CENTRO EPSON METEO Relazione Vantaggi Sistemi Predittivi in Real Time

VA N T A G G I D E L L A R E G O L A Z I O N E
M E T E O - P R E D I T T I VA S U L R I S PA R M I O
E N E RG ETI C O
SISTEMI PREDITTIVI C ONTINUI A

VANTAGGIO DELL’ENERG IA
Dr. Raffaele Salerno
Direttore Centro Epson Meteo

VANTAGGI DELLA REGOLAZIONE METEO-PREDITTIVA SUL RISPARMIO
ENERGETICO
1. Introduzione
E’ noto che il clima sta cambiando ed è atteso che ciò continuerà nei prossimi decenni. In
particolare, il tempo atmosferico mostrerà una sempre vaggiore variabilità e gli estremi
del tempo (ondate di calore o di freddo, piogge violente e altri fenomeni estremi). Vista
la variabilità sempre maggiore delle condizioni meteorologiche, la disponibilità di una
previsione meteorologica permette di fronteggiare meglio le esigenze legate alla
mitigazione degli eventi climatici e a gestire meglio le attività umane. In particolare, la
disponibilità delle previsioni meteorologiche permette di gestire al meglio la
produzione, il consumo, la gestione e il risparmio delle risorse energetiche.
Tra le diverse conseguenze economiche dell’aumento delle temperature a scala globale,
l'impatto sul consumo di energia è di particolare importanza e può rappresentare una
parte rilevante dell'impatto economico totale a causa del cambiamento del clima (Tol
2009.) Inoltre, i gas serra emessi dal settore energetico sono da soli uno dei principali
elementi del cambiamento del clima stesso e responsabile di un buon quarto di
emissioni di gas di serra globali (IPCC, 2007).
Il consumo energetico incide, dunque, sui cambiamenti climatici ma ne è a sua volta
condizionato dagli stessi cambiamenti del clima e dalle politiche energetiche. Ci sono
molti contributi in letteratura legati alle variazioni termiche e alle corrispondenti
variazioni nei consumi a scala locale (Quayle e Diaz 1979; Li e Sailor 1995; Rosenthal e
Gruenspecht 1995; Al-Zayer e Al-Ibrahim 1996; Henley e Peirson 1997, 1998; Florides
et al. 2000; Vaage 2000, Hunt et al. 2003; Zarnikau 2003; Mirasgedis et al. 2004; Amato
et al. 2005; Giannakopoulos et al. 2005; Mansur et al. 2005; Pezzulli et al. 2006;
Asadoorian et al. 2007; Mansur et al. 2007). Altri studi hanno riguardato analisi su più
Paesi (Bigano et al., 2006), distinguendo anche tra diversi tipi di fonti energetiche. Tutti
gli studi hanno dimostrato l’impatto delle temperature sui consumi di tipo civile e
residenziale, mentre, come del resto era logico presupporre, il settore industriale non ne
è affetto particolarmente, in quanto il consumo energetico è legato alla produzione dei
beni e non alle condizioni climatiche. Appare quindi chiaro che, per tutte le situazioni
nelle quali vi sono degli ambienti da climatizzare legati alla presenza di persone,
l’impatto delle temperature esterne e delle sue variazioni possono incidere in maniera
sensibile sui consumi energetici.
Ciò che si è ulteriormente evidenziato (Bessec e Fouquau, 2008) è anche la non linearità
nel legame tra l’uso dell’energia e le temperature. Questo comportamento non lineare è
maggiormente pronunciato nei paesi Europei a clima più caldo. Inoltre (Cian et al.,
2007), la richiesta di riscaldamento e raffrescamento e la risposta al cambiamento della
temperatura esterna dipende dalla regione geografica e dal tipo di combustibile
utilizzato.
Meteo Operations Italia (MOPI) S.r.l. Sede legale: Via G. Frova, 34 - 20092 - Cinisello Balsamo (MI)
Servizio Previsioni, GAWS, Servizi a Valore Aggiunto: Via A. Falck, 16 – 20099 – Sesto S. Giovanni (MI)
Produzioni TV e MEDIA: Via Marconi, 27 – 20090 – Segrate (MI)
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
Società soggetta a direzione e coordinamento di: C.F. P. IVA e R.I. Milano 03062710961 - REA MI 1631863
AiP S.r.l. - Via G. Frova, 34 - 20092 - Cinisello Balsamo (MI) Capitale sociale 100.000 Euro i.v.
In questo studio verrà considerato qualé l’apporto potenziale di risparmio di energia in
termini di ore durante il periodo termico cha va da ottobre ad aprile (quindi si parla di
riscaldamento) considerando la capacità di prevedere dettagliatamente la temperatura
della giornata, con un meccanismo di aggiornamento continuo della previsione stessa al
