AutoB2G: A Large Language Model-Driven Agentic Framework For Automated Building-Grid Co-Simulation

Die Arbeit stellt AutoB2G vor, ein von großen Sprachmodellen gesteuertes Agenten-Framework, das den gesamten Workflow für die automatisierte Co-Simulation von Gebäuden und Stromnetzen ausschließlich auf Basis natürlicher Sprachbeschreibungen durchführt, um die Netzleistung zu optimieren.

Das Wesentliche

Stellen Sie sich vor, Sie wollen ein riesiges, intelligentes Netzwerk aus Gebäuden und Stromnetzen steuern, damit der Strom effizienter und sicherer genutzt wird. Früher war das wie der Versuch, ein komplexes Raumschiff zu fliegen, ohne dass jemand Ihnen die Bedienungsanleitung gegeben hat. Sie mussten jahrelang Programmieren lernen, jede Schraube selbst drehen und hoffen, dass das System nicht explodiert.

Dieses Papier stellt AutoB2G vor – einen neuen, revolutionären Ansatz, der diese Aufgabe für jeden möglich macht. Hier ist die Erklärung, einfach und mit ein paar bildhaften Vergleichen:

1. Das Problem: Der "Bauarbeiter" ohne Plan

Stellen Sie sich vor, Sie sind ein Architekt, der ein neues Stadtviertel plant. Sie wollen, dass die Häuser (die Gebäude) und das Stromnetz perfekt zusammenarbeiten.

• Früher: Sie mussten jeden einzelnen Draht, jeden Sensor und jede Regel manuell programmieren. Das war wie der Versuch, ein Uhrwerk mit bloßen Händen zu bauen, ohne eine Schablone. Wenn Sie einen Fehler machten, musste alles von vorne beginnen. Zudem fehlten oft die Werkzeuge, um zu sehen, wie sich das Ganze auf das gesamte Stromnetz auswirkte.
• Das Ziel: Sie wollen einfach nur sagen: "Mach die Häuser so, dass das Stromnetz stabil bleibt," und das System soll den Rest erledigen.

2. Die Lösung: Der "Super-Assistent" (AutoB2G)

AutoB2G ist wie ein allwissender, digitaler Bauleiter, der von einer künstlichen Intelligenz (einem "Large Language Model" oder LLM) angetrieben wird.

• Die Sprache: Sie müssen kein Code schreiben. Sie sprechen einfach mit dem System in normaler Sprache (Deutsch, Englisch, etc.). Sagen Sie: "Simuliere, wie 24 Häuser mit Elektroautos das Stromnetz beeinflussen, und finde die beste Strategie, um Spannungsprobleme zu vermeiden."
• Die Magie: Der Assistent versteht Ihren Auftrag, sucht sich die richtigen Bausteine aus einer riesigen Bibliothek aus und baut das gesamte Simulations-Programm für Sie zusammen.

3. Wie funktioniert das? (Die drei Geheimnisse)

A. Der "Bauplan" (Der DAG)

Stellen Sie sich vor, Sie haben eine riesige Kiste mit Lego-Steinen. Wenn Sie ein Schloss bauen wollen, wissen Sie nicht, welche Steine Sie brauchen, wenn Sie nicht wissen, wie sie zusammenpassen.

• AutoB2G hat einen intelligenten Bauplan (einen sogenannten "gerichteten azyklischen Graphen" oder DAG). Dieser Plan zeigt genau, welcher Stein (Modul) auf welchem anderen liegen muss.
• Der Assistent nutzt diesen Plan, um nicht irgendein Durcheinander zu bauen, sondern eine logische Kette von Bausteinen, die garantiert funktioniert. Er weiß genau: "Zuerst brauchen wir das Wetter, dann die Gebäude, dann das Stromnetz."

B. Das "Team aus Spezialisten" (SOCIA)

Ein einzelner Roboter ist oft überfordert. Deshalb nutzt AutoB2G ein Team aus digitalen Spezialisten, die wie eine gut organisierte Baufirma zusammenarbeiten:

1. Der Manager: Hält den Überblick und sagt, wer als nächstes dran ist.
2. Der Programmierer: Baut den Code basierend auf Ihren Wünschen.
3. Der Tester: Führt die Simulation durch und schaut, ob alles läuft.
4. Der Kritiker: Prüft die Ergebnisse. "Hey, die Spannung ist zu hoch!"
5. Der Reparatur-Experte: Wenn etwas schiefgeht, sagt er nicht nur "Fehler!", sondern erklärt genau, wie man es repariert.

C. Der "Text-Gradienten-Abstieg" (TGD) – Das Lernen aus Fehlern

Das ist der coolste Teil. Wenn der Simulator einen Fehler macht (z. B. "Die Spannung ist zu hoch"), passiert normalerweise, dass das Programm abstürzt.

• Bei AutoB2G ist das anders. Das System nutzt eine Methode namens Textual Gradient Descent (TGD).
• Vergleich: Stellen Sie sich vor, Sie versuchen, einen Berg hinunterzugehen, aber es ist stockdunkel. Ein normaler Computer würde gegen einen Baum laufen und aufgeben. AutoB2G hingegen "fühlt" den Boden mit seinen Füßen (dem Text). Wenn es gegen einen Baum läuft, sagt es: "Autsch! Ich war zu weit rechts. Ich gehe einen Schritt nach links."
• Es wiederholt diesen Prozess immer wieder, bis es sanft am Ziel (dem funktionierenden Simulator) angekommen ist. Es lernt aus jedem kleinen Fehler, indem es den Code automatisch korrigiert, bis er perfekt läuft.

4. Das Ergebnis: Ein funktionierendes Stromnetz

In den Experimenten hat AutoB2G gezeigt, dass es:

• Schneller ist: Was früher Tage an Programmierarbeit dauerte, passiert jetzt in Minuten.
• Genauer ist: Es findet Strategien, die das Stromnetz stabil halten (z. B. indem es die Heizung in den Häusern kurzzeitig anpasst, um Spannungsspitzen zu glätten).
• Zugänglicher ist: Forscher müssen keine Experten für Programmierung sein. Sie können sich auf die wissenschaftlichen Fragen konzentrieren, während der Assistent die technische Arbeit erledigt.

Zusammenfassung

AutoB2G ist wie ein Schwarm intelligenter Roboter, der Ihnen erlaubt, mit einem einfachen Satz zu sagen: "Bau mir eine Simulation für ein stabiles Stromnetz," und der dann automatisch das komplexe Puzzle aus Gebäuden, Stromnetzen und Algorithmen zusammenfügt, Fehler findet und repariert, bis alles perfekt läuft. Es macht die Zukunft der Energieversorgung nicht nur intelligenter, sondern auch für jeden verständlich und nutzbar.

Technische Zusammenfassung

1. Problemstellung

Die Forschung im Bereich des Lastmanagements (Demand Response) für Gebäudecluster gewinnt angesichts des steigenden Energieverbrauchs und der Integration erneuerbarer Energien an Bedeutung. Obwohl Reinforcement Learning (RL) vielversprechend ist, um Steuerungsstrategien direkt aus Daten zu lernen, bestehen erhebliche Hürden bei der Simulation:

• Fehlende Grid-Integration: Bestehende Simulationsumgebungen (z. B. frühere Versionen von CityLearn) konzentrieren sich primär auf gebäudespezifische Metriken (Kosten, Komfort) und vernachlässigen systemische Auswirkungen auf das Stromnetz (Spannungsstabilität, Netzresilienz).
• Manueller Aufwand: Die Einrichtung von Co-Simulationen (Gebäude + Netz) erfordert umfangreiche manuelle Konfiguration, tiefes Programmierwissen und die Integration heterogener Tools, was die Einstiegshürde für Forscher erhöht.
• Komplexität der Automatisierung: Der Versuch, Simulationen durch Large Language Models (LLMs) zu automatisieren, scheitert oft an der Komplexität von Abhängigkeiten zwischen Modulen, der Notwendigkeit korrekter Ausführungsreihenfolgen und dem Mangel an domänenspezifischem Kontextwissen in den Modellen.

2. Methodik: Das AutoB2G-Framework

AutoB2G ist ein agentic Framework, das natürliche Sprache als einzige Eingabe nutzt, um einen vollständigen Simulationsworkflow zu generieren, auszuführen und zu evaluieren. Die Architektur basiert auf drei Hauptkomponenten:

A. Erweiterung der Simulationsumgebung (CityLearn V2 + Pandapower)

Das Framework erweitert CityLearn V2 um eine Building-to-Grid (B2G)-Schnittstelle:

• Datenbasis: Nutzung von EnergyPlus für hochpräzise Gebäudesimulationen (thermische Dynamik, HVAC).
• Netzintegration: Kopplung mit Pandapower für die Leistungsflussanalyse. Die aggregierte Last der Gebäude wird auf Lastknoten im Netz (z. B. IEEE 33-Bus-System) abgebildet.
• Feedback-Schleife: Netzvariablen (z. B. Spannungen) fließen als Beobachtungsraum in den RL-Agenten zurück.
• Bewertungsmetriken: Einführung von Grid-seitigen Metriken wie Spannungsadmissibilität, thermische Belastungsgrenzen, N-1-Resilienz und Kurzschlussströme.

B. DAG-basierte Agenten-Retrieval-Mechanismus

Um das fehlende Kontextwissen der LLMs zu kompensieren, wird der Codebase als gerichteter azyklischer Graph (DAG) strukturiert:

• Struktur: Jeder Knoten repräsentiert eine funktionale Simulationseinheit (z. B. Datensatzgenerierung, Reward-Funktion, Netzkonfiguration). Kanten definieren Eingabe-Ausgabe-Abhängigkeiten und die Ausführungsreihenfolge.
• Retrieval: Ein Agent analysiert die natürliche Sprachanfrage und sucht im DAG nach relevanten Modulen.
• Validierung & Reparatur: Ein Validator prüft, ob die ausgewählten Module einen gültigen Pfad bilden. Bei Fehlern (fehlende Abhängigkeiten) wird der Agent iterativ angewiesen, den Pfad zu korrigieren, bevor Code generiert wird.

