T. di Arezzo, mentre i dati dei consumi sono forniti dall azienda di distribuzione COINGAS. Per l elaborazione dei dati si utilizzano i softwares STATISTICA for WINDOWS e MATLAB. La nostra analisi parte dalla creazione di due modelli univariati ARIMA (Auto Regressive Integrated Moving Average), proseguendo con l individuazione della dipendenza tra le due serie di dati, fino ad ottenere un unico modello multivariato che sintetizzi il problema. Lo studio si conclude con l utilizzo di tale modello a scopo previsionale per brevi orizzonti di tempo. 1. Gas naturale: consumi e normative 1.1. Aspetto energetico Il gas naturale sta diventando una fonte energetica sempre più attraente in virtù del suo basso impatto ambientale. Secondo le proiezioni dell Agenzi dell Energy Information Administration statunitense (EIA), il consumo di gas naturale aumenterà notevolmente nei prossimi venti anni, sia nei paesi in via di sviluppo che in quelli industrializzati. L evoluzione della domanda sarà condizionata dallo sviluppo di infrastrutture dedicate allo stoccaggio e, specialmente, dal trasporto del combustibile. Molti giacimenti di gas naturale, infatti, si trovano a grande distanza dai luoghi di impiego, ed i costi di trasporto nei gasdotti e via nave sono elevati rispetto a quelli necessari per trasportare il petrolio. La domanda lorda di energia in Italia, nel corso degli ultimi cinque anni, ha avuto una crescita media del 2%: l impulso maggiore all incremento dei consumi energetici deriva soprattutto dai settori residenziale e terziario, mentre più contenuto è risultato quello del settore dei trasporti. La fonte petrolifera, pur aumentando leggermente in termini assoluti, contribuisce sempre meno alla copertura della domanda complessiva, con una tendenza alla sostituzione di tale fonte con altre di più agevole utilizzo e soprattutto di minore impatto ambientale. Assume sempre maggior rilievo il gas naturale, contribuendo alla copertura della domanda per il 3,6% con un incremento nel 2, rispetto all anno precedente, dell 8,8% A livello nazionale il settore di estrazione, trasporto e distribuzione contribuisce al complesso delle attività energetiche per quasi il 2% in termini di produzione, valore aggiunto e occupazione (circa Nel 1999 i consumi finali di gas naturale in termini fisici hanno raggiunto i 67 miliardi di m 3 crescendo a ritmi superiori a quelli verificatisi negli anni precedenti. L espansione appare ancora più significativa se vista in relazione a temperature invernali più elevate della norma. Come negli anni precedenti, l impulso alla crescita è principalmente derivato dalla generazione elettrica i cui consumi sono aumentati del 22,4%, con un contributo del gas naturale alla generazione 3
4 termoelettrica che supera il 4%. L incremento è stato elevato anche nel settore industriale, con un aumento di 1,2 miliardi di m 3, mentre l inverno relativamente mite ha limitato l aumento dei consumi civili a,5 miliardi di m 3. Consumo interno lordo per fonte primaria 1% 8% 6% 4% 2% % Importazioni nette energia elettrica Fonti rinnovabili Combustibili solidi Prodotti petroliferi Gas naturale Fig.1.1 Consumi di gas naturale per settore nel % 29% 1% 31% industriali civili energia elettrica autotrazione Fig. 1.2 I consumi di gas naturale nel 1998 sono stati assorbiti per il 73% dalle abitazioni con impianto di riscaldamento autonomo, con un incremento di 12 punti percentuali dal 199, una tendenza iniziata a partire dagli anni 7. Ad un aumento delle abitazioni occupate provviste di impianti di riscaldamento nel periodo (+7,6%) non corrisponde un aumento dei consumi medi unitari per riscaldamento che, al contrario, fanno registrare una diminuzione(-1% circa). Oltre che da favorevoli congiunture climatiche, questo andamento è dovuto ad un aumento dell efficienza dell uso dell energia nel riscaldamento delle abitazioni. 4
5 consumi di energia nel settore residenziale per fonte [ktep] 1% 8% 6% 4% 2% % Legna Carbone Olio combustibile Gasolio GPL Prodotti petroliferi Gas Energia elettrica Fig Normative e delibere PIANO ENERGETICO REGIONALE (PER) DELLA TOSCANA Il PER della Toscana è, tra i Piani predisposti recentemente, il solo approvato dal Consiglio Regionale (delibera 1 del 18/1/2), insieme a quello della Valle d Aosta. Il Piano, realizzato dall Agenzia Regionale per l Energia della Toscana in collaborazione con l ENEA, promuove la riduzione dei consumi energetici nonché l innalzamento dei livelli di efficienza energetica della domanda come priorità strategica favorendo inoltre l uso delle fonti rinnovabili e la loro integrazione, insieme alle assimilate, con le attività produttive, economiche e urbane. Ai sensi dell art.2 della legge regionale 45 del 27/6/1997, il Piano è articolato in quattro parti, delle quali una è la disciplinare di attuazione, che formula un programma temporale di previsione, nonché le modalità di monitoraggio dei risultati attesi. LIBERALIZZAZIONE DEL MERCATO DI VENDITA E DISTRIBUZIONE DEL GAS Il settore del gas naturale sta attraversando un processo di profonda trasformazione, che interessa non solo i soggetti esercenti, ma anche i clienti finali. Il decreto n.164/, liberalizzando il mercato del gas naturale, stabilisce che dall 1 gennaio 23 sono idonei tutti i clienti del servizio gas, mentre i clienti il cui consumo sia superiore a duecentomila metri cubi di gas all anno sono già riconosciuti idonei dalla data di entrata in vigore dello stesso decreto. Il decreto definisce come cliente finale il consumatore che acquista gas per uso proprio e come cliente idoneo la persona fisica o giuridica che ha la capacità per effetto del decreto di stipulare contratti di fornitura, acquisto e vendita con qualsiasi produttore, importatore, distributore o grossista, sia in Italia che all estero ed ha diritto di accesso al sistema. Lo stesso decreto prevede che a decorrere dall 1 gennaio 22 l attività di vendita, per le aziende. clienti, venga separata dall attività di distribuzione e venga svolta da un soggetto esercente diverso. Esso prevede inoltre che a partire dall 1 gennaio 23 tale attività sia completamente liberalizzata e che i soggetti che intendono esercitarla vengano autorizzati dal 5
6 Ministero dell Industria, del Commercio e dell Artigianato. Le nuove aziende di vendita dovranno definire dei contratti di approvvigionamento di gas naturale con una tariffa di tipo binomio che iornaliero, infatti la struttura tariffaria avrà un costo notevole per l impegno giornaliero. Il documento di consultazione emesso dalla AEEG (Autorità dell Energia Elettrica e del Gas) prevede delle onerose penali in caso di superamento delle quantità giornaliere di gas prenotato. Il Piano Energetico Regionale ed il nuovo assetto del mercato del gas naturale evidenziano l importanza di un analisi previsionale dei consumi. Questa, infatti, risulta indispensabile per ogni nuovo gestore che voglia essere competitivo nel mercato liberalizzato nella vendita e nella distribuzione del gas ed inoltre si rivela essenziale nelle problematiche di tipo ambientale. 1.3 Consumi di gas e variabilità climatica La variabilità del clima è oggetto di un crescente numero di studi e di analisi il cui obiettivo, in genere, è di verificare l impatto dovuto ai mutamenti ambientali prodotto dallo sviluppo economico. Le stesse rilevazioni sono promosse dalle aziende che operano nel campo dell energia, come la SNAM e le imprese del settore elettrico. Vengono infatti utilizzate per effettuare previsioni sempre più puntuali del fabbisogno delle reti, sia nell arco dell anno, sia nelle diverse fasce orarie, con Da questi studi è emerso che la variabilità dei consumi aumenta col diminuire delle temperature, essendo questa più elevata nei mesi freddi rispetto a quelli estivi. Anche sotto il profilo geografico, le variazioni risultano più elevate nelle località più fredde. Grazie alla flessibilità dei nuovi impianti a gas è infatti possibile per le famiglie e i clienti in genere, oggi, più che in passato, adeguare l utilizzazione del riscaldamento all effettivo andamento del clima. Queste considerazioni evidenziano l importanza di una previsione sempre più esatta della relazione che lega temperature e consumi di gas nelle località e nei mesi in cui la temperatura è maggiormente variabile. Sulla base di tale relazione diventa infatti possibile ottimizzare l impiego della rete e raggiungere un elevato grado di precisione nel budget. Ed è proprio in questa ottica che si sviluppa la nostra analisi, partendo dai dati di consumi e temperature del Comune di Civitella in Valdichiana dall anno 1996 al 2. 6
7 2. Presentazione dei dati 2.1 Comune di Civitella della Chiana Il Comune di Civitella è situato in Valdichiana, in provincia di Arezzo, ad una quota di 28 m s.l.m; 2 ed una popolazione di circa 8565 abitanti, con una densità di circa.76 abitanti per Km 2. Fig.2.1 La metanizzazione del comune è iniziata nel 1988 ed ha avuto negli anni successivi un notevole incremento, fino al raggiungimento, nel 2, di una lunghezza di rete pari a 52 m, di cui 2323 m in MP(media pressione) ed i rimanenti in BP(bassa pressione). Facendo riferimento agli anni fra il 1992 e il 1999, è possibile osservare un notevole aumento dei clienti allacciati come indicato nella seguente tabella: 7
8 anno UTENTI Negli allegati 1 e 2 si riportano la carta 1:25 delle aree metanizzate del Comune di Civitella e il verbale di constatazione e verifica della cabina di riduzione e misura e relativo schema di impianto. 2.2 Consumi L utenza della zona considerata è prevalentemente di tipo residenziale ed i consumi di gas metano sono destinati soprattutto al riscaldamento domestico, quindi la nostra analisi si riferisce esclusivamente all anno termico (ottobre-aprile). I dati utilizzati sono forniti dal COIN.G.A.S. (Consorzio Intercomunale Gas Acqua Servizi) e rappresentano il prelievo giornaliero della totalità delle utenze della zona considerata. I dati mancanti, dovuti al non funzionamento dell impianto di misura, sono ricostruiti mediante interpolazione lineare. 2.3 Temperature I dati utilizzati sono il valore massimo, minimo e media oraria rilevati presso la stazione metereologica ARPAT di Arezzo, ritenuti comunque validi data la vicinanza e la compatibilità climatica con il comune di Civitella. Per poter svolgere un analisi comparata tra le due serie di dati, è necessario calcolare la media giornaliera delle temperature. Per la costruzione di un modello più generale sarebbe opportuno disporre di un intervallo temporale lità del clima che negli ultimi anni è stato in generale più mite; questo non è possibile per mancanza di dati disponibili. 8
9 3. Richiami teorici sui modelli A.R.I.M.A. Una serie temporale è una serie di osservazioni [x t,t=1,2,,n] fatte in modo sequenziale nel tempo per fini diversi,come ad esempio la previsione, la simulazione, il controllo, etc. Queste osservazioni possono essere eseguite sia in modo continuo nel tempo, che in modo discreto; nel nostro caso i dati sono rilevazioni giornaliere per i consumi ed orarie per le temperature, quindi dobbiamo trattare due serie temporali discrete. Inoltre potremmo ben classificarle come serie temporali non deterministiche (o statistiche) poiché non è possibile, per la natura stessa dei due fenomeni, determinare in modo esatto, tramite una funzione matematica, i valori delle osservazioni. Una serie storica può essere vista come una realizzazione di un particolare processo stocastico (fenomeno statistico che evolve nel tempo seguendo leggi probabilistiche) ed in quanto tale deve risultare strettamente stazionario, cioè deve essere caratterizzato da media e varianza costante. Nel nostro caso, non avendo a disposizione l espressione della distribuzione di probabilità del processo, possiamo stimare queste grandezze a partire dalle osservazioni disponibili e, se la stazionarietà non fosse verificata, possiamo operare attuando l analisi alle differenze successive o le trasformazioni Box-Cox Trasformazioni dei dati Ecco alcune possibili procedure da utilizzare per trasformare una serie storica in un processo stazionario : Analisi alle differenze successive: volendo sostituire la serie di partenza x t della differenza d-esima basta calcolare : con la serie storica d x t = ( d-1 x t ), con d> e considerare questi valori invece dei dati osservati; un analisi di questo tipo può essere utile nel caso in cui si voglia eliminare un trend di ordine d dai dati, al costo di un amplificazione degli effetti derivanti dalla presenza di dati anomali (outliers); Se poi abbiamo delle serie che descrivono più anni, è consigliabile effettuare delle differenze stagionali, definendo come differenza (prima ) stagionale di periodo s l espressione: s x t = x t - x t-s Trasformazioni di Box-Cox: la scelta della trasformazione ad hoc per la serie considerata deve essere fatta in modo tale che da ottenere: a. maggiore simmetria della distribuzione b. maggiore indipendenza dagli effetti casuali c. maggiore stabilità della varianza Per assicurare l omoschedasticità della serie temporale ci limiteremo alla trasformazione logaritmica dei dati, una delle procedure Box-Cox più usate. 9
10 3.2.Analisi delle funzioni di autocorrelazione Questo tipo di analisi può essere molto utile nel caso in cui si voglia fare una verifica della stazionarietà di una serie temporale. DEF. La funzione di autocorrelazione globale ρ(k) al lag k (cioè al passo k) del processo stazionario x t si può definire come il coefficiente di correlazione lineare tra le variabili casuali x t e x t-k,calcolato al variare di k =1,2, ρ ( k) = Cov( xt, xt k ) + Var( x ) Var( x ) t t + k Per stimare questa funzione a partire dai dati osservati è necessario assicurare l ergodicità rispetto all autocovarianza della serie storica, cioè l autocovarianza deve tendere a zero al crescere dei lag. In generale non è detto che processi stazionari siano necessariamente ergodici, mentre lo sono sia i processi stazionari e invertibili che quelli gaussiani con elementi della matrice di varianza e covarianza tutti finiti. Data una serie temporale x t di n dati, definendo con µ= (Σ(x t ))/n il valor medio delle osservazioni, la stima della funzione di autocorrelazione globale (ACF) è data da: ^ ρ ( k) = n t = k + 1 x t n t = 1 ^ µ x t x ^ µ t k 2 ^ µ k=,1,2,3 L analisi della funzione di autocorrelazione è fondamentale sia per l identificazione di un trend all interno dei dati, che per la definizione del modello ARIMA stesso. DEF.La funzione di autocorrelazione parziale π(k) al lag k di un processo stazionario z t = x t -µ è definita da: π ( k) Corr( z E( z z z ), z E( z z z ),, + = t t t 1 1 \,, t k + t k t k t t k 1 La funzione di autocorrelazione parziale (PACF) è stata definita dunque come la correlazione lineare tra x t e x t-k,al netto delle correlazioni lineari intermedie. Si può dimostrare che le informazioni teoriche deducibili ρ e da π sono matematicamente equivalenti. 1
11 3.3. Inferenza dalle funzioni di autocorrelazione La stima della funzione di autocorrelazione consente di creare una precedura con la quale è possibile risalire in modo consistente ed efficiente da una serie temporale ad una parametrizzazione finita di un processo stocastico, nell ambito dei processi gaussiani, stazionari e invertibili, secondo lo schema riportato di seguito : ModelloARIMA lineare,gaussiano, stazionario e invertibile relazioni biunivoche Funzione di autocovarianza Stima statistica Serie temporale osservata Calcolo numerico Stima della funzione di autocavarianza 3.4. Genesi e proprietà dei modelli ARIMA MODELLI AUTOREGRESSIVI Si dice modello autoregressivo di ordine p e si indica con AR(p) un modello tale che: X t+1 =a X t + a 1 X t a p X t-p + ε t+1 Cioè la previsione di X al tempo t+1 è dipendente linearmente da X t e da un passato finito formato da p passi indietro. Introducendo l operatore ritardo unitario (backward), indicato con B, l espressione precedente si può esprimere in forma più compatta come equazione alle differenze: X t+1 =A p (B) X t + ε dove con A p è un polinomio di ordine p applicato all operatore B. 11
12 MODELLI A MEDIA MOBILE Dato uno stato iniziale X si definisce processo a media mobile la combinazione lineare del rumore (errore) tramite l espressione: X t =A t-1 (B)ε t + a t X o in forma più sintetica: X t =C q (B)ε t con C q polinomio di ordine q applicato all operatore ritardo unitario MODELLI ARMA Un processo stazionario non deterministico Z t rappresenta un modello autoregressivo di ordine p e media mobile di ordine q, e lo indichiamo con ARMA(p, q), se è soddisfatta la seguente relazione: ϕ(b)z t =(1-ϕ 1 B-ϕ 2 B 2 - -ϕ p B p ) Z t =(1-θ 1 B-θ 2 B 2 - -θ q B q )a t =θ(b) a t con a t WN(,σ a 2 ) cioè il rumore ha distribuzione gaussiana con media nulla e varianza σ a MODELLI ARIMA La classe dei modelli ARIMA è quella che meglio rappresenta le dinamiche delle situazioni reali, cioè la non stazionarietà del livello, le componenti stagionali, il trend polinomiale, etc. Se Z t è un processo che può diventare stazionario con l applicazione dell operatore differenza di ordine d, allora la modellistica ARMA può essere definita sul processo W t ottenuto come differenza d-esima di Z t., cioè su W t = d Z t. Quindi definiamo il modello ARIMA(p, d, q) un modello ARMA(p, q) definito sulla differenza d- esima di un processo Z t. 12