fine di traguardare al meglio l’accensione e lo spegnimento dei sistemi termici per il
riscaldamento. Grazie al sistema predittivo, si può traguardare l’andamento della
temperatura nelle ore successive con una precisione molto elevata che consente di
tarare efficacemente il riscaldamento dell’interno delle aree interessate.
2. Dati climatici e calcolo del risparmio
2.1 Impostazione
Sono stati utilizzati per l’analisi le temperature degli ultimi 25 anni per calcolare i valori
medi del periodo che va dal 15 ottobre al 15 aprile e per il nord, centro e sud dell’Italia.
Per fare un calcolo complessivo per ogni area, si è considerata la temperatura media per
ogni momento del periodo tra Ottobre e Aprile. La media è stata calcolata considerando i
valori medi di temperatura oraria di ogni giorno dalle 1 alle 24 (mitchell e Jones, 2005).
Naturalmente vi è una variabilità nell’arco della giornata che può modificare il calcolo
della singola giornata, come pure avere variazioni più ampie nelle ore più critiche, quelle
del mattino e quelle serali. Tuttavia è proprio ove vi fossero variazioni più ampie che il
sistema predittivo consentirebbe di avere maggiore efficienza, dunque il calcolo che
verrà descritto può essere visto come una stima conservativa.
2.2 Metodologia
Il calcolo parte dalla valutazione del differenziale di temperatura tra l’esterno e quello
interno, quest’ultimo posto a 20 °C. La temperatura esterna è ricavata dal dato climatico
del periodo calcolato sulla base dei valori riscontrati negli ultimi 25 anni. L’Italia è stata
suddivisa in tre fasce: il nord (comprendente Val d’Aosta, Piemonte, Liguria, Veneto,
Trentino Alto Adige, Friuli Venezia Giulia e Emilia Romagna); il centro, comprendente
Toscana, Lazio, Marche, Umbria, Abruzzo e Molise; il sud, comprendente Campania,
Puglia, Basilicata e Calabria. Le isole maggiori non sono state incluse nel calcolo perché
hanno un comportamento climatico che ha delle ulteriori differenze rispetto al centrsud
dell’Italia e perché non avrebbero comunque modificato la valutazione complessiva. I
meccanismi applicati si possono generalmente utilizzare anche per quelle aree.
Per ogni periodo nel semestre tra ottobre ed aprile, quindi, si è calcolato il differenziale
termico tra l’interno e l’esterno. Com’è noto, la potenza termica Q necessaria a tenere a
regime un edificio alla temperatura interna, Tint = 20°C, di progetto è linearmente
proporzionale alla differenza di temperatura DT tra esterno ed interno. Per ogni
variazione positiva(negativa) di 1 °C della temperatura esterna effettiva Test, il DT di
progetto diminuisce (aumenta) di 1 °C, tale variazione di DT rappresenta un valore
percentuale dell’intervallo tra Test e Tint. Dato il legame lineare che lega la potenza
termica Q [W] a DT, ad un calo del differenziale di temperatura DT, corrisponde un calo
percentuale dell’energia termica necessaria al raggiungimento delle condizioni di
progetto. In pratica, la medesima potenza termica può lavorare con la stessa percentuale
di tempo in meno. Ipotizzando di dover raggiungere il regime alle 7.30, con una
tolleranza di mezz’ora rispetto alle ore 8.00, con accensione mattutina supponiamo alle
4.30, si può ipotizzare un tempo totale di messa a regime di 3 h. Un ragionamento
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
analogo potrebbe essere fatto per lo spegnimento prima delle ore serali. Da qui si
comprende come il calcolo effettuato per valutare DT sia conservativo. Infatti nelle ore
effettivamente considerate i differenziali sono mediamente più alti rispetto a quelli
calcolabili utilizzando la temperatura media giornaliera.
Considerando quindi gli intervalli orari, il valore percentuale su DT si traduce
linearmente in un valore percentuale in tempo di accensione ritardata o spegnimento
anticipato e dunque nei tempi di minor funzionamento dell’impianto termico..
Per conoscere dunque quanto tempo di risparmio sull’utilizzo della caldaia possiamo
consuntivare il calcolo indicato su tutto il periodo da ottobre ad aprile, tenendo conto
delle diverse temperature occorrenti nelle varie aree al variare del momento della
stagione, calcolando per quanto tempo complessivamente si è verificato un DT effettivo
inferiore a quello di progetto. In pratica, seguendo un principio analogo al calcolo dei
gradi-giorno (sommatoria estesa a tutti i giorni del periodo di riscaldamento, delle
differenze positive giornaliere tra la Tint di Progetto (20° C) e la Test media giornaliera,
di calcola così la sommatoria estesa a tutti i giorni del periodo di riscaldamento, delle
differenze positive orarie tra la Tint di Progetto (20° C) e la Test media. Il guadagno su DT
è calcolato sulla base delle effettive capacità del sistema predittivo di determinare entro
le 24 ore precedenti all’ora specifica che si considera la temperatura più prossima a
quella reale, utilizzando un meccanismo di calibrazione continua che utilizza il dato
corrente della Test per ricalcolare ciclicamente la temperatura prevista nelle ore
successive dal modello fisicomatematico atmosferico. Quest’ultimo, a sua volta, utilizza
una tecnica di multi-model ensemble (LEPS, Local Ensemble Prediction System) che
utilizza diversi modelli atmosferici ad alta risoluzione, con diversi schemi fisici e
variando le condizioni iniziali, in modo da includere nel modo più ampio possibile la
variabilità del sistema atmosferico e facendo quindi una valutazione probabilistica delle
variabili atmosferiche (Fan e Van der Dool, 2011; Krishnamurti et al., 2000; Magnusson
e Kallen., 2013. Il guadagno potenziale raggiungibile nelle ore precedenti l’accensione e
lo spegnimento può essere fino a 2 gradi di variazione sul DT al nord, 1.5 gradi al Centro
e 1 grado al sud. Il guadagno è valutato rispetto all’utilizzo di un dato climatico puro e
può essere molto più elevato nei casi di maggiore variabilità delle condizioni del tempo
che, tenendo conto dei cambiamenti del clima, dovrebbe risultare, in futuro, una
condizione più frequente rispetto al passato.
Effettuando il calcolo per ogni periodo del semestre ottobre-aprile, calcolando tutte le
differenze di temperatura sulla base del valore medio giornaliero (come già detto in
precedenza, ciò rappresenta una valutazione molto conservativa), calcolando il
guadagno nell’individuazione della Test sulla base delle capacità del sistema predittivo,
trasformandolo, secondo il procedimento delineato in minuti/ore di minor accensione
della caldaia, si ottiene il risulato finale in termini di ore di potenziale risparmio sul
funzionamento del sistema termico, come rappresentato nella figura 1. Se si considerano
specificatamente le ore della notte e del primo mattino, tra le 0 e le 8, e le ore
pomeridiane tra le 15 e le 18, per il calcolo delle temperature di ottengono dei DT più
elevati poiché la temperatura media calcolata in queste ore è più bassa di quella della
media giornaliera di una quantità variabile che dipende dal periodo dell’anno. Il totale
delle ore di potenziale risparmio grazie al sistema di predizione, utilizzando i valori su
indicati, e riferendosi alle sole temperature medie giornaliere, sarebbe di circa 100 ore
l’anno per le diverse aree del Paese. Tale valore può essere considerato il valore minimo
che si dovrebbe ottenere. Considerando invece, più propriamente, le fasce orarie della
notte e del primo mattino e pomeridiane, come indicato in precedenza, i valori che si
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
ottengono sono di 135 ore per il nord Italia e 130 ore per il centro e 135 ore per il sud.
Tenendo ulteriormente conto anche delle variazioni sensibili delle condizioni
meteorologiche tra un giorno e l’altro, dove la previsione assume un ruolo essenziale nel
valutare l’andamento delle temperature esterne, si può ottenere un ulteriore incremento
del numero delle ore pari a 50-80 ore a seconda delle aree considerate e del periodo
dell’anno (l’effetto è maggiore nei mesi di dicembre e gennaio e al nord Italia).
Nell’esempio di applicazione che segue verrà utilizzato un valore di circa 220 ore per il
nord Italia, un valore che può essere considerato rappresentativo per quest’area.
Potenziale in ore di risparmio
50
45
40
35
30 Nord
ore
25 Centro
20 Sud
15
10
5
0
Ottobre Novembre Dicembre Gennaio Febbraio Marzo Aprile
mesi
Figura 1. Potenziale in ore di minor funzionamento di un sistema termico a variare dell’area

considerata e del periodo stagionale tra ottobre e aprile. Si vede dall’andamento delle curve che
la relazione non è lineare, eccetto che nel periodo più freddo tra novembre e febbraio, dove le
differenze tra le tre aree sono più piccole.
2.3 Esempio di applicazione

Occorre calcolare la dispersione delle calorie in funzione della superficie totale
dell’ambiente, della differenza tra temperatura interna e quella esterna e della
trasmittanza. La formula empirica per il calcolo delle calorie disperse è:
Q = SxDTxU
Dove Q rappresenta la dispersione di calore (quantità di calore che le superfici

disperdono verso l’esterno), S la superficie totale in mq dell’involucro dell’ambiente
considerato (superficie dell’area disperdente), DT la differenza tra la temperatura
interna e quella esterna dell’ambiente (salto termico), U la trasmittanza. Per S calcola la
superficie dei vari elementi dell’involucro, la cosiddetta superficie disperdente (pareti,
pavimento, soffitto, porte, infissi, ecc). Il valore ottenuto non necessita di correzione se
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
la superficie in esame è esposta a Sud. Diversamente, deve essere moltiplicato per 1,1 se
la superficie è esposta ad Ovest, per 1,15 se esposta ad Est e così via. DT è il nostro
differenziale di temperatura già abbondantemente discusso nei precedenti paragrafi. Il
termine U si ricava da apposite tabelle che riportano questo coefficiente per la quasi
totalità delle strutture, quali porte, infissi, parete, muri perimetrali. La trasmittanza
aumenta al diminuire dello spessore ed all'aumentare della conducibilità termica.
Strutture con bassissima trasmittanza termica si caratterizzano per fornire un elevato
isolamento termico.
Il calcolo consiste nel valutare la quantità di calore che deve essere fornita all’ambiente
per compensare le perdite verso l’esterno.
Consideriamo quindi locali con isolamento di media capacità rispetto all’esterno, con un
lato finestrato e ad altezza standard di 3 m, dotato di almeno un ingresso ed esposto a
sudovest. In queste condizioni, sempre mediamente, sulla base della formulazione
precedente, è necessario disporre di una potenza di circa 0.14 kW per metro quadro. Nel
caso del metano, ad esempio, per ottenere 1 kW in un ora è necessario disporre, tenendo
conto anche dell’efficienza del sistema termico, di 0.102 m3/h di gas metano.
Supponendo quindi di avere una superficie di 500 mq di uffici, sono necessari 7.15 m3/h
di metano. Se supponiamo di fare il caso del nord Italia considerando tutti fattori
incidenti sul numero di ore (qui si considera un valore di 220 h), si raggiungerebbe un
risparmio pari a 1573 m3 di metano (pari a circa il 13% del consumo atteso nell’esempio
qui considerato). Considerando, per esempio, un costo effettivo comprensivo di tutti gli
oneri di circa 0.7 € per metro cubo, ciò si tradurrebbe in un risparmio per il solo
riscaldamento nel semestre ottobre-aprile di circa 1100 euro grazie al sistema di
predizione continuo della temperatura esterna. I risparmi potrebbero essere maggiori
se l’intero sistema termico è ottimizzato facendo uso delle più moderne tecnologie
disponibili e considerando le sinergie tra un sistema predittivo e un sistema di gestione
dell’impianto nel suo complesso. Il valore si può ridurre, anche sensibilmente, nel caso di
inverni miti e con minori variazioni delle condizioni meteorologiche, viceversa nel caso
di inverni più freddi della norma e con grande variabilità delle condizioni
meteorologiche.
3. Conclusione
L’utilizzo di un sistema predittivo continuo della temperatura esterna consente di ottenere

