Um globale Herausforderungen, wie den Klimawandel, mathematisch zu analysieren und auf Lösungswege zu untersuchen, braucht es globale und komplexe Systemmodelle. Um die Lösbarkeit solch großer Modelle zu gewährleisten, ist es notwendig die modellierten Länder zu Regionen zusammenzufassen. Traditionell werden solche Regionen für Energiesystemmodelle auf Basis geografischer Zusammengehörigkeit sowie der historischen (energie-) wirtschaftlichen sowie politischen Entwicklung gebildet. In der vorliegenden Analyse wird geprüft, ob diese historisch definierten Regionen auch in Anbetracht des drastischen energiewirtschaftlichen Wandels vor dem die Weltgemeinschaft steht, (sollten die Bestrebung, die globale Erwärmung auf deutlich unter 2 °C im Vergleich zu vorindustriellen Levels zu begrenzen, in Taten umgesetzt werden) noch Gültigkeit haben. Dabei wird eine Regionenbildung mittels Machine Learning Algorithmen auf Basis der Solar- und Windenergiepotentiale vorgeschlagen und mit den Regionen traditioneller Energiesystemmodelle verglichen. Im Zuge der Analyse werden sechs ausgewählte und teils eigens für die Analyse generierte Features zu zwei verschiedenen Sets kombiniert. Beide Sets werden sowohl mittels KMeans als auch GaussianMixture geclustert. Die Gegenüberstellung der Ergebnisse deuten darauf hin, dass die Methoden des Machine Learning als unterstützendes Tool, jedoch nicht als Ersatz für die traditionelle Bildung von Metaregionen eingesetzt werden können.     «

Um globale Herausforderungen, wie den Klimawandel, mathematisch zu analysieren und auf Lösungswege zu untersuchen, braucht es globale und komplexe Systemmodelle. Um die Lösbarkeit solch großer Modelle zu gewährleisten, ist es notwendig die modellierten Länder zu Regionen zusammenzufassen. Traditionell werden solche Regionen für Energiesystemmodelle auf Basis geografischer Zusammengehörigkeit sowie der historischen (energie-) wirtschaftlichen sowie politischen Entwicklung gebildet. In der vorlieg...     »