Date post: | 05-Jul-2015 |
Category: |
Documents |
Upload: | informatica-e-pianificazione-urbana-e-territoriale |
View: | 780 times |
Download: | 0 times |
Analisi dei risultati di modelli di equilibrio parziale con tecniche statistiche multivariate
S. Di [email protected]
Istituto di Metodologie di Analisi AmbientaleCNR - Consiglio Nazionale delle RicercheC.da S.Loja, Zona Industriale, I-85050 Tito Scalo (PZ), Italia
Dipartimento di Ingegneria e Fisica dell’AmbienteUniversità degli studi della BasilicataVia dell’Ateneo 85100 Potenza, Italia
Il contesto della ricerca
Valutazione della sostenibilità ambientale di sistemi energetici alla scala nazionale/Pan
Europea in relazione alle tematiche di interesse per l’Unione Europea con importanti ricadute a
livello dei singoli Paesi (e.g. Libro Verde, Libro Bianco, Direttiva EU 2007/2, obiettivi EU 20/20/20)
quali:
•Mitigazione dei cambiamenti climatici
•Utilizzo delle fonti rinnovabili ed efficienza energetica
•Sicurezza ed efficienza nell’approvvigionamento energetico
Messa a punto di metodologie e strumenti di supporto all’Unione Europea per la
valutazione di politiche energetico-ambientali
Miglioramento della base di conoscenze e della fruibilità delle informazioni attraverso
procedure standardizzabili e applicabili a casi studio differenti
.
Caratterizzazione dei flussi di energia, di materiale e di emissioni attraverso la rete di tecnologie di conversione ed uso finale dell’energia:
•Definizione del Sistema
di Riferimento (REMS)
•Definizione del database
energetico-tecnologico
Definizione delle assunzioni modellistiche di base per lo sviluppo a medio-lungo termine del sistema (scenario di riferimento o BAU)
Formulazione di scenari di sviluppo alternativi in relazione ad obiettivi di ricerca o applicativi, in relazione alle possibili variazioni di parametri esogeni di interesse (e.g. emissioni di inquinanti atmosferici, livelli di utilizzo di fonti convenzionali e rinnovabili, importazione di combustibili, etc)
Analisi di scenario: ottimizzazione del sistema energetico al variare delle condizioni al contorno e confronto post-ottimale delle soluzioni
Individuazione delle variabili chiave per la definizione di strategie robuste
Cost balance
Emissions balance
•Net production•Process energy•Space heating•Person•Light•Communication•Force•Personal-•Kilometres•Tonne-km
Demand
Coalrefining
Refinery
Power plant and Grid
CHP andDistrict Heat
Gas pipelines
Industry
Commercial
Domestic
Transport
End energyPrimary Energy
Inlandproduction
Import
Exogenous final demands
Ener
gy c
arri
er p
rice
s,
Reso
urce
s av
aila
bilit
y
PriceCapacities
Energy flowEmission
Cost
Rappresentazione ed analisi di un sistema energetico
Approccio Metodologico
Rappresentazione di sistemi energetici complessi ed analisi di scenario:
- Studio dell’evoluzione del sistema energetico al variare delle condizioni al contorno (variabili di scenario)
- Definizione delle traiettorie energetico-tecnologiche ottimali per scenario
- Valutazione dell’andamento delle emissioni e dei loro effetti in termini di costi esternali
Caratterizzazione dei sistemi antropici complessi mediante tecniche di analisi
statistica multivariata:
- Individuazione di variabili e di descrittori maggiormente significativi
- Riduzione della dimensionalità del sistema
- Analisi della struttura di correlazione dei dati
- Massimizzazione del contenuto informativo dei dati
- Individuazione dei parametri esogeni ed endogeni di maggior rilievo
- Definizione di indici e indicatori di sostenibilità ad hoc
- Messa a punto di procedure standardizzate per l’analisi di dati energetico-ambientali e la formulazione di strategie sostenibili