vantaggi in termini di risparmio dell’energia necessaria per riscaldare degli ambienti. Tale
vantaggio è legato all’area climatica (con valori esterni più bassi si ottengono vantaggi
maggiori) e alle superfici (volumi) considerati (maggiori sono le superfici da riscaldare
maggiore è il risparmio potenziale). In questa analisi la valutazione del risparmio sul
funzionamento di una caldaia è stata fatta considerando, quali temperature esterne, le
medie giornaliere per ogni area in cui è stata suddivisa l’Italia (nord, centro e sud) e le
per fascie orarie specifiche della notte e del primo mattino e della seconda parte del
pomeriggio. I valori complessivi sono significativamente più alti tenendo conto della
variabilità del tempo, ma è stata volutamente effettuata una stima prudente, anche se,
nell’esempio riportato al par. 2.3, si è tenuto conto di un valore in ore che comprendesse
tutti i fattori. Infine, occorre tener conto che questa valutazione rappresenta un
potenziale che può sommarsi ad altri meccanismi di risparmio energetico. Tuttavia,
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
proprio la valutazione così mediata permette di affermare che gli ordini di grandezza
possono essere simili a quelli ricavati in questa analisi.
Riferimenti
Al-Zayer, J. and A. A. Al-Ibrahim (1996): Modelling the Impact of Temperature on

Electricity Consumption in the Eastern Province of Saudi Arabia. Journal of Forecasting 15,
pp. 97-106.
Amato, A. D., M. Ruth, P. Kirshen and J. Horwitz (2005): Regional Energy Demand
Responses to Climate Change: Methodology and Application to the Commonwealth of
Massachusetts. Climatic Change 71, pp. 175-201.
Asadoorian, M. O., R. S. Eckaus and C. A. Schlosser (2007): Modelling Climate Feedbacks to

Electricity Demand: The Case of China. Energy Economics 30, pp. 1577-1602.
Bessec, M. and J. Fouquau (2008): The non-linear link between electricity consumption and
temperature in Europe: A threshold panel approach. Energy Economics 30, pp. 2705-2721.
Bigano, A., F. Bosello and G. Marano (2006): Energy demand and Temperature: A Dynamic
Panel Analysis. FEEM Nota Di Lavoro 112.2006. CIESIN (Center for International Earth
Science Information Network, Columbia University) and CIAT (Centro Internacional de
Agricultura Tropical) (2005): Gridded Population of the World Version 3 (GPWv3):
Population Density Grids. Available from the Socioeconomic Data and Applications Center
(SEDAC), Columbia University at http://sedac.ciesin.columbia.edu/gpw. (2009-07-03). CRU
(University of East Anglia Climate Research Unit) (2008): CRU TS3.0 Dataset. Available
from the British Atmospheric Data Centre (BADC), download from
http://badc.nerc.ac.uk/data/cru (2009-07-06).
De Cian, E., E. Lanzi and R. Roson (2007): The Impact of Temperature Change on Energy
Demand: A Dynamic Panel Analysis. FEEM Nota Di Lavoro 46.2007.
Fan Y. and Van den Dool H., 2011 Bias correction and forecast skill of NCEP GFS ensemble
week-1 and week-2 precipitation, 2 m surface air temperature, and soil moisture forecasts
Weather Forecast. 26 355–70
Florides, G. A., S. A. Kalogirou, S. A. Tassou and L. C. Wrobel (2000): Modelling of the

Modern Houses of Cyprus and Energy Consumption Analysis. Energy 25, pp. 915-937.
Giannakopoulos, C., B. E. Psiloglou and S. Majithia (2005): Weather and Nonweather