13 3.5 La procedura di Box & Jenkins La procedura proposta da Box & Jenkins consiste in tre tappe fondamentali: identificazione, stima e verifica del modello. Riportiamo di seguito lo schema del metodo: Analisi preliminare 1. Grafici serie temporale 2. Analisi esplorative 3. Trasformazioni Box-Cox 4. Indici descrittivi 5. Identificazione outliers Identificazione del Modello ARIMA(p, d, q) 6. Varianza serie differenziate 7. Funzioni di autoccorrelazione 8. Indici AIC, BIC, etc. 9. Stime iniziali dei parametri Stima dei parametri Verifica del modello 1. Test sui coefficienti 11. Analisi dei residui 12. Autocorrelazione dei residui 13. Test portmanteau Utilizzazione del modello ARIMA 14. Previsione 15. Interpretazione 16. Simulazione 17. Sintesi 18. Relazioni tra serie 19. Decomposizione ed estrazione del segnale 2. Destagionalizzazione In alcuni casi all analisi nel dominio del tempo è utile sostituire o affiancare l analisi nel dominio della frequenze, ovvero l analisi spettrale, per individuare una periodicità all interno della serie di partenza. 13
14 4. Modello ARIMA delle temperature Per la creazione di un modello ARIMA delle temperature è necessario controllare la stazionarietà della serie storica, analizzando media e varianza stimate sui dati. 3 temperature media,varianza Fig. 4.1.a Serie temporale di partenza Fig. 4.1.b Blu: varianza della serie Rosso: media della serie Come si può notare da Fig. 4.1.b l andamento della media è abbastanza costante, mentre la varianza non si stabilizza all aumentare dell intervallo considerato, quindi sono necessarie delle trasformazioni che rendano stazionaria la serie. Un ulteriore analisi può essere fatta considerando la funzione di autocorrelazione campionaria, riportata in Fig. 4.2.: essa ha un andamento che al crescere dei lags tende a zero lentamente ed in modalità non rettilinea, indicando dunque la presenza di un andamento di lungo periodo (trend) e una non stazionarietà in media. La non stazionarietà in media tende ad oscurare nella funzione di autocorrelazione qualsiasi comportamento diverso dall evoluzione di lungo periodo. 14
15 Autocorrelation Function TEMPERATURE (Standard errors are white-noise estimates) Lag Corr. S.E Fig Q p Per eliminare l eteroschedasticità della serie utilizziamo una delle trasformazioni Box-Cox: poiché alcuni valori delle temperature sono negativi, per poter applicare il logaritmo, è necessario aggiungere una costante ai dati, riportando i risultati ottenuti in Fig varianza ln(temp) Fig. 4.3 Dopo aver stabilizzato la varianza, procediamo applicando l operatore differenza alla serie: per stabilire l ordine delle differenze è necessario confrontare i valori delle varianze delle serie trasformate e scegliere la trasformazione che la minimizzi. 15
16 Nel nostro caso abbiamo scelto di operare una differenza di ordine 1 sulla serie. [ C ] Serie delle temperature differenziate d=1 x+4.893; ln(x); D(-1) Giorni Fig. 4.4 Risulta evidente come differenziare una serie amplifichi la presenza di outliers, ma il trattamento dei dati esula dal nostro scopo. Un ulteriore passo può essere fatto individuando una stagionalità all interno dei dati, poiché ovviamente, le temperature sono legate ad eventi ciclici. Attraverso l analisi spettrale, come mostrato in Fig. 4.5., è evidente una periodicità di 212, giustificata dal fatto che i dati si riferiscono al periodo che va dal 1 ottobre al 3 aprile Spectral analysis No. of cases: Spectral Density Giorni Fig
17 Nonostante la presenza evidente di tale periodicità, non è possibile costruire un modello ARIMA stagionale poiché per effettuare una stima corretta dei parametri dovremmo avere a disposizione un numero di dati pari ad almeno otto volte la periodicità stessa. Il nostro studio prosegue con l identificazione del modello, definendo gli ordini p e q attraverso l analisi delle funzioni di autocorrelazione globale e parziale del processo. Infatti queste funzioni hanno, per ogni tipo di modello, un andamento teorico caratteristico e dunque esiste una corrispondenza biunivoca tra queste e l ordine del modello. Il problema sorge dal fatto che, nel nostro caso, queste grandezze sono stimate a partire dai dati e di conseguenza, il loro andamento si discosta molto da quello teorico. Applichiamo dunque il seguente metodo per effettuare una prima selezione: proporre modelli con valori dei parametri molto bassi per rispettare il principio della parsimonia; attuare una prima grossolana stima dei parametri; analizzare le funzioni ACF e PACF della serie dei residui dei modelli stimati; ipotizzando che i residui siano un rumore bianco, accettare i modelli che hanno le funzioni ACF e PACF contenute all interno di una banda di confidenza pari al doppio dell errore standard. Da questa prima selezione abbiamo ottenuto più di un modello accettabile, per cui è necessario compiere un ulteriore scelta. La difficoltà di identificazione di un modello ad hoc ha generato numerose proposte di identificazione automatica e fra le tante la più usata è quella introdotta da Akaike. Il metodo prevede la scelta del modello che minimizza il parametro AIC (Asymptotic Information Criterior) così definito: AIC= nlog (σ) + 2k n: numero di osservazioni σ: varianza stimata sui residui del modello k: numero di parametri del modello Sulla base di queste considerazioni si riscontra che il modello più adeguato per la rappresentazione Passiamo ora alla fase di verifica della qualità statistica dei nostri risultati, per poi accettare o meno il modello considerato. Innanzi tutto mostriamo come la distribuzione dei residui della serie sia un white noise, infatti da Fig.4.6.b e Fig.4.6.c è evidente come il grafico non superi il limite imposto dal valore del doppio dell errore standard. 17
18 6 4 2 TEMPERATURE x+4.893; ARIMA (1,1,2) residuals; [ C ] [ C ] Giorni Fig.4.6.a Serie dei residui del modello ARIMA (1, 1, 2) Autocorrelation Function TEMPERATURE : x+4.893; ARIMA (1,1,2) residuals; (Standard errors are white-noise estimates) Lag Corr. S.E Q p Fig. 4.6.b Istogramma della funzione di autocorrelazione globale dei residui 18
19 Partial Autocorrelation Function TEMPERATURE : x+4.893; ARIMA (1,1,2) residuals; (Standard errors assume AR order of k-1) Lag Corr. S.E Fig.4.6.c Istogramma della funzione di autocorrelazione parziale dei residui Come ultimo passo della fase di verifica del modello, procediamo con il test portmanteau. Esso prevede l utilizzo della statistica Q, così definita: Q = n (n + 2) Σ i r k / (n - k) i=1, 2,,n Si può dimostrare che se Q è distribuito come una χ 2 di ordine (k-p-q) allora il modello considerato è corretto. Per fare questo basta dedurre tale valore dall istogramma in Fig.4.6.b ad un lag qualsiasi ( consideriamo il lag 2 ) e confrontarlo con quello tabulato per una distribuzione χ 2 con α =.5. Q=1.58 < Possiamo accettare l ipotesi e confermare l adeguatezza del modello ARIMA (1, 1, 2) 19
20 5. Modello ARIMA dei consumi Per l identificazione del modello stocastico della serie dei consumi si effettua la stessa procedura utilizzata per le temperature. Iniziamo verificando la stazionarietà della serie analizzando media e varianza dei dati campionari: consumi [mc/h] 4 x x 14 media x 17 varianza Fig.5.1 Come ulteriore conferma della non stazionarietà in media della serie riportiamo anche l istogramma della funzione di autocorrelazione globale, dal quale si deduce la presenza di un trend polinomiale dei dati Autocorrelation Function CONSUMI (Standard errors are white-noise estimates) Lag Corr. S.E Fig Q p E2. 15E2. 18E2. 11E2. 113E2. 114E2. 115E2. 2
21 Per eliminare la non stazionarietà della serie applichiamo la trasformazione logaritmica e successivamente una differenza di ordine 1( Fig.5.3.a-5.3.b-5.4). ln(consumi) [mc/h] varianza Fig.5.3.a Serie logaritmica dei consumi Fig.5.3.b Varianza della serie logaritmica [ mc/h ] CONSUMI ln(x); D(-1) Giorni Fig.5.4 Serie logaritmica differenziata (d=1) dei consumi Poiché i dati mancanti sono stati interpolati, nel caso in cui non si tratti di un punto isolato ma di un intervallo, l applicazione della differenza di ordine uno restituisce un valore nullo in tale periodo, come risulta evidente in Fig