Interfacce utente VEDA-FE (Front End) VEDA-BE (Back-End)
Metodologia Approccio Bottom-up Parametri di input tecno-economici
ed ambientali Multiperiodalità Competizione perfetta
Applicabilità dei modelli TIMES A scala globale A scala nazionale A scala locale
TIMESTIMES
The Integrated Markal Efom SystemsThe Integrated Markal Efom Systems
Ottimizzazione Lineare (LP) Funzione obiettivo e vincoli lineari Numero medio di variabili: 4000-6000 Soluzione di minimo costo
Caratteristiche tecniche
Implementazione in GAMS Risoluzione Regionale Elasticità della domanda Vintaging Modellizzazione delle curve di carico
Il generatore di modelli di equilibrio parziale
Principali caratteristiche
- Integrazione di modelli alla scala nazionale guidati dalla domanda di beni e servizi basati su una struttura modulare comune che riproduce offerta e domanda (Produzione e Conversione Energetica, Generazione di Elettricità e Calore, Industria, Residenziale e Commerciale, Trasporti, Agricoltura)
- Orizzonte temporale 2000-2050 suddiviso in 12 periodi di tempo di 5 anni ciascuno (ad eccezione del primo e del secondo, rispettivamente di durata un anno e due anni)
- Consumi energetici iniziali calibrati sui bilanci nazionali Eurostat
- Rappresentazione analitica delle emissioni dei principali gas serra e inquinanti a scala locale
- Proiezione della domanda ed evoluzione dei parametri di scenario in accordo con i principali studi e modelli a scala europea (e.g. PRIMES, JRC-IPTS)
Il modello TIMES- Pan EU: la struttura
Il TIMES- Pan EU è un modello di equilibrio parziale multi-regione, sviluppato mediante il generatore ETSAP-TIMES, che integra i modelli energetici di 30 stati europei (EU 27 + CH, IS, NO) attraverso scambi di energia elettrica.
Gli scenari, formulati in base alle indicazioni di decisori politici, hanno analizzato le problematiche energetico-ambientali di maggior interesse per l’UE.
Il modello TIMES- Pan EU: gli scenari
SCENARIO PRINCIPALI IPOTESI
BAURiferimento
- Sviluppo della domanda Business as Usual
- Nessun limite alle emissioni di CO2 - Applicazione di una tassa di 10 Euro/ton per le
emissioni di CO2
- Utilizzo delle fonti rinnovabili e del nucleare in linea con le politiche nazionali
CO2-450ppmMitigazione dei cambiamenti climatici
- Riduzione delle emissioni di CO2 al 2050 del 71% rispetto ai livelli europei del 1990
- Utilizzo del nucleare in linea con le politiche nazionali
OLGAMitigazione dei cambiamenti climatici e
Sicurezza dell’approvvigionamento energetico
- Riduzione delle emissioni di CO2 al 2050 del 71% rispetto ai livelli europei del 1990
- Utilizzo del nucleare in linea con le politiche nazionali
- Riduzione delle importazioni di petrolio (30%) e gas naturale (40%) al 2050
EXTClimate protection + Security of supply +
Enhanced utilization of nuclear energy
- Utilizzo del nucleare in linea con le politiche nazionali
- Internalizzazione dei costi esternali degli inquinanti a scala locale (SO2, VOC, NOx, PM10, PM2.5)
Consumi energetici e di materiali Modalità di produzione di energia elettrica e calore Capacità installate e livelli di utilizzazione delle tecnologie Costi delle attività Livelli di importazione ed esportazione dei combustibili Emissioni per settore (gas serra e inquinanti locali)
Set standard di dati di output per scenario :
ll modello TIMES- Pan EU: i dati di output
(X ciascuno Stato; X ciascun periodo; X ciascun scenario)
20020
9553065
40160
278400 27840
1329360 4266480
55680 222720
Aggregati a scala Pan-EU
Disaggregati per ciascuno dei 30 Stati Europei considerati
Dettaglio multi-temporale (12 intervalli temporali)
4 scenari a scala Pan-Europea (BAU, CO2-450ppm, EXT, OLGA)
Set di dati di output del modello TIMES –Pan EU
Analisi di scenario: Consumi energetici finali
0
10000
20000
30000
40000
50000
60000
70000
BA
U
45
0p
pm
EX
T
OLG
A
BA
U
45
0p
pm
EX
T
OL
GA
BA
U
450
pp
m
EX
T
OL
GA
2000 2020 2050
PJ
Altre Fonti(Metanolo,Idrogeno)Rifiuti
Rinnovabili
Calore
Elettricità
Gas
Prodotti Petroliferi
Carbone
Modello Pan-Europeo
0
1000
2000
3000
4000
5000
6000
7000
BA
U
450
pp
m
EX
T
OL
GA
BA
U
45
0p
pm
EX
T
OL
GA
BA
U
45
0p
pm
EX
T
OL
GA
2000 2020 2050
PJ
Altre Fonti(Metanolo,Idrogeno)Rifiuti
Rinnovabili
Calore
Elettricità
Gas
Prodotti Petroliferi
Carbone
Italia
• Carbone• Prodotti Petroliferi• Gas• Elettricità
•Calore• Rinnovabili• Rifiuti• Altre Fonti (Idrogeno, Metanolo)
Analisi di scenario: Emissioni di CO2
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
BA
U
450p
pm EX
T
OLG
A
BA
U
450p
pm EX
T
OLG
A
BA
U
450p
pm EX
T
OLG
A
2000 2020 2050
MtAgricoltura
Commerciale
Residenziale
Trasporti
Industria daProcesso
Industria daCombustione
Conversione
Produzione dielettricità ecalore
0
100
200
300
400
500
600
BA
U
450p
pm
EX
T
OLG
A
BA
U
450p
pm EX
T
OLG
A
BA
U
450p
pm EX
T
OLG
A
2000 2020 2050
Mt
Agricoltura
Commerciale
Residenziale
Trasporti
Industria daProcesso
Industria daCombustione
Conversione
Produzione dielettricità ecalore
• Produzione di elettricità e calore• Conversione• Industria da Combustione• Industria da Processo
Modello Pan-Europeo Italia
• Trasporti• Residenziale• Commerciale• Agricoltura
Applicazione delle tecniche multivariate
Obiettivo: Confronto tra Nazioni per valutare a scala nazionale gli effetti di vincoli imposti a scala Pan-EuropeaParametri considerati: Emissioni di CO2 settoriali,Consumi energetici finali,(per scenario)Intervallo di tempo: 2000, 2020, 2050
Organizzazione dei dati di Output del modello TIMES - Pan EU in matrici Oggetti x Descrittori
Cluster Analysis (CA) per analizzare la similarità tra gli oggetti
Principal Component Analysis (PCA) per analizzare la correlazione tra i descrittori
Interpretazione della struttura di correlazioneDefinizione di indicatori di sostenibilità
Obiettivi specifici:
Aggregare funzionalmente i dati di output dei modelli energetici nazionali per:
Evidenziare il contenuto informativo dei dati e la struttura di correlazione
Caratterizzare statisticamente le variazioni della struttura dei dati sull’orizzonte temporale nei diversi scenari
Confrontare le similarità per aree geografiche (confronto tra gli andamenti degli indicatori nelle varie nazioni)
Individuare gli indicatori energetici ed ambientali statisticamente significativi per la valutazione della sostenibilità dei sistemi energetici a scala nazionale
Mettere a punto una procedura standardizzata per la calibrazione di dati e modelli
Applicazione delle tecniche multivariate
Procedura Metodologica: Analisi dei Cluster (1/5)
Matrice di associazione (n x n) costruita mediante la distanza euclidea tra gli n oggetti
( ) ( ) ( ) 2
,,
2
2,2,
2
1,1,....
mkmhkhkhkhqqqqqqd −++−+−= dove h,k =1,..,n
Obiettivi:
•Individuazione di gruppi omogenei di nazioni in relazione alla produzione e consumo di energia, alle emissioni ed alle altre variabili di interesse
•Valutazione dell’influenza di variabili socioeconomicheesterne rispetto agli input modellistici (popolazione, PIL)
•Definizione dei set omogenei a scala sovra-nazionale per l’applicazione di target strategici dell’Unione Europea in materia di energia ed ambiente (e.g implementazione delle RES, target post-Kyoto, etc)
Descrittore 1 Descrittore 2 … Descrittore m
1) AT q1,1 q1,2 q1,m
2) BE q2,1 q2,2 q2,m
….
30) UK qn,1 qn,2 qn,m
1) AT 2) BE …. 30) UK
1) AT d1,1 d1,2 d1,30
2) BE d2,1 d2,2 d2,30
….
30) UK d30,1 d30,2 d30,30
Matrice (n x m) oggetti x descrittori
Procedura Metodologica: Analisi dei Cluster (2/5)
Algoritmo di classificazioneNon-supervisionato, gerarchico, agglomerativo.Metodo del legame completo
dove la similarità tra due cluster Ch e Ck è definita come il massimo tra le combinazioni delle distanze tra ciascuna unità di Ch e ciascuna unità di Ck
per
),(max),(srkh
XXdCCs =
kshrCXCX ∈∈ ;
Grafico dei centroidi per l’interpretazione dei Cluster
Procedura Metodologica: Analisi dei Cluster (3/5)
-100
0
100
200
300
400
500
Clu5 Clu4 Clu3 Clu2 ES Clu1Variazione % del valore medio nel cluster per ciascun descrittore rispetto al valore
medio totale del descrittore
%
Coal Petroleum productsGas ElectricityHeat RenewablesWaste Others (Methanol, Hydrogen, DME)
POPOLAZIONE
0.0E+00
1.0E+07
2.0E+07
3.0E+07
4.0E+07
5.0E+07
6.0E+07
7.0E+07
8.0E+07
CLU1 ES CLU2 CLU3 CLU4 CLU5
Utilizzo di variabili esogene per interpretare i ClusterPIL
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
CLU1 ES CLU2 CLU3 CLU4 CLU5
Procedura Metodologica: Analisi delle Componenti Principali (4/5)
Desc.1 Desc.2 … Desc. 8
Descr 1 ρ1,1 ρ1,2 ρ1,8
Desc. 2 ρ2,1 ρ2,2 ρ2,8
….
Desc. 8 ρ8,1 ρ8,2 ρ8,8
Matrice di associazione (m x m) costruita mediante coefficiente di correlazione tra i descrittori (Desc)
Tecnica di ordinamento in spazio di dimensionalità ridotta, che riduce il numero delle variabili di partenza individuando delle nuovi variabili combinazione lineare delle variabili originarie
Descrittore 1 Descrittore 2 … Descrittore m
1) AT q1,1 q1,2 q1,m
2) BE q2,1 q2,2 q2,m
….
30) UK qn,1 qn,2 qn,mObiettivi:
• Valutazione del peso dei descrittori (combustibili, emissioni di CO2 settoriali) nella struttura di correlazione;
• Definizione di nuove variabili da cui individuare indici aggregati per l’interpretazione dei risultati;
• Individuazione delle variabili più significative per la definizione di indicatori di sostenibilità
Matrice (n x m) oggetti x descrittori
Procedura Metodologica: Analisi delle Componenti Principali (5/5)
Il legame tra le variabili originarie (x1, x2,…xn) e le nuove variabili (a1, a2,..an) è fornito dai coefficienti di loadings che forniscono il peso delle variabili originarie nel nuovo sistema di riferimento.
++=
++=
NNNNN
NN
xlxla
xlxla
,11,
,111,11
..........
Osservazioni (assi F1 e F2: 79.96 %)
UK
SK
SI
SERO
PT
PL
NO
NL
M T
LVLT
IT
IS
IE
HU
GR
FR
FI
ES
EE DK
DE
CZ
CY
CHBG
BEAT
3
2
1
0
1
2
3
4
5
3 2 1 0 1 2 3 4 5 6 7 8
F1 (61.95 %)
F2
(18.0
1 %
)
Si risolve il problema degli autovalori e degli auto-vettori, individuando la % di varianza dei dati di partenza associata a ciascuna delle nuove componenti principali
Scree plot
0
1
2
3
4
5
6
C1 C2 C3 C4 C5 C6 C7 C8
asse
Au
tova
lore
0
20
40
60
80
100
Var
iab
ilità
cu
mu
lata
(%
)
Definizione di indici per l’aggregazione dei risultati dell’Analisi dei Cluster e della PCA
L’indice NPCI (Normalized Principal Component Index) per il j-esimo descrittore attribuisce un peso a ciascun descrittore originario nel nuovo sistema di riferimento in funzione del contributo alle nuove componenti principali (PC), del rango e della varianza spiegata, relativi alla componente principale in cui il descrittore fornisce il contributo maggiore e della varianza totale.