Related Factors Affecting Energy Load Demand: A Comparison of the Two Cases of Greece
and England. Geophysical Research Abstracts 7,06969.
Download from http://www.cosis.net/abstracts/EGU05/06969/EGU05-J-06969.pdf (2009-
02-02).
Hunt, L.C., G. Judge and Y. Ninomiya (2003): Modelling Underlying Energy Demand Trends.
Surrey Energy Economics Discussion paper Series (SEEDS) 105.
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41
Krishnamurti T.N., Kishtawal C.M., LaRow T.E., Bachiochi D.R., Zhang Z., Williford C.E.,
Gadgil S. and Surendran S. 1999. Improved weather and seasonal climate forecasts from
multimodel superensemble Science 285 1548–50.
Li, X. and D. J. Sailor (1995): Electricity use sensitivity to climate and climate change. World
Resource Review 7(3), pp. 334-446.
Magnusson L. and Källén E., 2013 Factors influencing skill improvements in

theECMWFforecasting system Mon. Weather Rev. 141 3142–53
Mansur, E. T., R. Mendelsohn and W. Morrison (2005): A Discrete-Continuous Choice Model

of Climate Change Impacts on Energy. Yale School of Management Working Paper ES-43.
Mansur, E. T., R. Mendelsohn and W. Morrison (2007): Climate Change Adaptation: A Study
of Fuel Choice and Consumption in the U.S. Energy 24 Sector. Journal of Environmental
Economics and Management 55(2), pp.175-193.
Mirasgedis, S., Y. Sarafidis, E. Georgopoulou, D. P. Lalas, M. Moschovits,F. Karagiannis, D.

Papakonstanntinou (2004): Models for mid-term electricity demand forecasting
incorporating weather influences. Energy 31, pp. 208-227.
Mitchell, T. D. and P. D. Jones (2005): An improved method of constructing a database of

monthly climate observations and associated high-resolution grids. International Journal
of Climatology 25, pp. 693-712.
Pezzulli, S., P. Frederic, S. Majithia, S. Sabbagh, E. Black, R. Sutton and D.Stevenson (2006):
The seasonal forecast of electricity demand: A hierarchical Bayesian model with
climatological weather generator. Applied Stochastic Models in Business and Industry 22,
pp. 113-125.
Quayle, R. G. and H. F. Diaz (1978): Heating Degree Day Data Applied to Residential
Heating and Energy Consumption. Journal of Applied Meteorology 19, pp. 241-246.
Rosenthal, D. H. and H. K. Gruenspecht (1995): Effects of global warming on energy use for
space heating and cooling in the United States. Energy Journal 16, pp. 77-97.
Tol, R. S. J. (2009): The economic effect of climate change. Journal of Economic Perspectives
23(2), pp. 29-51.
Vaage, K. (2000): Heating technology and energy use: A discrete continuous choice
approach to Norwegian household energy demand. Energy Economics, 22, pp. 649-666.
Zarnikau, J. (2003): Functional forms in energy demand modelling. Energy Economics 25,
pp. 603-613.
Tel. 02-66 02 18 1 - Fax 02-66 02 18 41

CENTRO EPSON METEO Relazione Vantaggi Sistemi Predittivi in Real Time

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

CENTRO EPSON METEO Relazione Vantaggi Sistemi Predittivi in Real Time

Caricato da

Copyright:

Formati disponibili

VA N T A G G I D E L L A R E G O L A Z I O N E

SISTEMI PREDITTIVI C ONTINUI A

Dr. Raffaele Salerno

Direttore Centro Epson Meteo

2. Dati climatici e calcolo del risparmio

Potenziale in ore di risparmio

Figura 1. Potenziale in ore di minor funzionamento di un sistema termico a variare dell’area

2.3 Esempio di applicazione

Dove Q rappresenta la dispersione di calore (quantità di calore che le superfici

L’utilizzo di un sistema predittivo continuo della temperatura esterna consente di ottenere

Al-Zayer, J. and A. A. Al-Ibrahim (1996): Modelling the Impact of Temperature on

Asadoorian, M. O., R. S. Eckaus and C. A. Schlosser (2007): Modelling Climate Feedbacks to

Florides, G. A., S. A. Kalogirou, S. A. Tassou and L. C. Wrobel (2000): Modelling of the

Giannakopoulos, C., B. E. Psiloglou and S. Majithia (2005): Weather and Nonweather

Magnusson L. and Källén E., 2013 Factors influencing skill improvements in

Mansur, E. T., R. Mendelsohn and W. Morrison (2005): A Discrete-Continuous Choice Model

Mirasgedis, S., Y. Sarafidis, E. Georgopoulou, D. P. Lalas, M. Moschovits,F. Karagiannis, D.

Mitchell, T. D. and P. D. Jones (2005): An improved method of constructing a database of

Potrebbero piacerti anche