C. SOCIA-Framework mit Textual Gradient Descent (TGD)

Für die eigentliche Code-Generierung und -Optimierung wird das SOCIA-Framework (Simulation Orchestration for Computational Intelligence with Agents) eingesetzt:

• Multi-Agenten-System: Spezialisierte Agenten übernehmen Aufgaben wie Workflow-Management, Code-Generierung, Simulationsexekution, Ergebnisbewertung und Feedback-Generierung.
• Textual Gradient Descent (TGD): Anstelle numerischer Gradienten wird der Code selbst als Optimierungsvariable betrachtet.
  • Das System führt den Code aus und sammelt Fehler (Kompilierungsfehler, Laufzeitfehler, Logikfehler).
  • Ein Feedback-Agent wandelt diese Fehler in einen „textuellen Gradienten" um – eine strukturierte natürliche Sprachbeschreibung des Fehlers und der notwendigen Korrektur.
  • Der Code-Generator nutzt diesen Gradienten, um Patches zu erstellen (ähnlich wie Backpropagation im neuronalen Netz, aber für Code-Strukturen).
  • Dieser Zyklus wiederholt sich, bis der Code alle Constraints erfüllt und ausführbar ist.

3. Wichtige Beiträge

1. Erste vollautomatische B2G-Co-Simulation: Entwicklung einer Umgebung, die RL-basierte Gebäudesteuerung direkt mit Netzoptimierung und -bewertung verbindet, basierend auf der neuesten CityLearn V2-Architektur.
2. DAG-basierte Wissensrepräsentation: Einführung einer strukturierten Abhängigkeitsdarstellung, die LLMs hilft, komplexe Simulationspipelines korrekt zu komponieren und Abhängigkeiten systematisch zu validieren.
3. Agentic Workflow mit TGD: Demonstration, wie ein Multi-Agenten-System mit Textual Gradient Descent fehlerhafte Code-Generierungen iterativ korrigiert, um robuste, ausführbare Simulatoren ohne manuelles Debugging zu erzeugen.
4. Evaluation: Umfassende Tests an einem IEEE 33-Bus-Netzwerk, die zeigen, dass das Framework komplexe Aufgaben (von einfacher Datengenerierung bis hin zu mehrstufigen RL-Training und Netzanalysen) erfolgreich bewältigt.

4. Ergebnisse

Die Experimente verglichen vier Konfigurationen (reines LLM, LLM + Retrieval, SOCIA, SOCIA + Retrieval) an Aufgaben unterschiedlicher Komplexität (einfach, mittel, komplex):

• Erfolgsrate: Das kombinierte System SOCIA + Agentic Retrieval erreichte die höchste Erfolgsrate.
  • Bei komplexen Aufgaben lag die Erfolgsrate bei 83 %, während ein reines LLM nur bei 53 % lag.
  • Bei einfachen Aufgaben erreichte SOCIA + Retrieval eine perfekte Erfolgsrate von 100 %.
• Code-Qualität (Code Score): SOCIA + Retrieval erzielte signifikant höhere Punktzahlen (bis zu 0,88 bei komplexen Aufgaben) im Vergleich zum reinen LLM (0,44). Dies zeigt, dass das Framework weniger redundante Module generiert und die Konfiguration präziser ist.
• Netzleistung: Die durch AutoB2G generierten RL-Controller zeigten eine deutliche Verbesserung der Netzstabilität im Vergleich zu Baseline-Strategien:
  • Die Spannungsverteilung wurde enger um den Nennwert (1,0 p.u.) gebündelt.
  • Das System reagierte adaptiv auf Über- und Unterspannungsszenarien, indem es die Lastgebäude entsprechend steuerte (Lastverschiebung zur Spannungsregulierung).
• Fehlerkorrektur: Die Analyse der TGD-Iterationen zeigte, dass das System kritische Konfigurationsfehler (z. B. falsche Bus-Indizes oder Parameter) in frühen Iterationen erkennt und korrigiert, was zu einer schnellen Konvergenz führt.

5. Bedeutung und Ausblick

AutoB2G markiert einen Paradigmenwechsel in der Energiesystemforschung:

• Demokratisierung der Simulation: Durch die Nutzung natürlicher Sprache wird der technische Einstieg für Forscher ohne tiefgehende Programmierkenntnisse in Simulationsframeworks gesenkt.
• Systemische Sicherheit: Das Framework ermöglicht die systematische Evaluierung von RL-Strategien unter Berücksichtigung von Netzstabilität und Sicherheitsgrenzen, was für den sicheren Betrieb zukünftiger intelligenter Netze (Smart Grids) essenziell ist.
• Skalierbarkeit: Der Ansatz ist prinzipiell auf andere Simulationsplattformen erweiterbar.

Einschränkungen: Die aktuelle Validierung beschränkt sich auf CityLearn und Pandapower. Die Robustheit gegenüber noch heterogeneren Simulationsumgebungen und Schnittstandards muss in zukünftigen Arbeiten untersucht werden. Dennoch bietet AutoB2G einen starken Baustein für die Automatisierung komplexer physikalischer und datengetriebener Simulationen.