∑=
= m
jj
jj
PCI
PCINPCI
1
j
jjjj P
vp
n
r
VPCI
*max *1
11
−−=
L’indice CI (Cluster Index) associa a ciascun cluster un peso sia in funzione della variazione percentuale dei descrittori rispetto al valore medio assunto per quel cluster (Cqj) sia del peso che ciascun descrittore ha nella struttura di correlazione (NPCIj)
j
m
jqjq NPCICCI *
1∑
=
=
n: numero di autovalori >0.5; V: varianza spiegata dagli auto-valori >0.5
Pj è il contributo al descrittore delle PCs con auto-valori >0.5 rj è il rango della PC che fornisce il contributo maggiore
Pjmax è il contributo massimo della PC vj* varianza della PC che fornisce il contributo massimo
Definizione di indicatori di sostenibilità energetica
Sicurezza nell’approvvigionamento energetico: L’indice IOC esprime il rapporto tra importazione netta e consumo totale dei prodotti petroliferi e permette di individuare la dipendenza dalle importazioni dei prodotti petroliferi di un Paese e valutare l'incidenza delle risorse nazionali, eventualmente presenti. L’indice IOT valuta la percentuale di utilizzo dei prodotti non petroliferi nel settore dei trasporti rispetto al consumo energetico totale del settore. Tale indice fornisce quindi la capacità di un Paese di ricorrere a combustibili alternativi. L’indice IEG esprime il rapporto tra importazione netta di gas naturale e il suo consumo totale. Permette di individuare la dipendenza di un Paese dall'Estero per quanto riguarda l'approvvigionamento di gas.
∑
∑=
ii
ii
PEC
NetimportIOC ∑
∑=
itransporti
itransporti
FEC
NOPIOT
asnatura
asnatura
PEC
NetimportIEG
lg
lg=
Gli indicatori di sostenibilità energetica, ad integrazione delle tecniche di analisi statistica multivariata, permettono di completare l’analisi dei risultati dei modelli di equilibrio parziale, fornendo informazioni sull’andamento di alcuni parametri chiave sia lungo l'orizzonte temporale che nei diversi scenari di sviluppo del sistema.
Sono stati elaborati otto indicatori di sostenibilità energetica, con particolare riferimento alla valutazione a scala nazionale
Definizione di indicatori di sostenibilità energetica
Produzione di energia elettrica dalle fonti rinnovabili: L’indice IER esprime il rapporto tra produzione energia elettrica dalle fonti rinnovabili rispetto al consumo lordo di energia elettrica totale, che tiene conto tra l'altro delle perdite di linea, delle perdite nelle pompe e dell'esportazione di elettricità. Tale indicatore fornisce indicazioni sulla capacità di uno Stato di produrre energia elettrica dalle fonti rinnovabili.
yelectricit
yelectricit
PEC
ionNetproductIER =
L’indice ICO1 esprime il rapporto tra il quantitativo di emissioni di CO2 ottenute dal settore per la produzione di energia elettrica e l'energia elettrica prodotta.
yelectricit
CO
ionNetproduct
EPGEMICO 2
1 =
∑=
=
1
22
)(
ii
CO
FEC
DEMEMICO
L’indice IEEA esprime, per ciascun stato, il rapporto tra il consumo finale di tutti i vettori energetici e la popolazione. Tale indicatore permette di valutare l'efficienza dell'insieme delle tecnologie nel consumo di energia.
GDP
PECIEEP yelectricit
∆=
Pop
FECIEEA i
i∑== 1
L’indice IEEP esprime il rapporto tra il consumo di elettricità e la variazione percentuale del prodotti interno lordo nazionale, correlando in tal modo il consumo di elettricità all'andamento dell'economia nazionale.
Efficienza energetica:
L’indice ICO2 esprime il rapporto tra il quantitativo di emissioni di CO2 emesse dai settori di domanda di uso finale e il consumo finale di tutti i vettori energetici.
Cambiamenti climatici:
Risultati Analisi dei Cluster : Emissioni di CO2 per abitante – 2050 (1/3)
Scenario BAU Scenario 450ppm
Scenario EXT Scenario OLGA
Clu1 PT-DE-UK-AT-PL-RO-DK-SE-NO-SK-HU-FR-CH-LT-LVClu2 ES-GR-CY-BE-IT-NL-IE-MTClu3 CZ-SI-FIIs1 BGIs2 EE
Risultati Analisi dei Cluster : Emissioni di CO2 per abitante – Anno 2050 (2/3)
Scenario BAU Scenario 450_ppm
Scenario OLGAScenario EXT
-100
0
100
200
300
400
500
600
Clu1 Clu2 NL Clu3 Clu4
Produzione di elettricità e calore ConversioneIndustria da Combustione Industria da ProcessoTrasporti ResidenzialeCommerciale Agricoltura
Clu1 AT-NO-CH-EE-SI-LT-MT-LV-CYClu2 DK-IE-PT-HU-FI-BG-SK-CZ-SE-GR-RO-BEClu3 ES-IT-PL-FRClu4 UK-DEIs1 NL
-100
-50
0
50
100
150
200
250
300
350
400
Clu1 Clu2 Clu3 CY
Produzione di elettricità e calore ConversioneIndustria da Combustione Industria da ProcessoTrasporti ResidenzialeCommerciale Agricoltura
Clu1 NO-PT-IE-PL-HU-FI-EE-SK-AT-RO-SE-CH-FR-LV-LTClu2 BG-SIClu3 DE-NL-UK-MT-CZ-IT-BE-DK-ES-GRIs1 CY
-100
0
100
200
300
400
500
600
700
800
Clu1 Clu2 Clu3 BG EE
Produzione di elettricità e calore ConversioneIndustria da Combustione Industria da ProcessoTrasporti ResidenzialeCommerciale Agricoltura
-100
0
100
200
300
400
500
Clu1 Clu2 SI Clu3 Clu4 Clu5 BG CY
Produzione di elettricità e calore ConversioneIndustria da Combustione Industria da ProcessoTrasporti ResidenzialeCommerciale Agricoltura
Clu1 LT-LV-FR-CH-SE-RO Clu5 BE-ES-GR-MTClu2 AT-FI-DK-SK-IE Is1 BGClu3 DE-HU-PL-EE Is2 CYClu4 IT-PT-CZ-UK-NL-NO Is3 SI
Risultati PCA – NPCI – CI: Emissioni di CO2 per abitante – Anno 2050 (3/3)
Scenario BAU
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F1 F2 F3 F4 Produzione di Elettricità e Calore 0.899 -0.069 13.4 0.4 Conversione 0.954 -0.213 15.1 3.9 Industria (Combustione) 0.920 0.345 14.1 10.4 Industria (Processo) 0.866 0.388 12.5 13.1 Trasporti 0.965 -0.019 15.5 0.03 Residenziale 0.821 -0.494 11.2 21.2 Commerciale 0.767 -0.495 9.8 21.3 Agricoltura 0.712 0.583 8.4 29.6
Scenario 450ppm
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F4 F1 F2 F3 F4 Produzione di Elettricità e Calore 0.560 -0.037 0.275 0.510 13.2 0.1 6.5 25.9 Conversione 0.354 -0.474 0.293 0.463 5.3 13.0 7.3 21.3 Industria (Combustione) 0.722 0.264 -0.324 -0.222 22.0 4.0 9.0 4.9 Industria (Processo) 0.317 0.807 -0.327 0.109 4.2 37.6 9.1 1.2 Trasporti 0.081 0.782 0.475 0.227 0.3 35.3 19.3 5.1 Residenziale 0.823 0.004 0.227 -0.241 28.6 0.0 4.4 5.8 Commerciale 0.682 -0.318 0.191 -0.446 19.7 5.8 3.1 19.8 Agricoltura -0.397 0.269 0.694 -0.403 6.7 4.2 41.2 16.1
Scenario EXT
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F1 F2 F3
Produzione di Elettricità e Calore 0.236 -0.130 0.828 3.0 0.9 55.0 Conversione -0.062 0.688 -0.279 0.2 25.8 6.3 Industria (Combustione) 0.206 0.549 0.440 2.3 16.5 15.5 Industria (Processo) 0.470 0.710 -0.004 11.8 27.5 0.0
Trasporti 0.686 0.374 -0.085 25.1 7.6 0.6 Residenziale -0.581 0.482 -0.107 18.0 12.7 0.9
Commerciale -0.606 0.287 -0.021 19.6 4.5 0.0
Agricoltura 0.612 -0.288 -0.520
20.0 4.5 21.7
Scenario OLGA
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F4 F1 F2 F3 F4 Produzione di Elettricità e Calore 0.216 -0.090 -0.471 0.673 2.0 0.5 17.6 38.5 Conversione 0.505 -0.029 -0.066 0.619 10.8 0.1 0.3 32.6 Industria (Combustione) 0.685 0.510 -0.004 -0.334 19.9 16.3 0.0 9.5 Industria (Processo) 0.137 0.795 -0.438 -0.123 0.8 39.8 15.2 1.3 Trasporti -0.287 0.785 0.226 0.357 3.5 38.7 4.0 10.8 Residenziale 0.859 -0.003 0.353 -0.009 31.3 0.0 9.8 0.0 Commerciale 0.732 -0.115 0.395 0.043 22.8 0.8 12.4 0.2 Agricoltura -0.459 0.245 0.717 0.291 8.9 3.8 40.7 7.2
NPCI
CLU1-50B -85 CLU1-50C -36 CLU1-50E -27 CLU1-50O -67CLU2-50B -43 CLU2-50C 102 CLU2-50E 27 CLU2-50O 11CLU3-50B 183 CLU3-50C 18 CLU3-50E 1 SI 200CLU4-50B 307 CLU4-50C 76 BG 56 CLU3-50O -7NL 15 EE 111 CLU4-50O 38
CLU5-50O -36BG 8CY 40
Scenario BAU Scenario 450ppm Scenario EXT Scenario OLGA
CI
Indicatori di sostenibilità energetica – Indice ICO1
-Utilizzo di carbone per produzione elettricità 75% Prodotti
Petroliferi
Utilizzo di carbone per produzione elettricità
95% Gas naturale
Indicatori di sostenibilità energetica – Indice ICO2
Risultati Cluster Analysis: Consumi energetici finali per abitante – 2050 (1/3)
Scenario BAU Scenario 450ppm
Scenario EXT Scenario OLGA
Risultati Cluster Analysis: Consumi energetici finali per abitante - 2050 (2/3)
Scenario BAU Scenario 450_ppm
Scenario OLGAScenario EXT
-100
-50
0
50
100
150
Clu1 Clu2 Clu3 Clu4
Carbone Prodotti petroliferiGas ElettrcitàCalore RinnovabiliRifiuti Altre Fonti
Clu1 EE-SE-CZ-SI-SK-FI-NOClu2 DK-ES-CH-GR-BE-CY-MTClu3 AT-RO-IE-FR-PL-LT-LV-PTClu4 DE-IT-UK-HU-BG-NL
-100
0
100
200
300
Clu1 Clu2 Clu3 Clu4
Carbone Prodotti petroliferiGas ElettrcitàCalore RinnovabiliRifiuti Altre Fonti
-100
-50
0
50
100
150
Clu1 Clu2 Clu3 Clu4
Carbone Prodotti petroliferiGas ElettrcitàCalore RinnovabiliRifiuti Altre Fonti
Clu1 NO-SE-EE-FIClu2 DK-ES-GR-DE-AT-PT-FR-CH-IE-MT-CYClu3 HU-SK-LT-LV-PL-ROClu4 IT-UK-CZ-SI-BE-BG-NL
-100
-50
0
50
100
150
200
FI Clu1 Clu2 Clu3 Clu4
Carbone Prodotti petroliferiGas ElettrcitàCalore RinnovabiliRifiuti Altre Fonti
Clu1 IT-UK-MT-PT-CYClu2 EE-SE-NOClu3 AT-RO-CH-HU-LT-LV-PL-IEClu4 BG-NL-CZ-SI-SK-DE-FR-ES-GR-BE-DKIs1 FI
C lu 1 IE-CH-AT-LV -LT -PL-RO -HUC lu 2 BG -CZ -N L-BE -F R-SK -S IC lu 3 CY-M T-DK -E S-DE-UK-G R-PT -ITC lu 4 FI-NO -SE -E E
RisultatiPCA - NPCI – CI: Consumi energetici finali per abitante 2050
Scenario BAU
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F1 F2 F3 Carbone -0.314 0.614 -0.178 4.3 21.3 2.4 Prodotti Petroliferi 0.709 -0.076 0.259 21.8 0.3 5.2 Gas -0.508 0.500 0.543 11.2 14.1 22.7 Elettricità 0.752 0.529 -0.024 24.5 15.8 0.0 Calore -0.353 0.377 -0.532 5.4 8.0 21.8 Fonti Rinnovabili 0.436 0.592 -0.493 8.2 19.8 18.7 Rifiuti -0.224 0.585 0.547 2.2 19.3 23.0 Altre Fonti 0.719 0.151 0.284
22.4 1.3 6.2
Scenario 450ppm
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F4 F1 F2 F3 F4 Carbone -0.431 -0.364 0.689 0.012 10.2 7.5 35.6 0.0 Prodotti Petroliferi 0.694 0.386 0.388 0.062 26.4 8.4 11.3 0.4 Gas -0.674 -0.332 0.425 0.083 24.8 6.3 13.6 0.7 Elettricità -0.098 0.785 0.411 0.137 0.5 34.9 12.7 1.8 Calore -0.567 0.134 -0.485 -0.308 17.6 1.0 17.6 9.3 Fonti Rinnovabili -0.525 0.666 -0.188 0.130 15.1 25.1 2.6 1.6 Rifiuti -0.122 -0.081 -0.245 0.928 0.8 0.4 4.5 84.5 Altre Fonti -0.290 0.539 0.168 -0.129 4.6 16.4 2.1 1.6
Scenario EXT