22 La serie presenta una periodicità di 212, ma, come nel caso delle temperature, non è possibile per mancanza di dati disponibili depurare la serie da tale ciclicità. 1e1 Spectral analysis No. of cases: 848 CONSUMI 1e1 8e9 8e9 Spectral Density 6e9 4e9 2e9 6e9 4e9 2e Giorni Fig. 5.5 Seguendo la procedura di identificazione proposta nel capitolo precedente, otteniamo che il modello adeguato per i nostri dati è un ARIMA (8, 1, 8). Verifichiamo la sua correttezza analizzando le funzioni ACF e PACF dei residui. Autocorrelation Function CONSUMI: ARIMA (8,1,8) residuals; (Standard errors are white-noise estimates) Lag Corr. S.E Fig.5.6 Istogramma della funzione di autocorrelazione globale dei residui Q p
23 Partial Autocorrelation Function CONSUMI: ARIMA (8,1,8) residuals; (Standard errors assume AR order of k-1) Lag Corr. S.E Fig.5.7 Istogramma della funzione di autocorrelazione parziale dei residui Come ulteriore conferma del fatto che i residui hanno una distribuzione normale riportiamo il seguente grafico: 4 Normal Probability Plot: CONSUMI ARIMA (8,1,8) residuals; 3 Expected Normal Value Fig.5.8 Value Proseguiamo la fase di verifica applicimnd il test portmanteau, (al lag 2) al modello: Q = 8.66 < Essendo il test verificato possiamo concludere che il modello ARIMA (8,1,8) è adeguato per la serie dei consumi. 23
24 6. Modello ARIMA multivariato 6.1 Cross-correlazione Dopo aver modellizzato ogni singola serie storica, cerchiamo di individuare una dipendenza fra queste per definire un modello ARIMA multivariato che meglio approssimi i dati reali. Questa dipendenza risulta evidente anche a livello grafico (Fig.6.1): all aumentare delle temperature segue una diminuzione dei consumi mentre quando le temperature calano i consumi crescono TEMPERATURE CONSUMI TEMPERATURE CONSUMI Fig.6.1 Per individuare analiticamente la dipendenza fra le due serie è fondamentale interpretare l istogramma della funzione di cross-correlazione così definita: con γ xy (k) = Cov[X t, Y t+k ]. ρ xy (k)=γ xy (k)/(γ xx ()γ yy ()).5 Mentre il plottaggio contemporaneo delle due serie fornisce indicazioni sulla correlazione al lag zero, ovvero dei dati di uno stesso giorno, dall istogramma della cross-correlazione si leggono le relazioni per tutti i lags. La funzione di cross-correlazione non va calcolata sui dati originari ma sui residui dei modelli ottenuti. E necessario trattare i dati rendendoli confrontabili e questo può essere fatto filtrando le serie in modo da ricondurle ad un rumore bianco. E a questo punto che ved creazione dei modelli ARIMA univariati perché considerare i relativi residui significa ottenere una standardizzazione dei dati. 24
25 Fig.6.2 Cross-Correlation Function TEMPERATURE; ARIMA (1,1,2) residuals; CONSUMI: ARIMA (8,1,8) residuals; Per ogni lag si ha correlazione fra consumi e temperature quando il valore della funzione supera quello del doppio dell errore standard, nel nostro caso possiamo assumere dipendenza dei consumi dalla temperatura del giorno stesso e di quello precedente. 6.2 Taratura di un modello ARIMA La trattazione statistica fatta fino ad ora è stata fondamentale per l individuazione dell ordine del modello multivariato; per valutare i parametri esistono vari metodi, noi utilizziamo il criterio dei minimi quadrati. Ipotizzando per semplicità che il sistema sia lineare, a tempo discreto e affetto da rumore, esso si può così schematizzare: c(t)=-a 1 c(t-1)- -a n c(t-n)+b T(t)+ +b m T(t-m) ( ) con: c(t)=consumo di gas metano al tempo t; T(t)=temperatura al tempo t; a 1 a n,b b m =parametri da stimare; In forma matriciale: c( k c( k + + 1) 2) c( N ) = c( k) c( k c( N + 1) 1) c( k c( N c( k) 1) 2) c( k c( k c( N n n) + 1) n) T( k T( k + + 1) 1) T ( N ) T ( k) T ( k) T ( k T ( k T ( N m m) + 1) m) a a b b 1 n m 25
26 con: k=max [n,m] I=[c(1) c(n)], intervallo di taratura N=dim I Un altra notazione possibile può essere: da cui: supponendo la matrice D T D invertibile: C=DX D T C=( D T D)X X^=(D T D) -1 D T C Tale soluzione è quella che minimizza lo scarto quadratico medio: ε=c-dx^ Passando al nostro caso e sfruttando i risultati ottenuti con l analisi statistica svolta nei precedenti capitoli, si può ipotizzare la dipendenza del consumo di gas metano al tempo t dalle temperature al tempo t e t-1, mentre per quanto riguarda la dipendenza dai consumi dei precedenti, non è possibile formulare alcune ipotesi, ma solo procedendo per tentativi si può giungere ad una formulazione ottimale. 6.3 Modello a media mobile sulle temperature Volendo costruire un modello a media mobile solo sulle temperature, si ottiene: c(t)=a +b T(t)+b 1 T(t-1) dove a è un fattore di scala introdotto perché allo zero delle temperature non corrisponde un consumo nullo e b, b 1 sono gli altri due parametri da stimare. L intervallo utilizzato per la taratura del modello è quello che va dal 15 ottobre 1997 al 31 aprile 1998, per la mancanza di valori di temperatura anomali : c(2) c(198) = a + T (2) T (198) T (1) T (197) b b 1 I valori dei parametri ottenuti con la taratura sono i seguenti: a = , b = , b 1 = Per la validazione del modello abbiamo formulato una previsione a un giorno sugli anni Riportiamo di seguito i risultati ottenuti: 26
27 consumi [mc/d] Fig.6.3 consumi reali (magenta) consumi previsti (celeste) errore [mc/d] Fig
28 varianza errore Fig. 6.5 media errore Fig. 6.6 Dalla figura 6.6 si osserva che la media dell errore di previsione oltre a non essere stazionaria, non si stabilizza, per un campione grosso di dati, sul valore nullo. 28
29 6.4 Modello autoregressivo sui consumi e a media mobile sulle temperature Cerchiamo di migliorare il modello introducendo anche la dipendenza dai consumi dei precedenti. Per costruire un modello che sia anche autoregressivo sui consumi si può procedere seguendo due direzioni diverse: come conseguenza dell analisi statistica fatta sul modello univariato ARIMA dei consumi, si costruisce un modello autoregressivo di ordine 8; si procede per tentativi aumentando di volta in volta il numero dei parametri da stimare e scegliendo l ordine della parte del modello autoregressivo che minimizza gli errori sulla previsione. Si sceglie il secondo metodo poiché più completo e si ottiene che il modello migliore è quello di ordine 1, basandosi sul principio della parsimonia poiché all aumentare del numero dei parametri, isce in maniera significativa. Potremmo anche considerare per i consumi una periodicità settimanale legata ai ritmi di vita, ma tale approccio non migliora in maniera sostanziale il modello, aumentando solamente la complessità dell algoritmo risolutivo e quindi viene scartato. Si ottiene quindi: c(t)=a +a 1 c(t-1)+b T(t)+b 1 T(t-1) Il sistema utilizzato per la taratura è il seguente: c(2) c(198) = a + c(1) c(197) T (2) T (198) T (1) T (197) a b b 1 1 I valori dei parametri ottenuti con la taratura sono i seguenti: a = , a 1 =.7 1 3, b = , b 1 = Anche in questo caso la taratura viene fatta sull anno termico 1997/1998, mentre la previsione (per gli anni ) a un giorno viene fatta ricorsivamente sia sui consumi reali (Fig. 6.7) che su quelli stimati (Fig. 6.8). 29
30 3.5 x consumi [mc/d] Fig.6.7 consumi reali (magenta) consumi previsti (celeste) 8 6 errore [mc/d] Fig
31 3.5 x 14 3 consumi [mc/d] Fig.6.9 consumi reali (magenta) consumi previsti (celeste) errore [mc/d] Fig. 6.1 Ovviamente la previsione migliore è quella fatta utilizzando i consumi reali, anche se comunque l errore nei due modelli ha lo stesso ordine di grandezza. 31
32 Passiamo ora all analisi statistica dell errore della previsione fatta sui consumi reali; riportiamo di seguito i grafici relativi alla media e varianza campionaria: 6 4 media errore Fig x 16 varianza errore Fig.6.12 Si può notare come, nonostante la varianza sia molto elevata e non costante, la media assuma, all aumentare delle dimensioni del campione, un andamento pressoché stazionario attorno ad un valore minore rispetto a quello ottenuto con il modello precedente. 32
33 Verifichiamo poi che l errore della previsione ha una distribuzione Normale, riportando tale risultato in Fig e Fig. 6.14: 3 Normal Probability Histogram: Errore della previsione 25 2 No of obs Upper Boundaries (x<=boundary) Expected Normal Fig Normal Probability Plot: Errore della previsione 3 Expected Normal Value Value Fig
34 Assumendo valido il modello con i parametri ottenuti considerando come intervallo di taratura l anno termico 1997/1998, cerchiamo di determinare il numero minimo di dati che consenta di costruire un modello i cui parametri siano simili a quelli ritenuti migliori. Per fare questo si considerano intervalli di taratura che vanno da un giorno a tutto l anno termico 1997/1998 e si stimano ricorsivamente i parametri. 2 x Fig Andamento del parametro a Fig Andamento del parametro a 1 34
35 Fig Andamento del parametro b Fig Andamento del parametro b 1 Dall analisi dei grafici precedenti, risulta che l intervallo minimo da considerare è circa 12, anche se per stabilizzare i parametri a 1 e b è sufficiente un numero minore di dati. Tutto questo è utile nel caso in cui non sia facile reperire i dati, e comunque in generale tale operazione ha un certo costo, quindi minimizzare l intervallo di taratura significa ottimizzare 35
36 L intervallo di taratura del modello viene scelto in base all utilizzo che deve essere fatto dei risultati: se è necessario un modello di impiego generale, tale intervallo dovrà essere ampio, mentre, tarando su pochi, i valori ottenuti garantiscono una maggiore precisione solo per un breve orizzonte previsivo. Riportiamo in Fig.6.19 e Fi.6.2 la previsione a un giorno relativa al dicembre 1997 con un modello tarato sulla prima settimana del mese ed il relativo errore. 2 x 14 Fig.6.19 consumi reali (magenta) consumi previsti (celeste) consumi [mc/d] errore [mc/d] Fig.6.2 La stessa analisi viene ripetuta per il mese di aprile, riportiamo i risultati in Fig e fig
37 Fig.6.21 consumi reali (magenta) consumi previsti (celeste 15 consumi [mc/d] errore [mc/d] Fig.6.21 A conferma di quanto detto nel capitolo 1, paragrafo.risulta più difficile fare delle previsioni nei periodi in cui la temperatura è più bassa, poiché al diminuire di questa aumenta la variabilità dei consumi. Infatti gli errori di previsione del mese di dicembre risultano maggiori di quelli del mese di aprile. In genere l obiettivo principale di un modello ARIMA è l utilizzo a scopo previsivo; nel nostro caso per fare questo sarebbe necessario disporre dei valori di temperatura e consumo futuri. Per quanto riguarda i consumi, si utilizzano quelli stimati ricorsivamente dal modello, mentre per avere i valori di temperatura, nel caso in cui questi non siano forniti (es. previsioni metereologiche) è necessario costruire un modello ARIMA univariato sulle temperature. Sfruttando i risultati dell analisi statistica svolta nel capitolo???, nel quale avevano definito un modello con parte autoregressiva di ordine 1, otteniamo la seguente espressione per schematizzare l andamento delle temperature: T(t)=-a 1 T(t-1) 37
38 Tariamo il modello sull anno termico 1997/1998 e prevedendo i due anni successivi riportiamo i seguenti risultati: a =,971 Fig.6.22 temperature reali (magenta) temperature previsti (celeste 2 temperature errore Fig.6.23 Errore della previsione delle temperature A questo punto è possibile avere una previsione dei consumi sulla base di valori futuri stimati, cioè: cs(t)=-a -a 1 cs(t-1)+b Ts(t)+b 1 Ts(t-1) dove con cs(t) si indica il consumo stimato al tempo t a partire da cs(t-1), anch esso una previsione, e da Ts(t), temperatura al tempo t stimata con il modello AR(1) precedente. Anche in questo caso tariamo il modello sull anno termico 1997/1998, ma la previsione viene fatta solo dall ottobre 1998 al gennaio 1999: a =1.667*1 4 a 1 =.1*1 4 b =-.558*1 4 b 1 =-.62*1 4 38
39 3.5 x 14 3 consumi [mc/d] Fig.6.24 Ovviamente gli errori di previsione sono grandi, ma il risultato può essere accettabile, viste le approssimazioni fatte, in quanto viene seguito il trend generale e trascurato l andamento locale dei consumi. CONCLUSIONI Il nostro studio ha portato alla realizzazione di un modello che soddisfa gli obiettivi che ci eravamo proposti, cioè individuare una correlazione fra consumi e temperature, ma che sicuramente può essere migliorato considerando anche quei fattori difficilmente rilevabili o legati al caso. Infatti le temperature non sono l unico elemento che influenza l anda sappiamo, ad esempio, che la presenza o meno di vento o l aumento delle utenze determinano una variazione dei consumi. Inoltre un fattore da non sottovalutare è la tendenza degli utenti a mantenere fisso il periodo di accensione della caldaia indipendentemente dalle variazioni climatiche. Tutto questo è un ulteriore conferma della difficoltà di schematizzazione del sistema e quindi il nostro modello non si presta ad un utilizzo pratico per scopi previsivi, ma è comunque interessante perché evidenzia la dipendenza dei consumi di gas metano dalle temperature atmosferiche. 39
40 BIBLIOGRAFIA Chris Chatfield Time-series forecasting Chapman & Hall Peter J.Brockwell, Richard A.Davis Time series: theory and methods Springer Domenico Piccolo Introduzione all analisi delle serie storiche La Nuova Italia Scientifica Paolo Baldi Calcolo delle probabilità e statistica Mcgraw-Hill Sergio Rinaldi, Carlo Piccardi Sistemi lineari: teoria, modelli ed applicazioni Edizioni Città Studi Appunti del corso di Teoria dei Sistemi (a.a. 2/21) 4
Figura 3.22 - Evoluzione dei consumi totali di energia elettrica. Figura 3.23 - Ripartizione dei consumi totali di energia elettrica
Figura 3.22 Evoluzione dei consumi totali di energia elettrica Figura 3.23 Ripartizione dei consumi totali di energia elettrica 67 Figura 3.24 Ripartizione dei consumi totali di energia elettrica (dati
DettagliCapitolo 12 La regressione lineare semplice
Levine, Krehbiel, Berenson Statistica II ed. 2006 Apogeo Capitolo 12 La regressione lineare semplice Insegnamento: Statistica Corso di Laurea Triennale in Economia Facoltà di Economia, Università di Ferrara
DettagliMetodologia. 5 rapporto sull energia
2 Metodologia 5 rapporto sull energia 23 2.1 Usi finali e consumi finali Per l aggiornamento del bilancio energetico provinciale al 2005 si è adottata la stessa metodologia utilizzata per il Quarto Rapporto
DettagliUn po di statistica. Christian Ferrari. Laboratorio di Matematica
Un po di statistica Christian Ferrari Laboratorio di Matematica 1 Introduzione La statistica è una parte della matematica applicata che si occupa della raccolta, dell analisi e dell interpretazione di
DettagliAnalisi della performance temporale della rete
Analisi della performance temporale della rete In questo documento viene analizzato l andamento nel tempo della performance della rete di promotori. Alcune indicazioni per la lettura di questo documento:
DettagliAbbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995).
ANALISI DI UNA SERIE TEMPORALE Analisi statistica elementare Abbiamo costruito il grafico delle sst in funzione del tempo (dal 1880 al 1995). Si puo' osservare una media di circa 26 C e una deviazione
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 373 clienti di Tiemme Spa sede operativa di Piombino (errore di campionamento +/- 2%) rappresentativo
DettagliALLEGATO 1 Analisi delle serie storiche pluviometriche delle stazioni di Torre del Lago e di Viareggio.
ALLEGATO 1 Analisi delle serie storiche pluviometriche delle stazioni di Torre del Lago e di Viareggio. Per una migliore caratterizzazione del bacino idrologico dell area di studio, sono state acquisite
Dettagli7.2 Indagine di Customer Satisfaction
7.2 Indagine di Customer Satisfaction Il campione L indagine è stata condotta su un campione a più stadi di 795 clienti TIEMME SpA (errore di campionamento +/ 2%) rappresentativo della popolazione obiettivo,
DettagliRELAZIONE DI SINTESI
Progetto Sergan INTERREG III A SARDEGNA / CORSICA / TOSCANA Progetto SERGAN Reti locali del gas RELAZIONE DI SINTESI Studio sulle reti locali del gas Domanda prevedibile di gas nei prossimi dieci anni
DettagliPresupposti per la determinazione per l anno 2003 del prezzo all ingrosso dell energia elettrica destinata ai clienti del mercato vincolato
Relazione tecnica Presupposti per la determinazione per l anno 2003 del prezzo all ingrosso dell energia elettrica destinata ai clienti del mercato vincolato 1. Premessa e contesto normativo Il provvedimento
DettagliQuadro dei consumi energetici
Quadro dei consumi energetici La situazione nazionale Il quadro dei consumi energetici nazionali degli ultimi anni delinea una sostanziale stazionarietà per quanto riguarda il settore industriale e una
DettagliStima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una
DettagliRIDURRE I COSTI ENERGETICI!
Otto sono le azioni indipendenti per raggiungere un unico obiettivo: RIDURRE I COSTI ENERGETICI! www.consulenzaenergetica.it 1 Controllo fatture Per gli utenti che sono o meno nel mercato libero il controllo
Dettagli1. Distribuzioni campionarie
Università degli Studi di Basilicata Facoltà di Economia Corso di Laurea in Economia Aziendale - a.a. 2012/2013 lezioni di statistica del 3 e 6 giugno 2013 - di Massimo Cristallo - 1. Distribuzioni campionarie
DettagliLa distribuzione Normale. La distribuzione Normale
La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una
DettagliIl concetto di valore medio in generale
Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo
Dettaglilezione 18 AA 2015-2016 Paolo Brunori
AA 2015-2016 Paolo Brunori Previsioni - spesso come economisti siamo interessati a prevedere quale sarà il valore di una certa variabile nel futuro - quando osserviamo una variabile nel tempo possiamo
Dettagli11. Analisi statistica degli eventi idrologici estremi
. Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche
DettagliRichiamiamo di seguito le principali ipotesi assunte, rimandando alla Tab. 4-6 il dettaglio dei valori numerici.
5773/2207; DGR-8745/2008) riguardanti le prestazioni energetiche degli edifici e degli impianti, sia nuovi (autorizzati successivamente al 1 gennaio 2010) che quelli oggetto di ristrutturazioni significative.
DettagliIl presenta capitolo analizza alcuni dei dati provinciali relativi al tema energia. Gli indicatori proposti sono in sintesi:
Energia Energia Premessa Il presenta capitolo analizza alcuni dei dati provinciali relativi al tema energia. Gli indicatori proposti sono in sintesi: Richiesta di energia primaria Consumi energetici per
DettagliLa riforma del servizio di distribuzione del
CReSV Via Röntgen, 1 Centro Ricerche su Sostenibilità e Valore 20136 Milano tel +39 025836.3626 La riforma del servizio di distribuzione del 2013 gas naturale In collaborazione con ASSOGAS Gli ambiti territoriali
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici
DettagliAutomazione Industriale (scheduling+mms) scheduling+mms. adacher@dia.uniroma3.it
Automazione Industriale (scheduling+mms) scheduling+mms adacher@dia.uniroma3.it Introduzione Sistemi e Modelli Lo studio e l analisi di sistemi tramite una rappresentazione astratta o una sua formalizzazione
DettagliCAPACITÀ DI PROCESSO (PROCESS CAPABILITY)
CICLO DI LEZIONI per Progetto e Gestione della Qualità Facoltà di Ingegneria CAPACITÀ DI PROCESSO (PROCESS CAPABILITY) Carlo Noè Università Carlo Cattaneo e-mail: cnoe@liuc.it 1 CAPACITÀ DI PROCESSO Il
DettagliMetodi statistici per le ricerche di mercato
Metodi statistici per le ricerche di mercato Prof.ssa Isabella Mingo A.A. 2014-2015 Facoltà di Scienze Politiche, Sociologia, Comunicazione Corso di laurea Magistrale in «Organizzazione e marketing per
DettagliCorso di Matematica per la Chimica
Dott.ssa Maria Carmela De Bonis a.a. 203-4 I sistemi lineari Generalità sui sistemi lineari Molti problemi dell ingegneria, della fisica, della chimica, dell informatica e dell economia, si modellizzano
DettagliStatistica. Lezione 6
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 6 a.a 011-01 Dott.ssa Daniela Ferrante
DettagliIL RISPARMIO ENERGETICO E GLI AZIONAMENTI A VELOCITA VARIABILE L utilizzo dell inverter negli impianti frigoriferi.
IL RISPARMIO ENERGETICO E GLI AZIONAMENTI A VELOCITA VARIABILE L utilizzo dell inverter negli impianti frigoriferi. Negli ultimi anni, il concetto di risparmio energetico sta diventando di fondamentale
DettagliLE FUNZIONI A DUE VARIABILI
Capitolo I LE FUNZIONI A DUE VARIABILI In questo primo capitolo introduciamo alcune definizioni di base delle funzioni reali a due variabili reali. Nel seguito R denoterà l insieme dei numeri reali mentre
DettagliTesto risultante dalle modifiche ed integrazioni apportate con deliberazione 11 febbraio 2009, EEN 1/09
Testo risultante dalle modifiche ed integrazioni apportate con deliberazione 11 febbraio 2009, EEN 1/09 Deliberazione 16 dicembre 2004 Determinazione del contributo tariffario da erogarsi ai sensi dell
DettagliRelazione tecnica alla deliberazione 24 novembre 2011, EEN 12/11
Presupposti e fondamenti per la determinazione del valore del contributo tariffario per il conseguimento degli obiettivi di risparmio energetico per l anno 2012 di cui ai decreti ministeriali 20 luglio
DettagliLa quantificazione dei benefici di BIOCASA sui consumi energetici ed emissioni di CO 2
La quantificazione dei benefici di BIOCASA sui energetici ed emissioni di CO 2 Rapporto di Sostenibilità 2011 I benefici di BIOCASA su energetici e emissioni di CO 2 Il Progetto BIOCASA è la risposta di
DettagliINDICATORI DI EFFICIENZA ENERGETICA E PREVISIONE DEI
INDICATORI DI EFFICIENZA ENERGETICA E PREVISIONE DEI CONSUMI DI ENERGIA AL 2010 NELLO SCENARIO TENDENZIALE 6 - ASPETTI METODOLOGICI 7 - INDICATORI DI EFFICIENZA ENERGETICA NEI SETTORI INDUSTRIA, TERZIARIO,
DettagliVALORI ECONOMICI DELL AGRICOLTURA 1
VALORI ECONOMICI DELL AGRICOLTURA 1 Secondo i dati forniti dall Eurostat, il valore della produzione dell industria agricola nell Unione Europea a 27 Stati Membri nel 2008 ammontava a circa 377 miliardi
DettagliAGGIORNAMENTO DEL FATTORE DI CONVERSIONE DEI KWH IN TEP CONNESSO AL MECCANISMO DEI TITOLI DI EFFICIENZA ENERGETICA
DCO 2/08 AGGIORNAMENTO DEL FATTORE DI CONVERSIONE DEI KWH IN TEP CONNESSO AL MECCANISMO DEI TITOLI DI EFFICIENZA ENERGETICA (Articolo 2, comma 3, dei decreti ministeriali 20 luglio 2004) Documento per
DettagliRegressione Mario Guarracino Data Mining a.a. 2010/2011
Regressione Esempio Un azienda manifatturiera vuole analizzare il legame che intercorre tra il volume produttivo X per uno dei propri stabilimenti e il corrispondente costo mensile Y di produzione. Volume
DettagliDall analisi dei consumi energetici, censiti al 2006, nel territorio comunale risulta l impiego di : 43.080 MW/anno
EMISSIONI DA RIDURRE Dall analisi dei consumi energetici, censiti al 2006, nel territorio comunale risulta l impiego di : 43.080 MW/anno Questo dato ci ha consentito l individuazione delle emissioni totali
DettagliCapitolo 13: L offerta dell impresa e il surplus del produttore
Capitolo 13: L offerta dell impresa e il surplus del produttore 13.1: Introduzione L analisi dei due capitoli precedenti ha fornito tutti i concetti necessari per affrontare l argomento di questo capitolo:
DettagliAnno 2014. Rapporto ambientale
Anno 2014 Rapporto ambientale 1 ANNO 2014 Nell anno 2005 la SITI TARGHE S.r.l. ha ottenuto la certificazione ambientale secondo la norma internazionale ISO 14001:2004, rinnovata nel 2008, nel 2011 e nel
DettagliCOMUNICAZIONE AI SENSI DELLA DELIBERAZIONE DELL AUTORITA PER L ENERGIA ELETTRICA E IL GAS DEL 29 LUGLIO 2005 N. 166/05. Termoli, 26.04.
Società controllata dal Cons.Svil.Ind.le VALLE del BIFERNO Zona Ind.le, snc 86039 TERMOLI (CB) Tel. +39 0875 755040 Fax +39 0875 755974 http://www.netenergyservice.it - info@netenergyservice.it COMUNICAZIONE
DettagliLa Qualità il Controllo ed il Collaudo della macchina utensile. Dr. Giacomo Gelmi
La Qualità il Controllo ed il Collaudo della macchina utensile Dr. Giacomo Gelmi Che cosa è una macchina utensile? E uno spazio fisico in cui si collocano, sostenuti da adeguate strutture ed in posizioni
DettagliPRIME INDICAZIONI SULL UTILIZZO DELL APPLICATIVO SACE
PRIME INDICAZIONI SULL UTILIZZO DELL APPLICATIVO SACE La nuova release dell applicativo SACE presenta diverse novità. Nei primi giorni di utilizzo, sono stati rilevati numerosi errori di compilazione,
DettagliCapitolo 2 Distribuzioni di frequenza
Edizioni Simone - Vol. 43/1 Compendio di statistica Capitolo 2 Distribuzioni di frequenza Sommario 1. Distribuzioni semplici. - 2. Distribuzioni doppie. - 3. Distribuzioni parziali: condizionate e marginali.
DettagliAPPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI
APPUNTI DI MATEMATICA LE FRAZIONI ALGEBRICHE ALESSANDRO BOCCONI Indice 1 Le frazioni algebriche 1.1 Il minimo comune multiplo e il Massimo Comun Divisore fra polinomi........ 1. Le frazioni algebriche....................................
DettagliSPC e distribuzione normale con Access
SPC e distribuzione normale con Access In questo articolo esamineremo una applicazione Access per il calcolo e la rappresentazione grafica della distribuzione normale, collegata con tabelle di Clienti,
DettagliCome valutare le caratteristiche aerobiche di ogni singolo atleta sul campo
Come valutare le caratteristiche aerobiche di ogni singolo atleta sul campo Prima di organizzare un programma di allenamento al fine di elevare il livello di prestazione, è necessario valutare le capacità
DettagliStatistica e biometria. D. Bertacchi. Variabili aleatorie. V.a. discrete e continue. La densità di una v.a. discreta. Esempi.
Iniziamo con definizione (capiremo fra poco la sua utilità): DEFINIZIONE DI VARIABILE ALEATORIA Una variabile aleatoria (in breve v.a.) X è funzione che ha come dominio Ω e come codominio R. In formule:
DettagliL ANALISI ABC PER LA GESTIONE DEL MAGAZZINO
L ANALISI ABC PER LA GESTIONE DEL MAGAZZINO È noto che la gestione del magazzino è uno dei costi nascosti più difficili da analizzare e, soprattutto, da contenere. Le nuove tecniche hanno, però, permesso
DettagliLo scenario energetico in Italia
Lo scenario energetico in Italia Il Bilancio Energetico Nazionale Il Ministero dello Sviluppo Economico pubblica annualmente il Bilancio Energetico Nazionale (BEN) del nostro Paese. Questo ci dà l opportunità
DettagliIndice di rischio globale
Indice di rischio globale Di Pietro Bottani Dottore Commercialista in Prato Introduzione Con tale studio abbiamo cercato di creare un indice generale capace di valutare il rischio economico-finanziario
DettagliLe ricadute dell auto elettrica sulla domanda elettrica e sul sistema di generazione
Le ricadute dell auto elettrica sulla domanda elettrica e sul sistema di generazione Edgardo Curcio Presidente AIEE Roma, 26 ottobre 2010 Nell ambito di uno studio condotto per Assoelettrica lo scorso
DettagliFebbraio, 2015. Lo scenario energetico 2014
Febbraio, 2015 Lo scenario energetico 2014 Il quadro dell energia elettrica in Italia vede persistere due elementi caratteristici: il perdurare della crisi economica con conseguente riduzione della domanda
DettagliPOMPE DI CALORE ELETTRICHE UN CONTATORE DEDICATO
POMPE DI CALORE ELETTRICHE UN CONTATORE DEDICATO Il secondo contatore, dedicato esclusivamente alle pompe di calore, è una realtà. Ecco una raccolta di delibere e suggerimenti che vogliono aiutarvi a districarvi
DettagliRapporto dal Questionari Insegnanti
Rapporto dal Questionari Insegnanti SCUOLA CHIC81400N N. Docenti che hanno compilato il questionario: 60 Anno Scolastico 2014/15 Le Aree Indagate Il Questionario Insegnanti ha l obiettivo di rilevare la
DettagliAccesso alla banca dati dell inventario delle emissioni in atmosfera
Accesso alla banca dati dell inventario delle emissioni in atmosfera Regione Liguria Dipartimento Ambiente Patrizia Costi Settore aria clima e ciclo integrato dei rifiuti INDICE Accesso alle informazioni
DettagliDimensione di uno Spazio vettoriale
Capitolo 4 Dimensione di uno Spazio vettoriale 4.1 Introduzione Dedichiamo questo capitolo ad un concetto fondamentale in algebra lineare: la dimensione di uno spazio vettoriale. Daremo una definizione
DettagliMonitoraggio sulla conversione dei prezzi al consumo dalla Lira all Euro
ISTAT 17 gennaio 2002 Monitoraggio sulla conversione dei prezzi al consumo dalla Lira all Euro Nell ambito dell iniziativa di monitoraggio, avviata dall Istat per analizzare le modalità di conversione
DettagliAnalisi di scenario File Nr. 10
1 Analisi di scenario File Nr. 10 Giorgio Calcagnini Università di Urbino Dip. Economia, Società, Politica giorgio.calcagnini@uniurb.it http://www.econ.uniurb.it/calcagnini/ http://www.econ.uniurb.it/calcagnini/forecasting.html
DettagliPRINCIPALI ATTIVITA TECNICHE PER LA MISURA DEL GAS
ALLEGATO 10/A PRINCIPALI ATTIVITA TECNICHE PER LA MISURA DEL GAS Il presente allegato fornisce una descrizione sintetica delle principali attività tecniche relative alla misura del gas; tali attività coinvolgono
DettagliSISTEMA di GESTIONE QUALITÀ Non Conformità ed Efficacia delle Azioni Correttive Preventive
SISTEMA di GESTIONE QUALITÀ Non Conformità ed Efficacia delle Azioni Correttive Preventive Il sistema di gestione della qualità a cui mi riferisco è quello relativo alla norma ISO-9001:2000. Prima di entrare
DettagliSOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 2015
SOLUZIONE DEL PROBLEMA 1 TEMA DI MATEMATICA ESAME DI STATO 015 1. Indicando con i minuti di conversazione effettuati nel mese considerato, la spesa totale mensile in euro è espressa dalla funzione f()
DettagliLA LOGISTICA INTEGRATA
dell Università degli Studi di Parma LA LOGISTICA INTEGRATA Obiettivo: rispondere ad alcuni interrogativi di fondo Come si è sviluppata la logistica in questi ultimi anni? Quali ulteriori sviluppi sono
DettagliPROGRESS: UN CODICE PER IL CALCOLO DELLE EMISSIONI DA VEICOLI STRADALI IN AMBITO URBANO
VIII Incontro EXPERT PANEL EMISSIONI DA TRASPORTO STRADALE Roma, 5 novembre 2003 PROGRESS: UN CODICE PER IL CALCOLO DELLE EMISSIONI DA VEICOLI STRADALI IN AMBITO URBANO Massimo Capobianco, Giorgio Zamboni
DettagliMercato dei Titoli di Efficienza Energetica
Mercato dei Titoli di Efficienza Energetica Rapporto di monitoraggio semestrale II semestre 2013 Pubblicato in data 30 gennaio 2014 1 INDICE 1. Introduzione... 3 2. Situazione Operatori... 3 3. TEE emessi...
DettagliMANUALE DELLA QUALITÀ Pag. 1 di 6
MANUALE DELLA QUALITÀ Pag. 1 di 6 INDICE GESTIONE DELLE RISORSE Messa a disposizione delle risorse Competenza, consapevolezza, addestramento Infrastrutture Ambiente di lavoro MANUALE DELLA QUALITÀ Pag.
DettagliRapporto ambientale Anno 2012
Rapporto ambientale Anno 2012 Pagina 1 di 11 1 ANNO 2012 Nell anno 2005 la SITI TARGHE srl ha ottenuto la certificazione ambientale secondo la norma internazionale ISO 14001:2004, rinnovata nel 2008 e
DettagliCOMUNE DI RAVENNA GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI)
COMUNE DI RAVENNA Il sistema di valutazione delle posizioni del personale dirigente GUIDA ALLA VALUTAZIONE DELLE POSIZIONI (FAMIGLIE, FATTORI, LIVELLI) Ravenna, Settembre 2004 SCHEMA DI SINTESI PER LA
DettagliIntroduzione all analisi dei segnali digitali.
Introduzione all analisi dei segnali digitali. Lezioni per il corso di Laboratorio di Fisica IV Isidoro Ferrante A.A. 2001/2002 1 Segnali analogici Si dice segnale la variazione di una qualsiasi grandezza
DettagliPerché si fanno previsioni?
Perché si fanno previsioni? Si fanno previsioni per pianificare un azione quando c è un lag fra momento della decisione e momento in cui l evento che ci interessa si verifica. ESEMPI decisioni di investimento
DettagliCorso di. Dott.ssa Donatella Cocca
Corso di Statistica medica e applicata Dott.ssa Donatella Cocca 1 a Lezione Cos'è la statistica? Come in tutta la ricerca scientifica sperimentale, anche nelle scienze mediche e biologiche è indispensabile
Dettagli~ Copyright Ripetizionando - All rights reserved ~ http://ripetizionando.wordpress.com STUDIO DI FUNZIONE
STUDIO DI FUNZIONE Passaggi fondamentali Per effettuare uno studio di funzione completo, che non lascia quindi margine a una quasi sicuramente errata inventiva, sono necessari i seguenti 7 passaggi: 1.
DettagliEsercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione 1 del corso di Statistica 2 Prof. Domenico Vistocco Alfonso Iodice D Enza April 26, 2007 1...prima di cominciare Contare, operazione solitamente semplice, può diventare complicata se lo scopo
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 29-Analisi della potenza statistica vers. 1.0 (12 dicembre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
DettagliCome visto precedentemente l equazione integro differenziale rappresentativa dell equilibrio elettrico di un circuito RLC è la seguente: 1 = (1)
Transitori Analisi nel dominio del tempo Ricordiamo che si definisce transitorio il periodo di tempo che intercorre nel passaggio, di un sistema, da uno stato energetico ad un altro, non è comunque sempre
DettagliSlide Cerbara parte1 5. Le distribuzioni teoriche
Slide Cerbara parte1 5 Le distribuzioni teoriche I fenomeni biologici, demografici, sociali ed economici, che sono il principale oggetto della statistica, non sono retti da leggi matematiche. Però dalle
DettagliIL SISTEMA DI CONTROLLO INTERNO
http://www.sinedi.com ARTICOLO 27 OTTOBRE 2008 IL SISTEMA DI CONTROLLO INTERNO PRODUZIONE DI VALORE E RISCHIO D IMPRESA Nel corso del tempo, ogni azienda deve gestire un adeguato portafoglio di strumenti
DettagliL AUTORITA PER L ENERGIA ELETTRICA E IL GAS
Deliberazione 22 dicembre 1998 Definizione dei prezzi di cessione delle eccedenze di energia elettrica prodotta da impianti idroelettrici ad acqua fluente fino a 3MW (Deliberazione n. 162/98) Nella riunione
Dettagli( x) ( x) 0. Equazioni irrazionali
Equazioni irrazionali Definizione: si definisce equazione irrazionale un equazione in cui compaiono uno o più radicali contenenti l incognita. Esempio 7 Ricordiamo quanto visto sulle condizioni di esistenza
DettagliANDAMENTO DEL PREZZO DEL GPL
ANDAMENTO DEL PREZZO DEL GPL IN PROVINCIA DI PERUGIA Ottobre 2013 ooo A cura dell Ufficio Prezzi Camera di Commercio di Perugia Indice Introduzione pag. 5 I prezzi del GPL nel I semestre 2013 - Sintesi
DettagliOSSERVATORIO PERMANENTE
DIPARTIMENTO DI SCIENZE STATISTICHE PAOLO FORTUNATI UNIVERSITÀ DI BOLOGNA ALMA MATER STUDIORUM OSSERVATORIO PERMANENTE SUL TRASPORTO CAMIONISTICO IN INTERPORTO BOLOGNA INDAGINE CONGIUNTURALE - I SEMESTRE
DettagliOsservatorio 2. L INDUSTRIA METALMECCANICA E IL COMPARTO SIDERURGICO. I risultati del comparto siderurgico. Apparecchi meccanici. Macchine elettriche
Osservatorio24 def 27-02-2008 12:49 Pagina 7 Osservatorio 2. L INDUSTRIA METALMECCANICA E IL COMPARTO SIDERURGICO 2.1 La produzione industriale e i prezzi alla produzione Nel 2007 la produzione industriale
DettagliSTABILIMENTO DI TARANTO. Febbraio 2007. Allegato D10
STABILIMENTO DI TARANTO Febbraio 2007 Analisi energetica dello Stabilimento Siderurgico ILVA di Taranto Lo stabilimento siderurgico di Taranto consuma, nel suo assetto attuale, c.a. 181.000 Tj/anno in
DettagliSerie Storiche Trasformazioni e Aggiustamenti
Serie Storiche Trasformazioni e Aggiustamenti Per facilitare l interpretazione dei dati, si ricorre spesso a trasformazione della serie originale. I principali tipi di aggiustamenti che consideriamo sono:.
DettagliE naturale chiedersi alcune cose sulla media campionaria x n
Supponiamo che un fabbricante stia introducendo un nuovo tipo di batteria per un automobile elettrica. La durata osservata x i delle i-esima batteria è la realizzazione (valore assunto) di una variabile
Dettagli1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario:
Esempi di domande risposta multipla (Modulo II) 1) Si consideri un esperimento che consiste nel lancio di 5 dadi. Lo spazio campionario: 1) ha un numero di elementi pari a 5; 2) ha un numero di elementi
DettagliIl risparmio energetico: priorità economica ed ambientale
Il risparmio energetico: priorità economica ed ambientale Ing Alessandro Fatini del Grande 20 febbraio 2007 Il risparmio energetico è diventata un esigenza importante sia a livello ambientale (riduzione
DettagliTali fluidi, utilizzati in prossimità del punto di produzione, o trasportati a distanza, possono essere utilizzati per diversi impieghi:
LA COGENERAZIONE TERMICA ED ELETTRICA 1. Introduzione 2. Turbine a Gas 3. Turbine a vapore a ciclo combinato 4. Motori alternativi 5. Confronto tra le diverse soluzioni 6. Benefici ambientali 7. Vantaggi
DettagliGestione della politica monetaria: strumenti e obiettivi corso PAS. Mishkin, Eakins, Istituzioni e mercati finanziari, 3/ed.
Gestione della politica monetaria: strumenti e obiettivi corso PAS 1 Anteprima Con il termine politica monetaria si intende la gestione dell offerta di moneta. Sebbene il concetto possa apparire semplice,
DettagliProva di autovalutazione Prof. Roberta Siciliano
Prova di autovalutazione Prof. Roberta Siciliano Esercizio 1 Nella seguente tabella è riportata la distribuzione di frequenza dei prezzi per camera di alcuni agriturismi, situati nella regione Basilicata.
DettagliControlli Automatici T. Trasformata di Laplace e Funzione di trasferimento. Parte 3 Aggiornamento: Settembre 2010. Prof. L.
Parte 3 Aggiornamento: Settembre 2010 Parte 3, 1 Trasformata di Laplace e Funzione di trasferimento Prof. Lorenzo Marconi DEIS-Università di Bologna Tel. 051 2093788 Email: lmarconi@deis.unibo.it URL:
DettagliIl Ministro delle Attività Produttive
Il Ministro delle Attività Produttive VISTO l articolo 21, del Decreto legislativo 23 maggio 2000, n.164, che stabilisce che, a decorrere dal 1 gennaio 2003, le imprese di gas naturale che svolgono nel
DettagliCIRCOLARE N. 2/E. Roma, 17 GENNAIO 2008
CIRCOLARE N. 2/E Direzione Centrale Normativa e Contenzioso Roma, 17 GENNAIO 2008 Oggetto: Disposizioni in materia di aliquota di imposta sul valore aggiunto sul gas naturale per combustione per usi civili
DettagliCOMUNICATO STAMPA PUBBLICAZIONE DELLE NUOVE STATISTICHE SUI TASSI DI INTERESSE BANCARI PER L AREA DELL EURO 1
10 dicembre COMUNICATO STAMPA PUBBLICAZIONE DELLE NUOVE STATISTICHE SUI TASSI DI INTERESSE BANCARI PER L AREA DELL EURO 1 In data odierna la Banca centrale europea (BCE) pubblica per la prima volta un
DettagliANALISI DELLE FREQUENZE: IL TEST CHI 2
ANALISI DELLE FREQUENZE: IL TEST CHI 2 Quando si hanno scale nominali o ordinali, non è possibile calcolare il t, poiché non abbiamo medie, ma solo frequenze. In questi casi, per verificare se un evento
DettagliL evoluzione della normativa fiscale sul gas naturale
Convegno Evoluzioni i recenti della disciplina i delle accise e prospettive di riforma 25 novembre 2010 L evoluzione della normativa fiscale sul gas naturale Carletto Castelli Il gas naturale (ex gas metano)
Dettaglial budget di cassa mensile
un esempio molto semplice : dal bilancio previsionale al budget di cassa mensile Lo stato patrimoniale dell anno x : ATTIVO PASSIVO Cassa 5.000 Fornitori Clienti 300.000 Banche Scorte 100.000 Capitale
DettagliUTILIZZATORI A VALLE: COME RENDERE NOTI GLI USI AI FORNITORI
UTILIZZATORI A VALLE: COME RENDERE NOTI GLI USI AI FORNITORI Un utilizzatore a valle di sostanze chimiche dovrebbe informare i propri fornitori riguardo al suo utilizzo delle sostanze (come tali o all
DettagliANALISI DEL MUTUATARIO
IL MERCATO DEI MUTUI SOTTO LA LENTE DEL GRUPPO TECNOCASA ANALISI DEL MUTUATARIO Il 2013 ha fatto segnare ancora variazioni negative nell erogazione del credito concesso alle famiglie, ma si registrano
Dettagli6.5. Risultati simulazioni sistema rifiuti e riscaldamento
Capitolo 6 Risultati pag. 301 6.5. Risultati simulazioni sistema rifiuti e riscaldamento Come già detto nel paragrafo 5.8, i risultati riportati in questo paragrafo fanno riferimento alle concentrazione
Dettagli