Il lavoro ha affrontato differenti ambiti tipici della pianificazione energetica, dell’analisi di dati e dei modelli predittivi. Tutti i predetti temi sono coniugati al fine di studiare le caratteristiche dei sistemi energetici, i bilanci energetici a scala regionale e locale, di valutare gli indicatori di efficienza dei sistemi su macro area utilizzando metodi statistici e previsionali. A tal fine sono stati applicati modelli e software predittivi basati su metodi di regressione e/o Neural Network per la predisposizione di scenari energetici a breve, medio e lungo termine. Nel complesso, il lavoro ha riguardato l’implementazione ed analisi di modelli numerici, in grado di determinare in maniera predittiva e/o statistica i quantitativi di energia producibile da fonti non programmabili e di energia consumata per vettore e settore produttivo. Sono stati altresì implementati ulteriori casi studio che riguardano il mercato elettrico e i consumi in edifici con caratteristiche di ufficio siti in diversi stati europei. Dagli studi svolti possiamo affermare che per la predizione di indicatori energetici relativi a sistemi energetici su scala regionale, provinciale e locale, i modelli con serie storiche risultano superiori ai modelli Neural Network nel caso il DataSet sia costituito da un numero basso di dati. In tal senso la predizione assume più una veste di predizione del trend che del dato effettivo. Nel caso di DataSet ben organizzato i risultati per modelli Neural Network risultano essere più affidabili e precisi, fornendo indici di bontà quanto più elevati al crescere del numero di campioni del DataSet. Si deve anche evidenziare che al crescere del campione nel DataSet, quando questo non perde le caratteristiche di serie storica, gli indici di bontà del modello Neural Network e del modello serie storiche si eguagliano a causa di fattori di periodicità e stagionalità che caratterizzano i dati energetici di macro aree come comuni, provincie e regioni. Infine, è bene evidenziare come gli indicatori di input utilizzati nelle analisi condotte e relativi a condizioni sociali, economiche, geomorfologiche, climatiche ed impiantistiche rendono i modelli, predittivi sviluppati con approccio regressivo (Neural Network e regressione logaritimica) appropriati, nella maggior parte dei casi, alla predizione dei consumi energetici e della produzione da fonti energetiche rinnovabili su scala locale, provinciale e regionale.

Moreci, E.Analisi e modelli predittivi di sistemi energetici a scala regionale, provinciale e locale: studi sperimentali, modellazione e analisi parametrica..

Analisi e modelli predittivi di sistemi energetici a scala regionale, provinciale e locale: studi sperimentali, modellazione e analisi parametrica.

MORECI, Edoardo

Abstract

Il lavoro ha affrontato differenti ambiti tipici della pianificazione energetica, dell’analisi di dati e dei modelli predittivi. Tutti i predetti temi sono coniugati al fine di studiare le caratteristiche dei sistemi energetici, i bilanci energetici a scala regionale e locale, di valutare gli indicatori di efficienza dei sistemi su macro area utilizzando metodi statistici e previsionali. A tal fine sono stati applicati modelli e software predittivi basati su metodi di regressione e/o Neural Network per la predisposizione di scenari energetici a breve, medio e lungo termine. Nel complesso, il lavoro ha riguardato l’implementazione ed analisi di modelli numerici, in grado di determinare in maniera predittiva e/o statistica i quantitativi di energia producibile da fonti non programmabili e di energia consumata per vettore e settore produttivo. Sono stati altresì implementati ulteriori casi studio che riguardano il mercato elettrico e i consumi in edifici con caratteristiche di ufficio siti in diversi stati europei. Dagli studi svolti possiamo affermare che per la predizione di indicatori energetici relativi a sistemi energetici su scala regionale, provinciale e locale, i modelli con serie storiche risultano superiori ai modelli Neural Network nel caso il DataSet sia costituito da un numero basso di dati. In tal senso la predizione assume più una veste di predizione del trend che del dato effettivo. Nel caso di DataSet ben organizzato i risultati per modelli Neural Network risultano essere più affidabili e precisi, fornendo indici di bontà quanto più elevati al crescere del numero di campioni del DataSet. Si deve anche evidenziare che al crescere del campione nel DataSet, quando questo non perde le caratteristiche di serie storica, gli indici di bontà del modello Neural Network e del modello serie storiche si eguagliano a causa di fattori di periodicità e stagionalità che caratterizzano i dati energetici di macro aree come comuni, provincie e regioni. Infine, è bene evidenziare come gli indicatori di input utilizzati nelle analisi condotte e relativi a condizioni sociali, economiche, geomorfologiche, climatiche ed impiantistiche rendono i modelli, predittivi sviluppati con approccio regressivo (Neural Network e regressione logaritimica) appropriati, nella maggior parte dei casi, alla predizione dei consumi energetici e della produzione da fonti energetiche rinnovabili su scala locale, provinciale e regionale.
Pianificazione energetica, sistemi energetici, modelli predittivi, bilanci energetici, Neural Network, GMDH, FER.
Moreci, E.Analisi e modelli predittivi di sistemi energetici a scala regionale, provinciale e locale: studi sperimentali, modellazione e analisi parametrica..
File in questo prodotto:
File Dimensione Formato  
Tesi di dottorato Ing. Edoardo Moreci - Dottorato in Energia – Ciclo XXVI.pdf

accesso aperto

Descrizione: Tesi di dottorato Ing. Edoardo Moreci - Dottorato in Energia – Ciclo XXVI - DEIM - Università degli Studi di Palermo
Dimensione 9.9 MB
Formato Adobe PDF
9.9 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10447/162636
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact