Bernd Pichler

• Diese Arbeit untersucht die Anwendung von Künstlicher Intelligenz zur Verbesserung des Dispatchings im Bereich der Ressourceneinsatzplanung für Netzbetreiber in der Energiebranche, ein Gebiet, das zunehmend von den Herausforderungen der Energiewende und den Zielen der Klimaneutralität geprägt wird. Die zentrale Forschungsfrage lautet: Welche KI-Methoden eignen sich für die Verbesserung des Dispatchings in der Ressourceneinsatzplanung bei Netzbetreibern in der Energiebranche? Ziel ist es, bestehende KI-Methoden zu bewerten und ihre Anwendbarkeit in diesem spezifischen Kontext zu beurteilen, ohne neue Algorithmen zu entwickeln. Um diese Frage zu beantworten, folgt die Arbeit einem dreistufigen methodischen Ansatz. Zunächst wird eine einleitende Literaturrecherche durchgeführt, um relevante Methoden zu identifizieren und zentrale Bewertungskriterien abzuleiten. Anschließend werden Experteninterviews durchgeführt, um praktische Einblicke zu gewinnen und die theoretischen Erkenntnisse zu validieren. Abschließend werden die Ergebnisse in einer Nutzwertanalysezusammengefasst, die eine gewichtete Bewertung der Methoden im gegebenen Kontext der Arbeit liefert. Die Analyse zeigt, dass Methoden wie Deep Q-Networks, Improved Deep Q-Networks und Particle Swarm Optimization ein erhebliches Potenzial aufweisen, insbesondere in dynamischen und komplexen Planungsumfeldern wie dem Dispatching. Die Ergebnisse unterstreichen das Potenzial von KI, die betriebliche Effizienz zu steigern, repetitive Aufgaben zu Automatisieren, menschliche Fehler zu reduzieren und implizites Expert*innenwissen allen verfügbar zu machen. Diese Studie leistet somit einen wertvollen Beitrag zur Forschung, indem sie die Eignung ausgewählter KI-Methoden für das Dispatching im Energiesektor systematisch bewertet. Siebietet zukünftigen Entscheidungsträgern eine fundierte Grundlage für die Auswahl geeigneter Technologien und hebt wichtige Aspekte hervor, die bei der Implementierung KI-gestützter Systeme zu berücksichtigen sind.
• This study explores the application of Artificial Intelligence to enhance the dispatching process in the area of resource planning for energy network operators, a domain increasingly shaped by the challenges of the energy transition and climate neutrality goals. The central research question is: Which AI methods are particularly suitable for optimizing this process? The objec-tive is to evaluate existing AI methods and assess their applicability in this specific context without developing new algorithms.To address this question, the study follows a three-step methodological approach. First, anintroductory literature review is performed to identify relevant methods and derive keyevaluation criteria. Subsequently, expert interviews are conducted to provide practical insights and validate the theoretical findings. Finally, the results are consolidated in a utility analysis that offers a weighted evaluation of the methods in the given context of the work.The analysis reveals that methods such as Deep Q-Networks, Improved Deep Q-Networksand Particle Swarm Optimization demonstrate significant potential, particularly in dynamic and complex planning environments such as Dispatching. The findings highlight the potential of AI to enhance operational efficiency, automate repetitive tasks, reduce human errors and make implicit expert knowledge available to everyone.This study makes a valuable contribution to research by systematically assessing the suitabil-ity of selected AI methods for dispatching in the energy sector. It provides future decision-makers with a robust foundation for selecting appropriate technologies and highlights im-portant aspects to consider during the implementation of AI-driven systems.