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F4 F1 F2 F3 F4 Carbone 0.499 0.512 0.309 -0.259 11.1 15.5 6.6 6.7 Prodotti Petroliferi -0.613 0.198 0.685 0.078 16.8 2.3 32.4 0.6 Gas 0.790 0.236 0.395 -0.054 27.9 3.3 10.8 0.3 Elettricità -0.552 0.706 0.249 0.079 13.6 29.5 4.3 0.6 Calore 0.377 0.387 -0.572 0.385 6.3 8.8 22.6 14.7 Fonti Rinnovabili -0.534 0.569 -0.456 0.136 12.7 19.2 14.4 1.9 Rifiuti 0.510 0.435 0.132 0.391 11.6 11.2 1.2 15.3 Altre Fonti -0.011 -0.415 0.334 0.776 0.0 10.2 7.7 60.0
Scenario OLGA
Coordinate delle variabili Contributo delle variabili (%)
F1 F2 F3 F4 F1 F2 F3 F4 Carbone 0.274 -0.053 0.118 0.902 3.6 0.2 1.0 80.1 Prodotti Petroliferi -0.472 0.791 0.037 -0.018 10.7 41.7 0.1 0.03 Gas 0.787 0.116 0.333 0.054 29.7 0.9 7.7 0.3 Elettricità -0.460 0.317 0.770 0.083 10.1 6.7 41.3 0.7 Calore -0.141 -0.714 0.198 -0.007 1.0 34.0 2.7 0 Fonti Rinnovabili -0.367 -0.392 0.708 -0.111 6.5 10.3 34.9 1.2 Rifiuti 0.666 0.309 0.376 -0.078 21.3 6.3 9.9 0.6 Altre Fonti 0.599 -0.013 0.189 -0.417 17.2 0.0 2.5 17.1
NPCI
Scenario BAU Scenario 450ppm Scenario EXT Scenario OLGA CLU1-50B 42 CLU1-50C 6 CLU1-50E 16 FI 31
CLU2-50B -34 CLU2-50C 15 CLU2-50E -11 CLU1-50O -25
CLU3-50B -15 CLU3-50C -27 CLU3-50E -24 CLU2-50O -15
CLU4-50B -11 CLU4-50C 17 CLU4-50E 23 CLU3-50O -35
CLU5-50O 36
CI
Indicatori di sostenibilità energetica – Indice IER
Aspetti innovativi della metodologia
Applicazione di una procedura basata sull'utilizzo delle tecniche di analisi statistica multivariata ai dati di output dei modelli di equilibrio parziale per la caratterizzazione della struttura intrinseca, la valorizzazione del contenuto informativo e l’individuazione delle variabili statisticamente significative al variare delle condizioni al contorno
Definizione di indici aggregati (CI e NPCI) per valutare in modo comparato i risultati dell’applicazione della procedura multivariata in differenti periodi di tempo e nei diversi scenari
Messa a punto di indicatori per la valutazione della sostenibilità energetica in termini di utilizzo di risorse convenzionali e rinnovabili ed emissioni di CO2
Conclusioni
Il confronto tra nazioni effettuato con tecniche di classificazione ha permesso di evidenziare le specificità delle aree geografiche rispetto all’uso di combustibili e tecnologie, allo scopo di identificare le regioni omogenee e di definire strategie ad hoc per l’applicazione di target differenziati in recepimento delle direttive dell’UE in materia di energia ed ambiente
L’Analisi delle Componenti Principali e l’utilizzo di indici aggregati ha permesso identificare i descrittori con un peso maggiore nel pattern di correlazione, per valorizzare le variabili statisticamente significative nella definizione di strategie operative
L’utilizzo di indicatori ha permesso di valutare la sostenibilità dei sistemi energetici in relazione ad aspetti chiave quali sicurezza nell'approvvigionamento energetico, utilizzo di fonti rinnovabili, efficienza energetica e contributo ai cambiamenti climatici
Ringraziamenti
Il lavoro è stato svolto presso il CNR-IMAA nell’ambito delle attività del dottorato di ricerca in “Metodi e tecnologie per il monitoraggio ambientale" XXII Ciclo - Università degli Studi della Basilicata. Si ringrazia la prof. Marinella Ragosta per il prezioso contributo scientifico.